开放权重是不是开源?AI模型开源与传统软件开源有何区别?要搞清楚开源的基本概念和问题,请看我这篇文章

作者：袁立志

2025年11月上线的一段访谈中，Anthropic联合创始人兼CEO达里奥·阿莫迪（Dario Amodei）谈到：

“我认为人工智能领域的开源逻辑，和其他行业以往的开源模式截然不同。核心原因在于：传统开源软件能够查看完整程序源代码，但大语言模型完全无法窥探其内部架构。业内人士为区分二者，通常将这类模型称作 “开放权重模型”，而非开源模型。

“开源模式的绝大多数核心优势 —— 数百名开发者协同合作、迭代优化代码、社区持续积累成果 —— 都无法在开放权重模型上复刻。正因如此，在研判人工智能行业竞争格局时，我始终觉得 “开源” 只是干扰判断的无关因素。

“一款新模型问世时，我完全不在意它是开源还是闭源。以DeepSeek为例，它是否开源对我而言毫无意义。我只关注两个核心问题：这款模型能力是否过硬？在企业真正看重的业务场景中，它的表现是否优于Claude？这才是唯一具备参考价值的评判标准。

“权重公开不代表算力开销消失。任何企业大规模部署开放权重，依旧要承担巨额 GPU 持续成本，和调用商用 API 没有本质区别，行业舆论普遍夸大了二者的成本差距。

“市场份额的变动只由模型在企业场景下的真实性能决定，和发布授权模式无关。如果某款开放权重模型在法律文书解析、金融建模、医疗病历总结等场景稳定超越Claude，企业会大规模选用，不在乎权重是否公开；如果性能落后，即便完全开放权重，也无法留住商业客户。授权标签从来不会左右客户的采购决策。”

作为闭源头部模型的创始人，Dario的评论是否夹杂偏见和私货，姑且不论，但他指出的AI模型与传统软件在开源方面的差异，差异背后的原因，以及当前的主流实践等基本问题，有必要梳理清楚。

一、什么是软件的开源？

开源（Open Source）是指软件的源代码向公众公开，任何人都可以查看、使用、修改和分发的一种软件开发与分发模式。开源有技术和法律两层含义：

（1）在技术上，开源意味着软件的源代码（Source Code）公开可获取，而非仅提供编译后的目标代码（机器可读的二进制文件）。

（2）在法律上，开源意味着通过特定的开源许可证（Open Source License）授予用户使用、研究、改进和再分发软件等自由。

用菜肴烹饪来打比方。目标代码相当于一盘烹饪好的菜，别人可以品尝这盘菜，但要知道这道菜肴是如何烹饪出来的、如何改进其色香味，虽然可以通过观察和推测略知一二，但最好是拿到这道菜肴的菜谱，源代码就相当于菜谱。

就传统软件而言，开源在技术层面基本没有争议（即公开源代码），但在法律层面则有一定的灰度。在完全自由和严格限制之间，可以有无数种中间状态。这就使得不同的人所说的开源的含义可能不同。

OSI（开源促进会）是全球开源运动的守门人和定义者，其维护的《开源定义》（OSD）被认为是开源领域的权威文件。根据最新版的OSD，只有满足以下全部10条标准的软件许可证才能被称为“开源许可证”：

（1）允许自由再分发

（2）公开源代码

（3）允许衍生作品

（4）维护作者源代码的完整性

（5）不得歧视个人或群体

（6）不得歧视使用领域（如商用）

（7）许可证随软件一并分发生效

（8）不绑定特定发行包

（9）不得要求配套软件也开源

（10）不得绑定特定技术或接口

OSI不能在法律上阻止别人以其他方式来定义或使用“开源”一词，但它通过许可证审核机制和公开声明，来尽量维护开源一词的纯洁性。全球开发者、企业和法律界普遍认为，只有 OSI 批准的许可证，才是真正的开源许可证，但并不妨碍其他组织或个人将未经OSI批准的许可方式也称为开源。

目前，OSI已批准的开源许可证中现行有效的有80余个，但在实践中，大多数开源项目都采用少数热门许可证，包括MIT、Apache 2.0、GPL、BSD、Mozilla Public License等。

