Matthew Berman 谈中美竞争中美国开放权重 AI 的资金问题

我担心美国在 AI 领域面临艰难选择：依赖少数专有前沿实验室，或依赖中国开发的强大开放权重模型。这涉及模型开发商、芯片供应商、政府政策和企业。我鲜明的说法是在警告可能的结果，而不是证明未来只有两种可能。

我认为美国科技公司和更广泛的市场都与 AI 的成功有很大关联。视频称七家公司占股市的 40%，这里没有提供依据，而且这一数字取决于指数、日期和计算方式。我更广泛的担忧是，美国开发者需要一种可持续的方式来生产和分发开放模型。

开放权重模型允许他人在许可证条件下下载、运行或调整经过训练的参数。这未必等同于公开复现模型所需的完整训练数据、代码和配方。Llama、Qwen、Gemma 和 DeepSeek 的许可证与披露程度各不相同；每个版本的条款都很重要。

我重视开放模型，因为研究人员和开发者可以检查行为、调整部署并提高效率。更多访问机会有助于安全审查和本地控制，但开放或本地托管本身并不保证安全。模型来源、软件、基础设施和操作实践也很重要。

商业挑战在于，训练有能力的模型需要研究、算力和资金，而其他人可以下载并提供已发布权重的服务，不必承担同样的开发成本。这些供应商可能争夺客户。这确实带来融资问题，不过开放模型开发者可以探索托管、服务、企业产品等商业模式。

我认为，中国政府支持和商业激励有助于解释中国开发者为何发布有竞争力的模型。国家支持是值得研究的一个因素，但不能完整解释每家公司的资金来源或动机。同样，美国也有产业政策和补贴，因此把中国描述为政府主导、美国描述为完全自由竞争是简化了的对比。

企业正在选择 AI 战略，我认为许多企业会权衡本地控制、成本和专有产品的能力。在资源和许可允许的情况下，开放权重模型可以自行托管或微调，而托管模型也提供其他部署选择。成本和性能取决于任务、硬件、供应商和工作负载。

我认为许多商业任务不需要在前沿科学或数学上取得最高分。较便宜的模型可能足以处理电子表格、编程或日程安排，但需要针对实际任务测试。我提到的 99% 和 99.9% 是说明性的说法，并非对商业用途或模型等同性的实测估计。

视频由 Zapier 赞助，该公司推广其 MCP 集成，用于将 AI 智能体连接到外部工具。这项赞助与我对模型经济模式的论点是分开的。任何集成是否适合企业，取决于其权限、成本和部署需求。

谈到美国开发者，我描述了 Meta 在早期 Llama 发布后重心的变化，并认为 OpenAI 的 gpt-oss 并非其主要前沿业务。Meta 未来的发布选择不应被当作它永远不会再发布开放权重模型的证明。OpenAI 的 gpt-oss 权重依据 Apache 2.0 和其使用政策提供。

我将 Anthropic 描述为专注于专有模型，而 Google 也为多种用途发布开放权重 Gemma 模型。视频中讨论本地开放模型时我说了“Gemini”；相关的 Google 开放权重系列是 Gemma。可用性、部署要求和许可证条款因版本而异。

Nvidia 是我举出的替代激励机制的主要例子。它的 Nemotron 模型可以支持使用 Nvidia 硬件的生态，因此即便其他公司提供权重服务，Nvidia 也可能从硬件需求中获益。这是我对其战略激励的判断，并非 Nvidia 是唯一拥有可行开放模型业务的公司的证明。

我提到了 Nvidia 的 260 亿美元投资。基于文件和高管采访的报道描述了五年内的支出，其中大部分计划用于开放模型，但也有一部分用于基础设施、自动驾驶软件和其他 AI 研究。不应将其理解为 260 亿美元已经花完，或全部专门用于开放模型权重。

硬件支持的模式不同于完全依靠模型服务收入的初创企业：提供已发布模型服务的云供应商也可能是 Nvidia 芯片客户。我认为这种上游地位有助于支持持续的模型投资。其他芯片商、云公司和独立实验室可能有不同的激励和融资选择。

如果美国企业可以在本地运行中国模型而不向开发者发送数据，为什么还要担心？我认为广泛采用仍可能影响技术标准、硬件需求和议价能力。自行托管可以减少部分数据传输方面的担忧，但后果取决于实际软件兼容性、供应链和采购决策。

我猜测，在美国出口管制下，中国开发者可能越来越多地针对中国能够获得的芯片优化模型，而由此形成的生态可能影响其他地区的硬件选择。但这并不意味着用户必须购买中国芯片：模型可移植性、软件支持和经济因素都会影响结果。

我也担心模型训练和微调中可能存在文化偏见或限制。开放权重可以修改和测试，但并非每种行为都容易描述或消除。这些担忧应通过具体评估检验，而不是当作模型或用户受政府控制的证明。

我认为低成本开放模型也可能给专有实验室的收入带来压力，进而影响美国 AI 投资。这是一种竞争情景，而非经过量化的预测。用户可能为不同任务选择不同模型，企业也可以通过推理服务之外的方式获得收入。

反方观点是：也许首先达到 AGI 比开放模型市场更重要。我描述了一个可能的反馈循环：公司通过编程模型赚钱，再利用资源开发下一代模型。我关于必然快速起飞、独占控制和解决任何问题的说法属于推测，而非已确立的能力或公司承诺。

我在这一论点中引用 Anthropic 300 亿美元的年化收入数字，但视频没有说明其计算依据。年化收入是一种运行速率指标，不等于利润或经过核实的全年现金收入。AI 进展是否会变成递归自我改进，以及需要多久，仍然未知。

我担心，即使未来的 AGI 突破会改变市场，这种转变也可能需要不确定的时间。在此期间，我认为美国组织能否获得本国开放模型及多元化的硬件生态可能很重要。这种情景是政策论点，而非特定地缘政治结果的证明。

Nvidia 的 Nemotron 系列可能有所帮助，但我不希望美国生态依赖一家公司。我建议为开放模型开发者提供联邦补助或算力访问，将其中一些工作视为公共产品。这需要决定资格、成本和监督方式。

我还建议为国防、医疗、金融和能源等领域的美国开放模型提供税收抵免、加速折旧和采购承诺。在我看来，采购有助于创造需求。这些措施的成本和效果需要评估，不能直接假定。

另一种选择是让 AMD 和 Intel 等硬件公司支持针对自身平台优化的开放模型。模型开发者也可以专注于法律、生物技术、编程或国防等特定领域的较小、高效模型，而不是在每项前沿基准上竞争。最佳方法取决于使用场景和经济因素。

最后，我建议制定共同标准，以减少重复工程，让初创企业更容易开发并接触客户。现在可能还太早，无法确定所有标准。最近一次 DeepSeek 发布促成了这场讨论；其性能和成本应在具体任务上评估，而不能当作我所描述的每种结果的证明。