从开放权重到开放生态，AI 开源进入下半场
Meta 推出 Muse Glimmer 开放权重模型，Kimi K3 与 Qwen 探索商业可持续机制，AI 开源正从…
近日 AI 开源圈出现两件值得关注的事：一方面 Meta 持续加注开放权重，8 月 10 日据 Reuters 报道，Meta 推出面向本地 Agent 工作负载的开放权重模型 Muse Glimmer，并预告后续将开放更大模型权重，强调 AI 能力应被更广泛获得和使用；另一方面，开放模型的「免费」属性正在被重新定义。Moonshot AI 7 月底发布 Kimi K3 权重，模型可下载、部署和修改，但其 License 同时写入商业条款：若企业及其关联方经营 MaaS（Model-as-a-Service）业务，且合计总收入在任意连续 12 个月超过 2000 万美元，将其用于商业用途前须与 Moonshot AI 另行达成协议，并对达到特定规模的商业产品设置品牌露出要求。据 Reuters 8 月 7 日报道，阿里巴巴也在探索 Qwen3.8-Max 面向大规模商业使用的新机制。具体方案虽未公布，但从 Kimi 到 Qwen，一个变化正在显现：当开放模型进入更大规模的生产环境，商业可持续性开始成为绕不开的议题。
开放模型的竞争已不只看能力
过去两年，关于开放模型的讨论常围绕一个坐标轴：能力。开放模型与闭源模型谁更强、差几个百分点、谁在基准上追到了谁，这个问题并未消失，但随着开放权重模型能力不断提高，它已难以概括当前的全部竞争。从 Kimi K3 到 Qwen3.8-Max，模型规模与能力边界持续向前，但对开发者和企业而言，模型能力不再是唯一的选择标准。以下问题变得同样重要：
- 模型能否私有部署；
- 数据是否需要离开自有环境；
- 能否针对业务继续微调；
- 推理成本是多少；
- 未来能否迁移；
- 依赖一家 API 服务，还是拥有完整的技术控制权。
选择开放模型的开发者，往往并非参与一场关于开源精神的讨论，而是需要控制成本、保护数据、定制模型，或避免整个 AI 系统被绑定在单一供应商身上。开放模型由此从一种技术路线，逐渐演变为一种基础设施选择。但与此同时，一个常被忽略的问题开始浮出水面：开放模型本身同样需要大量资金。
大模型的商业逻辑需要被重新回答
传统软件时代已形成相对成熟的免费分发 + 商业服务模式。复制一份 MySQL 或 Linux 的边际成本很低，真正昂贵的是围绕它提供的服务。大模型则不同：模型从训练起就是重资产；部署后，每次推理仍持续消耗 GPU、存储、网络与电力。到了 Agent 阶段，一个用户请求可能对应规划加上多轮推理、多次工具调用与上下文读写。
今年 8 月，Linux Foundation 正式启动 Tokenomics Foundation，希望建立 AI 成本与价值衡量的开放标准，回答两个朴素的问题：AI 到底花了多少钱，这些智能又创造了多少价值。此前 Linux Foundation 6 月宣布筹建该组织时就指出，随着生成式 AI 与 Agent 工作负载从试验走向生产，Token 正在成为一种新的技术支出单位。
Kimi K3 License 的「2000 万美元」门槛是否合理尚可讨论，但它至少把一个问题摆上台面：若一家商业平台直接利用开放模型提供大规模 MaaS 服务并获得可观收入，模型的原始开发者是否应分享其中一部分商业价值？开源从来不等于免费使用，这一认知在软件行业并非新知识，但在 AI 时代，成本结构变了，商业边界也需要重新回答。
开源模型与开放权重不是一回事
按 Open Source Initiative（OSI）发布的 Open Source AI Definition，符合定义的 Open Source AI 需给予使用者使用、研究、修改和分享系统的自由，同时提供足以对系统进行修改的信息与材料。OSI 特别指出，仅公开最终训练好的权重并不意味着整个 AI 系统已经开源，因为训练代码、数据来源与模型形成过程仍可能不可获得。
对于软件，一份源代码大体能说明程序的来源；但一个模型背后还有训练数据、数据处理流程、训练代码、权重、评测体系与越来越长的模型工程链。究竟开放到哪一层才足以让别人理解、修改与复现它，行业目前尚无所有人都接受的答案。
这一讨论也已从开发者社区进入更广泛的产业与治理议题。在 2026 世界人工智能大会暨人工智能全球治理高级别会议发布的主席声明中，「开源开放」被明确列为推动人工智能普惠发展的重要路径，同时强调以负责任的方式共建开源生态，重视知识产权保护并将数据安全、风险治理与智能体的决策权限和行为边界纳入治理讨论。
当模型越来越容易获得，稀缺的东西开始变化
把一个开放模型放进业务，很快就会遇到另一套问题：Agent 怎样调用外部系统；多 Agent 如何分工并判断任务真正完成；发生错误能否追踪；高风险操作由谁审批；一段能力能否被封装复用，而非每次重写 Prompt；仿真环境的结果能否迁移到真实机器人；一个漂亮的研究结果能否被复现。这些问题考验的不再只是「模型有多聪明」，而是模型之上的工程、工具、协议、数据与协作体系。
AI 开源由此发生一个重心迁移：从开放一个模型，走向开放一套可以继续 Build 的能力。判断一个开源 AI 项目价值时，GitHub Star、下载量与基准分数都开始显得不够；项目是否留下可运行的代码、接口与文档是否清晰、别人能否重新部署、实验能否复现、一段能力能否迁移到另一个场景，这些工程问题正在重新定义「开放」的含金量。
由杭州市开源人工智能基金会发起的世界人工智能开源大赛（GOAI）提供了一个观察样本。赛事将四个赛道分别放在 Agent 基础设施、Agent 行业应用、AI for Research 与具身智能上，对应的正是模型离开基准后需要面对的几类问题，官方规则反复强调可运行、可验证、可复现，以及真实场景与开源价值。
「Open」之后还得有人继续往前走
四个赛道背后其实是同一个问题：模型已经在那里了，然后呢？真正拉开差距的，可能是另一组东西：谁能把模型变成可靠的系统；谁能把一次性的 Demo 变成可复用的能力；谁能让实验被重新验证；谁能把软件世界里的智能送进真实的业务、科学实验与物理设备；以及谁愿意把这些过程留下来，让后来者不必从零开始。
Linux 的意义从来不只是 Linus Torvalds 放出了第一版代码，Kubernetes 的意义也不只是 Google 公布了一套代码。一个开源项目真正产生影响，往往发生在第一次发布之后：有人使用、有人修改、有人发现问题，有人把它带到原作者没有想过的地方。AI 大概也不会例外。2026 年再讨论 AI 开源，问题已不能停留在「权重开不开」，模型怎样开放、商业价值怎样分配、安全责任怎样划分、开放资产怎样被复用，这些问题正一起出现。模型有发布日期，生态没有。