二、开源为什么重要？

软件开源之所以重要，是因为源代码是人类程序员写的，也是人类可读的。现在AI开始代替人类写代码，但AI写出来的代码仍然是人类可读的，这一点没有变化。有了源代码，程序员就可以方便地进行软件的研究、维护、改进、再编译和再分发，进而形成软件生态。

如果软件是闭源的，即外部只能获得目标代码而没有源代码，想直接在目标代码上进行研究、维护和改进是很困难的，因为目标代码是给机器“读”的，而不是给人类读的。人类程序员可以驾驭更接近自然语言的源代码，难以驾驭作为机器语言的目标代码。

而且，想从目标代码反向获得源代码也很困难。源代码经过编译器的编译，成为目标代码，这个正向过程是比较容易的；但是，从目标代码到源代码，这个反向过程比较困难，这被称为反编译。

反编译之所以困难，是因为编译是个有损过程，源代码经过编译、链接和优化之后，大量信息丢失，包括变量名、函数名、注释与文档、宏定义、模板实例化、内联函数的细节以及高级语言结构等。这些丢失的信息在反编译过程中无法恢复。反编译得到的是可读性极差的伪代码或汇编代码，而非可维护、可理解的原始源代码，工程价值有限，难以支撑常规的软件维护与二次开发。叠加现代软件常用的代码混淆和加壳技术，反编译更加困难。

此外，反编译还受到法律的严格限制。各国法律虽不直接禁止反编译行为本身，但反编译所涉及的复制、改编行为原则上受版权控制，仅设有有限例外，如为互操作性目的反编译。商业软件的许可协议通常还以合同条款禁止反编译。

正是因为上面两个困难的存在，开放源代码才变得极为重要。

有了源代码，开发者以外的人可以非常方便地参与软件的研究、维护、改进，如重构软件、添加新功能、社区协作、代码审计、修复安全漏洞以及针对新平台重新编译等，这些对于软件本身以及软件生态都极其重要。这正是开源运动的初衷。

仍然以烹饪菜肴来做类比。公开菜谱（源代码）之所以重要，是因为直接从烹饪好的菜肴（目标代码）来研究和改进菜肴很不方便；想从成品菜肴来反推（反编译）菜谱也很困难，因为隐藏的食材、调料、配方、火候这些信息在烧菜过程中损失掉了，无法通过反推完全复现出来。

三、AI模型与传统软件有什么区别？

传统软件与 AI 模型的开发，是两种不同的知识创造方式：前者是人类将知识显式地编写进规则中，后者则是机器从数据中隐式地学习知识，形成规则。

从开发过程来看，AI模型与传统软件的对比如下：

比较维度	传统软件	AI模型
核心活动	编程（人类程序员用高级语言编写明确的规则）	训练（通过机器学习，算法自动从训练数据中提取模式，调整参数）
输入	需求文档+人类设计	训练数据+算法架构+算力
过程可控性	高（每行代码的行为可预测、可调试、可追踪）	低（训练过程涉及随机初始化、随机采样、分布式训练的非确定性，结果难以精确复现）
迭代方式	修改代码	调整超参数、数据配比或架构后，进行重新训练
调试对象	代码逻辑	损失函数、梯度爆炸/消失、数据分布、模型架构
开发成本	主要是人力成本	人力成本+巨额算力成本（GPU集群+电费）

从开发成果来看，AI模型与传统软件的对比如下：

比较维度	传统软件	AI模型
成果物	源代码	推理代码+模型参数(含权重)+训练代码+训练数据
知识载体	源代码中的逻辑规则（人类可读）	权重矩阵中的数值（人类不可读）
可审计性	高（阅读源代码即可理解软件行为）	极低（即使拿到权重，也无法理解单个参数的含义）
可修改性	直接修改源代码，重新编译	微调权重，或重新训练；无法像修改代码那样精确编辑某一项能力
可复现性	给定源代码和编译器，结果确定	即使公开全部组件，完全复现训练结果也几乎不可能（随机种子、分布式训练）
Bug修复	先定位代码，再修改逻辑，然后重新编译	通常无法定向修复某个错误行为，只能通过更多数据或RLHF调整概率分布
版本管理	Git管理源代码，版本边界清晰	权重文件以GB/TB计，版本管理困难，通常保存checkpoint而非增量更新

