百度真急了，大模型进入“开源盛世”

唯物的中国芯片产业深度观察

百度忽然来了一个 180 度转弯。

2 月 13 日，百度宣布聊天机器人 " 文心一言 " 于 4 月 1 日起免费。2 月 14 日，百度又宣布文心大模型 4.5 系列陆续推出，6 月 30 日正式开源。

在开源的深度求索（DeepSeek）面向大众之前，百度一直是闭源模型和收费服务的拥护者。

然而，连人工智能领头羊 OpenAI 也扛不住压力，早一步抛出 " 免费加开源 " 消息；一众互联网巨头如英伟达、亚马逊、微软均将深度求索模型集成到自家平台；一堆做 " 深度求索入口 " 的应用也趁机捞了一把流量，包括不缺流量的支付宝和微信。

百度的转变并不是一个孤立事件。

受深度求索的开源 " 刺激 "，全球人工智能大模型竞争技术路线逐渐有开源压倒闭源之势。开源和闭源并没有绝对的优劣之分，只是当市场上出现颠覆者后，原先的主导者失去闭源的盈利护城河，不得不借 " 开源盛世 " 来扩张生态。

这场由深度求索引发的效率革命，标志着大模型竞争进入 " 后暴力计算时代 "：模型效率取代绝对性能，成为核心竞争力；同时，全球 AI 权力秩序被重构，美国 " 一家独大 " 霸权遭到削弱。

在后浪推前浪的趋势下，未来的胜出者将是平衡驾驭二者的 " 变色龙 "，既通过开源获取生态势能，也利用闭源实现价值捕获。

" 顺势而为 "

深度求索 " 以小博大 "，颠覆了人工智能大模型玩家的旧格局。

监测网站 Similarweb 数据显示，2025 年 1 月，深度求索网站的访问量环比增长 2257%，单月访问量达 2.78 亿次，虽然与 ChatGPT 高达 38 亿次的访问量还有不小差距，但依然超过了苹果 iCloud、Salesforce 等大公司网站。

OpenAI 最先乱了阵脚，不断开放新功能 " 挽尊 "。

1 月 31 日，放出推理模型 o3-mini。2 月 3 日，搜索网页提炼文献的深度研究（Deep Research）上线。2 月 5 日，带有网页搜索功能的 ChatGPT 面向所有用户开放。

ChatGPT 的深入研究

2 月 13 日，CEO 萨姆 · 奥特曼在社交媒体宣布下一代 AI 大模型路线图，GPT-5 大模型基础版将对 ChatGPT 免费用户无限量开放。ChatGPT 的付费订阅者中，Plus 版、Pro 版订阅者可以解锁更 " 聪明 " 的 GPT-5。模型功能将包含语音、Canvas（写作、编码工具）、搜索、深度研究等。

几乎同时，百度也打出 " 免费加开源 " 牌。先是 PC 端聊天应用 " 文心一言 " 和移动端应用 " 文小言 " 将于 4 月 1 日起全面免费，文心大模型 4.5 也将在 6 月 30 日开源。

环球同此凉热，巨头也担心 " 下课 "。

OpenAI 和百度齐齐从闭源转向开源，原因比较接近：二者都是人工智能模型领域的先行者和主导者，本来可以靠闭源和收费来赚钱。如今深度求索物特别美、价尤其廉、人民群众十分喜欢，他们再唱老调就真的赚不到钱了。

在美国，靠 ChatGPT 一举成名的 OpenAI，最早推出收费模式。2022 年 11 月 ChatGPT 免费上线，2023 年 2 月便推出 20 美元 / 月的 Plus 会员。2024 年 5 月 GPT-4o 面世，12 月推出 200 美元 / 月的 Pro 版本。

ChatGPT 至今有 4 个收费计划，Team、Enterprise 面向企业，Plus、Pro 面向个人。Plus 可以使用 OpenAI 全部模型，也可以创建 GPTs；Pro 用户在 Plus 的权益之外，还可以使用今年 1 月刚推出的智能体功能 Operator（操作员）。

在中国，百度较早入局人工智能大模型领域。2021 年 7 月推出文心大模型 3.0，2023 年 3 月推出聊天机器人 " 文心一言 "。2023 年 6 月，文心大模型升级到 3.5 版本。10 月，文心大模型 4.0 版本发布。2024 年 6 月，4.0 Turbo 发布。

