过去三年,国内现象级开源大模型出海的背后,几乎都有王铁震的身影。从 Google TensorFlow 到 Hugging Face 亚太生态负责人,他亲历了零一万物的架构风波、千问写入阿里财报、DeepSeek R1 与 Kimi K2 引爆全球等关键节点。
然而,这位开源社区的核心推手近期却抛出疑问:“现在是否是开源模型的至暗时刻?”他认为,新模型供给过剩稀释了注意力,安全风险令开源变得谨慎,而闭源巨头正以成本优势切入开源“甜点区”。与此同时,模型体量膨胀导致推理门槛激增,普通开发者已难以负担。
今年 5 月,王铁震离开 Hugging Face,加入由 vLLM 核心团队创立的 Inferact,转向更底层的推理生态。在杭州的一次深度交流中,他复盘了中国开源大模型的发展历程,并指出行业破局的关键不再单纯是卷参数和榜单,而是“想明白怎么赚钱”。
职业轨迹:从 TensorFlow 到 Hugging Face
王铁震的职业主线始终围绕“让技术更易用”。在 Google TensorFlow 团队期间,他见证了开源从内部代码公开到构建全球生态的过程。当时的开源模式极为开放,内部代码经自动化脱敏后直接发布,内外共用一套代码库,这种真诚赢得了大量开发者信任。
离开 Google 后,他选择加入 Hugging Face,看中其比 Google 更开放的基因。Hugging Face Hub 作为 AI 界的 GitHub,解决了社区模型分发难、审核严的问题。2022 年底加入时,正值 ChatGPT 发布前夕,他协助国内团队完成模型上架、制定开源策略及海外推广,见证了中国开源社区的爆发式增长。
在 Hugging Face 期间,他还推动了开源机器人项目。针对机器人领域硬件门槛高、开发链条长的问题,团队联合前特斯拉工程师推出低成本、3D 可打印的开源机械臂(如 LeKiwi、Micro Duck),将硬件成本降至千元级别,降低了具身智能的开发门槛。
模型演进:从“权重网盘”到生态博弈
早期开源模型往往只是将权重上传至网盘,开发者体验极差。随着行业成熟,模型上架流程日益规范化:提前适配主流推理框架(如 llama.cpp)、提供强化学习支持、预设应用场景等。这一过程需要高度组织化的协作,甚至涉及跨时区的连夜调试。
零一万物:开源规则的普及课
零一万物(Yi)发布时曾因架构来源引发舆论争议。王铁震认为,这场风波客观上是一次全民开源科普,让大众厘清了开源协议、架构复用与“套壳”的区别。零一万物快速修正模型卡信息,并采用 Hugging Face 独立实现的 Apache 2.0 协议代码,确保了法律合规性。此次事件也显著提升了零一万物的品牌知名度。
通义千问:研究员的首选基座
千问系列凭借持续的高频更新和强大的可塑性,成为研究员微调训练的首选基座模型。其衍生模型数量突破 30 万,形成了强大的网络效应。相比单点押注超大参数旗舰模型,千问在全尺寸覆盖、尤其是端侧中小尺寸上的出色表现,构建了极高的生态壁垒。
DeepSeek 与 Kimi:时机决定影响力
DeepSeek R1 通过展示思维链蒸馏能力震撼全球;Kimi 则在 DeepSeek 之后迅速跟进开源,凭借在 Coding 和 Agent 场景的优势踩中时间窗口。王铁震指出,Kimi 的成功在于抓住了市场对新前沿模型的期待空窗期。如今,由于供给过剩,单纯发布新模型已难复现当年的轰动效应,除非在技术路线(如 Diffusion LLM)或垂直场景上有重大突破。
“至暗时刻”:开源面临的多重挑战
王铁震所言的“至暗时刻”,并非指技术停滞,而是指开源模式的边际效益递减。
注意力稀释与安全顾虑
同质化竞争导致单个模型获得的关注度大幅下降。此外,随着模型能力增强,安全风险成为不可忽视的因素。闭源模型可通过切断 API 控制风险,而开源模型一旦扩散便无法收回。企业在发布开源模型时需更加慎重,甚至在 License 中加入商业化限制,这在一定程度上抑制了开源活跃度。
闭源模型的降维打击
闭源巨头引入递归自我改进(RSI)等机制,大幅降低推理成本并提升性能。当闭源 API 既便宜又好用时,开源模型在成本和便利性上的优势被削弱。目前,开源模型在顶级智力竞争上已难以与最强闭源模型抗衡,更多侧重于应用性和性价比。
破局之道:商业化落地与端侧困境
面对挑战,王铁震认为开源的下一步破局点在于商业化落地。现有的开源模型能力已完全“够用”,关键在于如何将智能与真实世界的数据结合,创造实际价值。
从“烧石油”到“化工原料”
大模型如同石油,单纯作为燃料(基础对话)价值有限,需通过精加工(结合私有数据、特定场景)转化为高附加值产品。例如,基于个人通讯记录的长期记忆助手,才是真正能改变生活的刚需应用。
端侧模型的盈利难题
尽管端侧小模型在隐私保护和低延迟方面具备优势,但商业模式尚未跑通。目前,端侧模型的技术红利主要被苹果等硬件厂商收割,模型开发者难以直接获利。消费者是否愿意为本地化运行牺牲体验和支付硬件溢价,仍存在不确定性。因此,现阶段产业主航道仍在云端,端侧爆发的真正拐点需等待硬件算力进一步跃升及商业闭环的形成。
未来展望:开源与闭源的融合
王铁震预测,开源与闭源并非二元对立,而是走向深度融合。开源类似“IBM 兼容机”路线,依靠生态协作;闭源类似“苹果路线”,追求垂直整合。未来,带有商业限制的“开放权重”将成为主流,旨在平衡生态繁荣与商业回报。
对于 DeepSeek 等机构而言,彻底开源推理引擎等底层设施,有助于降低社会整体推理成本,树立行业标杆。但对于大多数企业,务实的商业化授权更有利于可持续发展。
终极追问:回归基础科学
展望未来三至五年,当 AI 成为像水电煤一样的基础设施,关注点将回归基础科学。目前人类对大模型内部机理仍知之甚少,这种“黑盒”状态引发了安全焦虑。
未来的研究重点将是理解智能涌现的第一性原理,如权重协同工作机制、相变临界点等。只有通过白盒化的科学理解,才能从根源上解决模型安全问题,实现真正的可信 AI。正如人类对石油的理解从“燃烧”深入到“分子结构”,对大模型的认知深化将是下一代技术突破的关键。
图丨 Micro Duck(来源:Hugging Face)
图丨美国反 AI 游行(来源:WikiPedia)