从上述对比可见，AI模型是一个多组件的系统，包括推理代码、模型参数、训练代码以及训练数据等，比传统软件复杂很多。

其中，训练代码是指从零开始训练模型或继续训练或微调所需的代码，它决定模型如何从训练数据“学习”到权重，包括架构定义、数据预处理、损失函数、分布式训练逻辑、评估与验证等组件。没有训练代码，就无法从头复现模型。训练代码用于模型训练阶段，相当于菜肴的烹饪方法。

训练数据是指训练或优化模型的数据集合，是机器学习的原材料，是模型从“无知”到“有知”的信息来源，相当于菜肴的食材配方。

推理代码是指加载已训练好的参数权重，接收输入并产生输出所需的代码，它决定模型如何运行和被调用，包括模型加载器、架构定义、分词/预处理、前向传播逻辑、后处理与解码、推理优化以及API封装等组件。没有推理代码，权重仅是一堆数值，无法运行。推理代码用于模型部署运行阶段，因模型从输入到输出的运行过程被称为推理，故名推理代码，相当于菜肴的品尝指南。

参数是指模型学习中所有可学习的变量，包括权重、偏置等，是机器学习（或者说训练）的成果。参数规模是衡量模型能力的重要参考指标之一。严格来说，权重不等于参数，权重是参数的真子集，参数还包括偏置等；但由于权重占据了参数的大部分，故在实务中，二者经常混用，“开放权重”约等于“开放参数”。模型参数相当于菜肴成品。

既然AI模型与传统软件有本质差异，就引出一个问题，AI模型的开源到底该如何做？是像传统软件那样开放源代码吗？还是开放参数权重呢？选择和评判的依据又是什么？

四、什么是AI模型的开源？

根据OSI的观点，开源运动的核心精神是四项自由：使用自由、研究自由、改进自由、分享自由，这种精神应同样适用于AI模型。

如何定义AI开源？

OSI延续了从基本自由出发的思路，没有一上来就直接要求开放某些特定文件，而是比照传统软件的开源，要求开源AI必须赋予使用者四项自由：

（1）出于任何目的使用该AI模型，无需申请任何许可；

（2）研究该AI模型的运行原理，核查其组件；

（3）出于任何目的修改该AI模型，包括改变其输出；

（4）出于任何目的向他人分享该AI模型（无论是否修改），供他人使用。

在此基础上，OSI指出，行使上述各项权利的前提是，可获取用于修改该AI模型的“首选修改载体”（preferred form for making modifications）。OSI进一步指出，对基于机器学习的AI模型来说，“首选修改载体”必须完整包括以下三类文件：

（1）数据信息。需提供足够详尽的训练数据相关信息，确保专业技术人员能够复刻出功能相当的AI模型，具体包括：

（a）全部训练数据的完整说明，若涉及不可共享数据，需披露数据来源、适用范围、数据特征、获取与筛选方式、标注流程、数据处理及过滤方法；

（b）所有公开可获取训练数据的清单及获取渠道；

（c）所有第三方训练数据的清单、获取渠道（含付费渠道）。

OSI没有要求开放训练数据本身，而只要求开放与训练数据有关的信息，主要出于版权、隐私及商业秘密等方面的顾虑。开放训练数据本身可能会使开源方暴露于巨大的版权侵权和侵犯隐私的风险之中。

（2）代码。用于AI模型训练和运行的完整源代码，即我们上面所说的训练代码和推理代码。代码需完整体现数据处理、数据过滤及模型训练的全部技术规范，具体包括数据处理与过滤代码、含参数配置与运行设置的训练代码、验证与测试代码、分词器等配套工具库、超参数搜索代码、推理代码及模型架构代码。

（3）参数。模型权重及各类配置参数等，可包括模型训练关键中间阶段的检查点文件，以及最终优化器状态参数。

“基本自由”加上“首选修改载体”，就是OSI给出的开源AI定义（OSAID）。在这里，OSI绕了一个圈子，通过“首选修改载体”间接给出了AI模型开源的具体要求。这一曲笔，是不想让OSAID变成一份合规清单，防止开发者为了满足清单要求而开放一些无用的文件，却依然剥夺用户修改模型的能力；同时为AI技术的未来演进留下足够的空间，可实现“开放载体随技术演进不断变化，而可修改AI模型的自由始终得到保障”的目标。

