为什么专有 AI 领先于开放 AI 模型

今年八月，白宫接待了来自全国顶级人工智能公司的代表。据报道，在一次闭门会议中，领导人讨论了自愿人工智能安全测试用于高级人工智能模型。

这些法规只涵盖被认定为“国家安全威胁”的专有模型，但排除开源和开放权重的人工智能模型。

对专有模型的更高审查如下对开源和开放权重AI模型的需求这一趋势正在上升，主要受性能提升和美国前沿系统商业成本飙升推动。

在他长期运营的科技博客MIT Initiative关于数字经济数字研究员的近期文章中欧文·弗拉道斯基-伯格解析了围绕开源AI模型采用和使用不断演变的复杂性。

摘自IDE研究科学家和Microsoft首席经济学家的最新研究弗兰克·纳格尔除了来自人工智能技术领袖的见解外，Wladawsky-Berger提出了他自己关于专有模型为何占主导地位以及技术未来走向的理论。

以下是帖子中的例外。

专有AI模型与开放AI模型：实验→学习→专注于→规模

开放式AI模型提出了一个引人入胜的经济难题。它们通常能以极低的成本提供接近领先专有模型的性能。然而，企业仍然压倒性地偏好封闭式专有模型——根据某些指标，它们在企业AI支出中的份额实际上在增加。

这是为什么呢？

答案可能与开放AI与专有AI的优劣关系不大，更多取决于企业目前在AI采用曲线上所处的位置。

“人工智能正在以现代科技史上罕见的速度重塑经济体系，”他写道弗兰克·纳格尔——麻省理工学院的研究科学家数字经济倡议以及新任首席经济学家在Microsoft 人工智能经济研究所， ——在2025年11月的一篇博客中，揭示人工智能时代开放模型的隐秘经济学.”

“然而，在这股激动之中，故事中有一个关键部分却缺失了，”他补充道。“具体来说，理解开放模型在人工智能经济中的作用，以及当组织忽视开放替代方案时，留下了多少价值，是两个需要深入探讨的话题。”

在”开放模型在人工智能经济中的潜在角色,”突然以及佐治亚理工学院教授岳丹尼尔通过分析AI模型的使用情况、价格和性能的全面数据集，深入探讨了这些问题。

他们的研究揭示了一个引人注目的经济谜团。

封闭模型约占模型使用量的80%，收入占96%，尽管它们的平均成本是竞争开放模型的六倍。与此同时，开放模型通常能达到专有模型90%或更多的性能，并且通常在新封闭模型发布后几个月内缩小了大部分性能差距。

“这些发现甚至让我们都感到惊讶，”纳格尔写道。

那么，为什么企业还在专有模型上花费如此多呢？

最近一篇文章，”关于企业中开源人工智能的说法，大家都错了“十边形联合创始人兼首席执行官张志西，提供了一个非常有趣的解释。

张写道：“目前普遍的说法是开源正在吞噬整个企业。”“最佳封闭模型与开放模型之间的能力差距缩小到个位数低位。财富500强中有三分之一的企业已通过验证账户拥抱脸.”

“然而，企业支出整体上却在逆向前进。开源模型占企业LLM支出的比例刚刚降至11%，而一年前的19%有所下降。这一趋势实际上正与流行的叙述相反。这是为什么？这对未来意味着什么？”

发现的前沿模型;生产的开放模型

张以自己公司的经验为基础，提出了对这一明显矛盾的有力解答。十边形开发对话式AI客服，约90%的工作负载运行在开放模型上。“这不是成本问题，也不是因为客户要求（虽然他们不介意）”，他写道。

“而是因为我们别无选择。”

原因在于AI应用处于开发生命周期的阶段。

“当一个用例刚出现时，你会想要最智能的通用模型，”张解释道。“你还不知道问题的形态，所以你会为可能最终不需要的智能支付溢价。那时这是正确的交易。”

但随着应用的成熟，经济性也会发生变化。

“一旦使用场景完全构建，当你知道输入分布、所需行为和需要防范的故障模式时，交易就反转了。现在一般情报是开销，你需要最小、最快的模型，经过微调，以极好地完成你的具体任务。”

换句话说，AI部署生命周期可以总结为：

尝试→学习→专精→规模

在实验中，最有能力的Frontier型号具有显著优势.企业仍在探索人工智能的能力、哪些应用创造真实价值，以及工作流程需要如何调整。

在当前阶段，为专有前沿模型的灵活性和广泛智能支付溢价是相当合理的。

但一旦应用被充分理解并大规模运行，需求就会改变。速度、延迟、定制化、控制和成本变得越来越重要。此时，更小型、专门化的开放模型可能会变得更具吸引力。

客户服务就是一个特别好的例子。

张写道：“客户服务恰好是业内最明显的人工智能应用场景之一。”它涉及“被广泛理解的工作流程、庞大的对话量、严格的质量标准。”

像Decagon这样的公司可能只是AI成熟度比一般企业部署更前。张解释道：“当你在生产环境中运行AI代理用于客户服务时，延迟决定了产品的成败。”“一个每回合都花8秒的对话，根本不会是任何人会用的产品。”

这就带来了对更小、更快型号的需求。但如果没有大量定制，小型模型通常无法满足企业质量要求。“它们只能通过对具体任务进行大量微调才能达到目标。”

而张氏认为，这就是开放模型具有重要优势.

“边境实验室其实不卖这种组合。你无法像我们需要那样微调他们最好的模型，而且他们的小模型也不是我们能塑造的。小+微调意味着是开放配重。”

“成本节省是真实存在的，但只是次要的，”他补充道，“企业对自托管模型的舒适感只是个不错的副作用，而不是原因。”

这表明专有模型的持续主导地位并不一定意味着开放模型正在失去竞争。正如张博士所论，这可能只是意味着“企业人工智能整体处于成熟曲线的起点”。

要阅读全文，请访问欧文·沃拉达斯基-伯杰的博客.

本文最初发表于麻省理工学院数字经济倡议.