据百度称，2024 年文心大模型日均调用量超过 15 亿次，较 2023 年增长超 30 倍。

2023 年 11 月，百度文心一言推出付费会员模式，连续包月价格为 49.9 元 / 月，会员可以使用 2023 年 10 月发布的、目前仍是百度最新的模型文心一言 4.0，此外还有图片生成、网页插件等权益。

中国其他大模型公司也有收费模式。智谱 AI 的聊天机器人智谱清言，连续包月价格为 19 元 / 月，可解锁最新模型的无限次使用、视频生成等功能；月之暗面旗下的 Kimi 智能助手有打赏功能，但并未绑定使用权益。

总体来看，在人工智能大模型本身就存在开源路线、Meta 的开源大模型 Llama 实力雄厚的情况下，闭源模型并不存在高枕无忧的护城河。

开源的深度求索一问世，" 头铁 " 的 OpenAI、百度就不得不 " 顺势而为 " 了。

开闭之争

开源和闭源的 " 源 "，指的是 " 源代码 "。开放源代码，允许其他开发者使用、传播，技术可以持续改进。" 开源 " 理念源自 20 世纪 90 年代开发者社区。

" 战争 " 是埃隆 · 马斯克挑起来的。2024 年 2 月，作为 OpenAI 的创始人和最早投资人之一，马斯克起诉 OpenAI 违背创始协议、追逐商业利益，将 AI 大模型闭源。OpenAI 反唇相讥，称马斯克早就认可其 " 追逐商业利益 "。

3 月，马斯克将旗下大模型 Grok-1 开源，以此证明自己 " 并非逐利 "。一个月后，Meta 发布 Llama3 系列模型，是当时最强大的开源大模型。原本闭源的谷歌也有点坐不住了，2024 年 2 月发布开源模型系列 Gemma。

美国的开源模型阵营，对闭源的生成式预训练模型 GPT 穷追不舍。业界普遍认为闭源模型的能力把开源模型甩开 " 一年半左右 "。

在中国，由于算力受到阻碍，开源还是闭源的讨论很少。2024 年，百度创始人、CEO 李彦宏多次表示，" 模型开源的意义其实不是很大 "" 开源模型会越来越落后 "。

也有一些公司选择开源路线。

金沙江创投主管合伙人朱啸虎的言论 " 不会投资中国的基座大模型创业公司 " 曾激起热议，他认为开源大模型随时会颠覆闭源基座模型。阿里云先后开源多个模型；创业公司里，零一万物、百川智能、面壁智能都在打造开源模型。

中国各地方政府支持的实验室或研究所也聚焦开源大模型，包括科技部和北京市政府支持成立的智源研究院，深圳市政府主导的鹏城实验室，上海市政府主导的上海 AI 实验室，以及粤港澳大湾区数字经济研究院等。

虽然开源模型和闭源模型还有一定差距，但随着技术路线的清晰和开源技术的迭代，开源和闭源的差距将不断缩小、直至拉平。

但坚持 " 闭源更好 " 的百度，当时的判断是，开源并不便宜，且技术会越发落后，" 开源模型没有商业模式 "。这一判断基于三个条件：一是算力和工程能力门槛高，只有科技大厂才有实力主导开源模型；研发成本高，传统开源软件的商业模式 " 没钱可烧 "；三是闭源模型通过程序接口（API）调用，可供企业部署软件。

深度求索 " 异军突起 "，恰恰证明这三个条件并不完全成立。

而且，百度期待的 " 企业级客户 " 也兴趣寥寥。因为数据是企业最宝贵的资源，一旦放在大厂平台上，日后是否真正属于自己就不好说了。移动互联网时代的 " 像素级复制 "，曾给中国创业者最沉重的打击。

论中国互联网三巨头 BAT，阿里是押注开源的典型代表。2022 年 11 月，阿里发布了中文 AI 大模型开源社区 " 魔搭 "（Model Scope）。通义千问模型也是开源的。2023 年 8 月以来，阿里云先后开源和更新了数十个参数版本的模型。