OSI还特别强调，机器学习系统的“首选修改载体”，不仅适用于整个系统，还同样适用于系统的各个组件。这是为了防止企业通过“组件级封闭”来伪装成“系统级开源”。任何一个系统组件，只要它影响了AI模型的表现，就必须以“首选修改载体”的形式开放，不能把闭源的黑盒藏在开源的系统里。

显然，按照OSAID，仅仅开放模型权重或参数未达到开源AI的标准。

仅开放权重，原则上连使用模型都成问题——没有推理代码，模型跑不起来——更不用说修改和改进模型了。

当然，现代 AI 基础设施（Hugging Face 生态、Transformers 库、vLLM 等）已经标准化了大部分推理代码，对于标准架构的模型，有了权重文件，通常就足以让通用框架自动识别架构、加载权重、执行推理。因此，“开放权重”在实践中约等于“可以使用模型”，类似于传统软件提供“免费下载”的效果。

如开放权重采用的是宽松许可证（如MIT或Apache2.0），则使用者甚至可以对模型进行微调，尽管在缺乏训练代码和数据信息的情况下，修改或改进的空间很有限。

无论如何，开放权重是AI开源的第一步，是前提和基础，舍此则AI开源无从谈起。模型权重一旦开放，其他企业和个人可以自行部署和使用AI模型。如文首Dario所说，使用者仍然需要承担电费和设备成本。但使用者无需为每次调用模型付费（即Token订阅费，除去电费与设备成本，其中可能隐藏着先进模型垄断产生的超额利润，这一点Dario可没提）。这也是为什么仅开放权重不符合OSAID，但依然意义重大。对那些既无力自行研发AI模型，也无力承担高昂的Token订阅费的国家、企业和个人来说，开放权重具有普惠的意义，其重要性尤其不容忽略。当前中美之间的AI生态发展路线之争，关键点正在于此。

回到OSAID，开源AI必须达到“可以修改AI模型”的程度。要从“能用”到“能改”，除了开放模型权重外，还必须开放训练代码和数据信息。这是显然是更高的要求了。

继续沿用烹饪菜肴的类比。仅开放模型权重，相当于仅提供菜肴成品，加上容易获得的标准化的推理代码（相当于众所周知的“品尝指南”），可以实现“品尝菜肴”的目的；但要做到可以“改进菜肴”，还需要同步公开烹饪方法（训练代码）和食材配方（数据信息）。

五、AI模型的开源在法律层面如何实现？

通过“首选修改载体”这一媒介，OSAID巧妙地界定了AI模型在技术层面的开源，那法律层面呢？

在OSAID中，OSI对AI模型开源的法律机制采取了暂时“留白”的策略：

本开源人工智能定义不要求以特定法律机制来确保模型参数向所有人自由可得。模型参数可依其性质天然自由，也可能需要借助开源许可证或其他法律文书来保障其自由。随着法律体系有更多机会处理开源人工智能系统，相关界定预计将逐步明晰。

OSI想表达的意思是，OSI只关心模型实际上有没有开放，而不管用哪种法律方式来开放。OSI这样处理，可能出于以下三方面的考虑：

（1）模型参数的版权属性未定

在传统软件中，源代码毫无疑问受版权法保护。因此，开源软件必须依赖特定的开源许可证（如GPL、MIT）来授予用户权利。

但是，AI模型的参数（权重）到底是什么法律属性？目前全球法律界没有共识。有人说它是“事实”或“数据”，因为参数是机器通过算力从训练数据中提取出的数学规律，不是人类编程写出来的。如果是事实或单纯的数据，它就不受版权法保护，直接进入公有领域。有人说它是商业秘密，很多企业（如OpenAI）把模型权重视为核心商业机密。还有人主张类比数据库予以保护，认为参数构成“汇编作品”而受版权保护，或认为开发方为生成参数投入了巨大资金与算力，应享有类似欧盟数据库特殊权利（sui generis right）的保护。

正是因为参数的法律属性未定，如果OSI强制要求使用开源许可证来保障模型参数开放，在法理上说不通。如果法律根本不承认参数有版权，又如何用“版权许可证”去授权它呢？

（2）承认“天然开源”的合法性

OSAID中有一个非常微妙的表述：“模型参数可依其性质天然自由”。这是OSI给学术界和研究界开的一个绿灯。很多大学或研究机构发布的模型，没附带任何许可证文件，直接把 .bin 或 .safetensors 文件发布在HuggingFace上。

