开源AI真的更具创新性吗？这取决于技术栈的层级
开源与专有AI之争并非关乎孰优孰劣，而在于各自擅长的领域。一项针对整个数字经济的全面分析发现，开源已在“基础设施层占据绝对主导地位”（如操作系统、数据库和云基础设施），而专有模型则在经济与政治权力集中的界面层和服务层保持优势[5]。这意味着开源AI往往推动着人人赖以构建的基础工具创新，而专有AI则在多数人直接接触的精良产品中实现突破。
一项基于数据驱动的大语言模型（LLM）研究证实，开源社区能够显著提升模型性能，社区驱动的改进在保持性能不变的同时实现了效率提升[4]。这表明开源开发协作透明、开放共享的特性，能够加速底层技术的优化进程。然而，该研究同时指出，专有模型得益于海量数据与计算资源的巨额投入，更有可能在前沿领域实现快速突破[4]。
开源AI明显超越专有AI的领域：成本、可及性与社区驱动优势
开源AI大幅降低了准入门槛。其中，HeX-HAG框架通过用递归式AI监督循环替代昂贵的人工反馈，将AI模型训练成本削减了高达97%——从基准的2.5万至4.5万美元降至仅需700至1100美元[2]。这种成本骤降意味着，小型实验室乃至独立研究者如今也能训练出具有竞争力的模型，从而将此前仅局限于少数精英机构的创新成果普及化[2]。
社区贡献也直接提升了生产力。一项针对GitHub Copilot的研究发现，其使用使开源项目的项目级代码贡献量增加了5.9%，这得益于开发者参与度提升了3.4%，以及个人生产力提高了2.1%[1]。尽管由于代码讨论增多，协调时间增加了8%，但净效果仍然是积极的[1]。同样，Meta委托进行的一项调查显示，89%的组织在其AI技术栈中使用了某种形式的开源技术，63%的组织使用了开源模型，理由是成本效益高、开发速度更快以及输出质量更高[8]。
开源技术还能推动专有模型往往忽视的领域特定创新。例如，Flukebook 是一个开源AI平台，可通过照片识别鲸鱼和海豚个体，拥有37个物种专属识别流程，并汇集了250多位研究人员的200多万张照片——这种规模的保护研究协作，专有工具难以轻易复制[10]。而在6G无线网络领域，开源边缘AI框架（OpenEAI）被设计用于将AI服务解耦为独立功能，这些功能可重新组合成定制化应用，这正是专有系统难以实现的[9]。
专有AI仍占优势之处：精良、整合与治理
尽管开源在成本和社区创新方面具有优势，但专有AI通常在用户体验、集成度和可靠性上更胜一筹。同一项全面分析显示，开源在基础设施层面占据主导地位，同时也发现专有模型在界面和服务层——即用户实际接触的部分——仍保持领先[5]。这是因为专有公司能够投入大量资源，使其产品更流畅、更安全、支持更完善。
一项针对教育任务中开源小型语言模型（SLMs）与OpenAI专有模型的直接对比研究发现，尽管某些SLMs在某一任务（算法描述评分）上表现优于专有模型，但在另一任务（区分算法与非算法）上，专有模型仍占据领先地位[7]。这表明，在那些对一致性和精细度要求极高的特定高风险应用中，专有模型依然能够脱颖而出。
开源也面临着显著的治理与伦理挑战。一项定性研究指出了知识产权问题、潜在滥用风险以及技术复杂性等隐患，并得出结论：开源需要标准化的审计框架和健全的治理政策，以确保伦理合规性[6]。该研究同时指出，专有模型虽然不透明，但可通过合同与法律责任追究其责任——而这正是开源项目所欠缺的[6]。此外，搭便车问题以及维护者倦怠风险，也是开源生态中长期存在的顽疾[5]。
公共部门机构面临着一个微妙的抉择。对澳大利亚、加拿大和德国31位决策者的访谈显示，开源人工智能虽能带来数字主权与数据保护等优势，但也需要在硬件和内部能力建设上投入大量前期成本——这些投入将产生长远影响[3]。相比之下，专有人工智能往往更易于快速采用，因为它自带支持服务和集成功能[3]。
本文引用的文献
生成式人工智能对协作式开源软件开发的影响：来自GitHub Copilot的证据
GitHub Copilot 使开源项目的代码贡献量提升了5.9%，这得益于开发者参与度增长3.4%以及个人生产力提高2.1%，但协调时间却增加了8%。
HeliXHydrAegis（HeX-HAG）：一种基于递归智能学习、结合AI监督与动态网络集成的务实型AI训练框架
HeX-HAG框架通过用AI监督替代人工反馈，将AI训练成本降低了高达97%（从25,000–45,000美元降至700–1,100美元）。
对开源AI持开放态度？公共部门机构如何选择AI模型
公共部门机构发现，相较于传统开源软件，技术适配性、控制权及硬件基础设施对人工智能采纳的影响更为显著，且人工智能模型更具同质性，切换也更为便捷。
开源是人工智能的未来吗？一种数据驱动的方法
社区驱动的开源大语言模型修改可以在不牺牲性能的前提下提升效率，且特定架构能从开源参与中获得不成比例的收益。
开源软件与专有软件
开源主导着数字经济的基础设施层，而专有模型则主导着经济与政治权力集中的接口层和服务层。
开源人工智能算法：关于透明度、偏见缓解与伦理问责的定性研究
开源人工智能有助于提升公平性、透明度和公众信任，但也面临知识产权、潜在滥用风险及技术复杂性等挑战。
开源还是专有语言模型？教育任务评估的初步比较
在一项教育任务中，OpenAI的专有模型在某一任务（区分算法与非算法）上表现领先，而一些开源的小语言模型则在另一任务（评分清晰度）上更胜一筹。
开源人工智能的经济与劳动力影响：来自行业、学术界及开源研究出版物的见解
89%的组织在人工智能技术栈中使用开源技术，63%采用开放模型。开源AI被认为具有成本效益、能提升生产力，并加速协作创新。
面向6G无线网络的开源边缘人工智能
面向6G无线网络的OpenEAI框架将边缘AI服务解耦为独立功能，这些功能可根据用户需求重新组合成定制化实例。
Flukebook：一个用于鲸类照片识别的开源人工智能平台
Flukebook是一个用于鲸类照片识别的开源人工智能平台，拥有37个物种专属处理流程、超过200万张照片，以及来自250多位研究人员的5.2万个已识别个体。