腾讯的 " 混元大模型 " 去年选择开源，其公开说法是，经过一年多的探索，在闭源模式下将产品和技术积累到一定程度后，才选择了开源。

2025 年初，深度求索第一次令中国企业看到了开源模式的商业价值和影响力、看到了产业格局变化的可能性、看到了生态开放的冲击力——技术民主化的拐点已经到来。

" 最后 "，百度选择开源。

" 开源盛世 "？

互联网时代，一贯存在 " 巨头守成 " 加 " 新锐破局 " 的竞争。

由于 " 新锐 " 深度求索的颠覆性冲击，巨头 OpenAI 立刻作出 " 免费 " 反应，随即产生了传导效应—— GPT-4o 免费后，中国 AI 初创公司的 API 调用成本下降 30%，百度随之失去了收费壁垒。而 OpenAI 的闭源数据飞轮仍在加速，其日均新增训练数据量动辄是中国企业的 5 倍以上，技术代差可能进一步拉大。

对于 AI 企业而言，开源或闭源只是一种发展手段，不是什么 " 绝对理想 "。

要理解开源模型和闭源模型的核心差异，可以从基础条件、技术原理、应用场景、可营利性和局限性等五个维度来观察。

从基础条件看，开源模型以公开数据集、社区贡献数据为数据来源，以分布式的、开发者自有的 GPU 集群为算力支撑，开发主体是社区协作者，比如 GitHub 的开发者，需要处理开源协议兼容性，存在一些合规成本。

闭源模型以专有数据如用户行为日志、私有数据库、清洗后公开数据为数据来源，靠集中式的超算中心为算力支撑，开发主体是企业级团队，需要承担数据隐私、版权诉讼风险等合规成本，像纽约时报就因数据来源跟 OpenAI 打过官司。

光看成本，还是开源模型省钱。Meta 的 Llama2 训练成本约 250 万美元，OpenAI 的 GPT-4 依赖微软 Azure 算力，单次训练成本超 1 亿美元。

从技术原理看，开源模型的架构多为稠密 Transformer（注意力机制深度学习模型）变体，训练方法为公开强化学习框架，靠社区反馈迭代，靠外部审查保障安全，比如抱脸（Hugging Face）的模型扫描。

闭源模型的架构为融合私有架构，像 GPT-4 是稀疏化 MoE（混合专家模型），训练方法为定制化强化学习，靠用户交互数据实时反哺迭代，内置内容过滤机制。

闭源模型在稀疏激活（激活极少比例参数处理每个 Token）和多模态对齐（文本—图像—代码联合表征）领域，领先开源模型 1.5 — 2 年左右。

从应用场景看，开源模型可以为企业做私有化部署，模型剪裁后进行边缘计算，在手机端运行，可以为社区贡献数据。闭源模型可以为企业提供标准化 SaaS 服务，在云端进行计算和推理，依赖商业价值导向来处理长尾需求。

像彭博基于开源 Llama 做了一个金融领域模型，成本降低了 70%。Salesforce Einstein GPT 直接调用了 GPT-4 的 API，开发 CRM（客户关系管理）工具。

从收入差异看，开源模型靠技术服务——模型优化和部署赚钱，但定价受社区生态制约，边际成本会随着用户增长而摊薄（开发者贡献算力），护城河则来自生态规模，像 " 抱脸 " 积累了 15 万个模型。

闭源模型靠订阅费用赚钱，垄断定价权，边际成本则随用户线性增长而上升（云计算资源被消耗），护城河来自技术代差。

开源模型一般 5 — 7 年才能盈利，靠开发出售 Linux 套件的 Red Hat 就是例子。闭源模型 3 年内就能实现正向现金流，OpenAI 在 2023 年营收超 16 亿美元。

从局限性看，开源模型的迭代比较慢，有合规风险和安全漏洞，一旦开发者流失就失去了可持续性。闭源模型由于存在技术黑箱，无法修改底层模型，很难针对性优化，数据隐私问题和单点故障也很难解决，还面临高资本的开支压力。

开源模型最大的限制就是生态碎片化。闭源模型则无力克服技术锁死效应。

实际上，开源与闭源并非对立，二者可能构成 AI 进化的双螺旋结构：开源加速技术民主化，闭源推动商业可持续性。

未来的胜出者将是平衡驾驭二者的 " 变色龙 "，既通过开源获取生态势能，也利用闭源实现价值捕获。