在传统软件领域，没有许可证意味着“保留所有权利”，他人原则上无权复制、修改与再分发。

但在AI领域，如果权重本身不受版权保护，那么它一公布，在版权法意义上即进入公有领域。不过，“公有领域”仅是版权法概念，并不意味着不受任何约束——仍可能受合同法（如下载页面的使用条款）、欧盟数据库特殊权利或反不正当竞争法等限制。

OSI通过这句话承认：参数可以不借助许可证而开放。但需注意，OSAID的FAQ同时要求，分发参数时必须随附“保证参数向所有人自由可得”的明确声明（explicit assertion）。因此，完全不附任何文字说明的发布方式，并不符合OSAID。

（3）为定制化协议留出过渡空间

目前大厂发布的“开源”模型（如Meta的Llama系列、Google的Gemma），都不是用传统的OSI认证的开源许可证。而是使用定制协议，里面通常包含一些限制条款（例如：月活跃用户超过7亿需另行授权，或禁止用模型输出训练其他大模型等）。

虽然这些附加限制不符合开源精神，但它们是目前AI领域的常见做法。如果OSAID写得太死，就会立刻把Llama等业界主流模型全部打成“伪开源”，这会让OSAID变成一纸具文，无人遵守。

OSI通过这句话表达了一种妥协和务实：我们目前不追究你用了什么法律文书（哪怕是定制协议），只要你的协议实际保障了那四项基本权利和参数的开放性。等以后AI法律体系完善了，再适当调整开源标准也不迟。

OSI希望通过OSAID，在AI领域延续软件开源的精神。但是OSAID暂时没有像它的“前辈”OSD那样，获得广泛的国际认可与支持。激进的一方（如自由软件阵营）认为，OSAID仅要求提供数据信息而不要求提供原始训练数据本身，不符合“首选修改载体”标准，违背了开源精神。保守的一方（如Meta）则认为OSAID过于狭窄，不应存在单一的开源AI定义。Meta内心的小九九，大家都懂。

还有人认为，AI模型与传统软件有本质差异，开源（Open Source）这个术语本来就不应该套用于AI模型，因为权重不是“源代码”，训练过程也不是“编译”，旧瓶装不了新酒。简直一语中的!

六、当前AI模型开源的实践如何？

当前，真正达到OSAID开放程度的AI模型极少。OSI在定义验证阶段通过的仅有Pythia（EleutherAI）、OLMo（艾伦人工智能研究所，Ai2）、Amber与CrystalCoder（LLM360）、T5（Google）等研究型模型，均非当前的主流模型。

目前最实用的开放方式是“开放权重+宽松许可证”，即模型权重可下载，使用 MIT 或 Apache 2.0 许可证，无 MAU 限制、无用途限制、可商用、可再分发，但训练代码和数据未完全公开，包括如下几款模型：

模型	机构	许可证
DeepSeek V4 / R1	DeepSeek	MIT
Qwen3-Coder / Qwen3.5	阿里巴巴	Apache 2.0
Gemma 4	Google DeepMind	Apache 2.0
Mistral Large 3	Mistral AI	Apache 2.0
GLM-5.2 / GLM-5	智谱/Z.ai	MIT
Kimi K2.6	Moonshot	改良版MIT（Modified MIT）
Phi-4	Microsoft	MIT
gpt-oss-120b	OpenAI	Apache 2.0

另有一些模型开放程度稍低一些，权重可下载，但附带用途限制、MAU 门槛或地域限制，如：

模型	机构	许可证	关键限制
Llama 4	Meta	Llama 4 Community License	MAU超7亿需另行授权；禁止使用模型输出改进其他大模型；多模态模型不向欧盟境内的个人和企业授权
Gemma 3	Google	Gemma Terms of Use	非 OSI 批准；可接受使用政策（AUP）限制

七、结语

回到本文标题之问——开放权重是不是开源？至少不是OSAID意义上的开源。它只交付了“首选修改载体”三要件中的参数一项（加上事实上已标准化的推理代码），让用户“能用”而未必“能改”。但开放权重仍有重要的普惠意义。

未来，AI开源的定义之争、开源与闭源的路线之争，还将持续；模型参数的法律属性与开源AI的法律机制，亦有待立法与司法的进一步回答。

---