开源，原指计算机软件领域的源代码开放模式。在当前人工智能的语境中，主要是指公开代码和模型权重，开发者可以下载模型、自主部署并进行微调和二次开发。与传统软件时代相比，大模型时代的开源更加复杂，不同模型的开放程度也不完全相同。有的主要开放模型权重，有的还会进一步公开运行代码、训练框架、技术报告，甚至部分训练数据或数据生成方法。因此，开源并不意味着所有技术细节都完全公开，也不等于完全免费，其核心在于赋予使用者更大的部署权、改造权和参与权。
与闭源模式不同，开源把模型能力向社会开放，降低了技术使用和定制的门槛，把模型能力由厂商集中提供逐步走向由企业和开发者自主掌控。闭源模式下，核心代码和模型权重掌握在厂商手里，用户通常只能通过厂商提供的云端接口或授权服务调用；开源则意味着开发者不仅可以使用模型，还可以根据自己的需要进行部署和改造，并在此基础上进行再创新。开源的真正力量，就在于让不同国家、不同规模的企业和开发者都能加入社区、分享成果，使技术不再只是少数厂商提供的产品，而成为更多主体共同参与、持续完善的技术底座。
很多人把人工智能大模型的开源闭源之争看成技术路线之争。事实上，这件事早就超出了技术和商业选择的范畴，它关系到普通人和中小企业能不能用得起人工智能，关系到人工智能是否安全可控，关系到发展中国家能不能掌握自己的人工智能基础设施，也关系到未来全球人工智能的底座和生态由谁来定义。
坚定走开源路线，并不是说闭源没有价值。在解决前沿复杂的任务上，闭源模型仍有优势，市场上也应该百花齐放。但从国家和产业发展的角度看，开源必须成为一项战略选择。主要有以下几点原因。
首先，开源有助于降低人工智能的算力成本。很多人觉得未来模型调用一定会越来越便宜，不存在“用不起”的问题。词元（Token）的单价确实在下降，但相比于呈指数级增加的需求而言，单价降低的意义微乎其微。如今，人工智能应用已经从大模型时代进入智能体时代，两者的算力消耗完全不在一个数量级。过去问大模型一个问题、让它写一段话，消耗的词元可能只有几千个；现在让智能体创建网站、制作软件、完成复杂的行业分析，它要搜索、推理、调用工具、反复校验，如果调用高价闭源模型，一次复杂任务可能就要消耗数百万词元，花费数百元至数千元甚至更高。因此，单价虽然在降，使用量却在猛增，算力成本依然高企。开源改变的并不是任务本身的复杂度，而是企业获得算力和承担成本的方式。使用闭源云模型，词元用得越多，持续性支出越大；部署开源模型，则可以把相当一部分持续性的调用费用转化为相对可控的算力投入。对于需要大规模、长期、高频使用智能体的企业而言，这是两种完全不同的成本结构。如果所有工作都依赖云端闭源模型，企业就要长期支付一张没有上限的算力账单。开源模型则提供了另一种选择：可以把大量常规工作放在本地或内网完成，遇到个别复杂问题再调用云端更强的模型。云、边、端协同的混合算力架构，可以更好地控制总体算力成本，使人工智能算力从昂贵的服务，变成千行百业都用得起的生产资料。
其次，开源有助于保障数据安全、增强自主可控能力。数据是人工智能的关键要素之一。对于应予保密的数据，如医院的患者资料、律师事务所的客户档案、工业企业的设计图纸和生产数据、政府部门的文件等，只要经过外部云端模型，数据就会离开自己的控制范围。即使服务商作出严格承诺，也不能完全避免数据泄露的风险。开源模型可以部署在自己的服务器上，数据在哪里存、算力在哪里跑、谁有权调用、如何审计，都由使用者自己决定。对许多涉及敏感数据和核心业务的政企用户而言，这并不只是使用起来是否方便的问题，而是人工智能能否真正进入业务系统的前提。只有更好地解决数据不出域、模型可部署、过程可审计等问题，人工智能才能更深入地进入医疗、工业、政务等对数据安全要求较高的领域。不仅如此，随着各类具身智能进入生产生活，在物理世界与人类深度交互，更加需要开源模型的本地部署。比如，居家机器人遇到老人摔倒、孩子遇险，无人驾驶的飞行器和汽车遇到紧急突发路况，根本来不及先把数据传到云端，再等网络返回指令。一旦断网就不会干活的具身智能，也不可能真正进入生产与生活。未来大部分智能能力都要向边缘端和终端下沉，而本地部署和个性化训练，都离不开开源模型。
再次，开源有助于迭代技术和塑造生态。互联网时代， Linux操作系统之所以成为广泛应用的基础设施，不是依靠价格低或销售强，而是因为其开放的生态让全世界的开发者、企业和高校都能基于该系统进行再创新。人工智能时代也是一样。谁的模型被更多人作为底座，谁就能吸引更多开发者、沉淀更多应用、获得更多使用反馈，进而推动模型不断改进。模型越好，用的人越多；用的人越多，模型又进步得越快。这是开源最强大的飞轮。中国有超大规模市场、丰富的产业场景和数量庞大的工程师群体。把这些优势通过开源连接起来，就有机会把市场优势变成生态优势，再把生态优势变成技术优势。过去我们经常在别人的操作系统、芯片架构和软件平台上开发应用；大模型时代，中国第一次有机会让自己的技术成为全球开发者使用的底座，成为真正意义上的“根技术”。
开源对许多发展中国家尤其重要。很多国家没有能力从头训练前沿大模型，又不希望人工智能产业永远依附于其他国家的云服务。使用闭源接口，就像住在租来的房子里，装修得再好，房本仍在房东手中，价格、规则甚至能否继续使用，都可能变化。使用开源模型，则可以在自己的服务器上部署，用本国语言、本地知识和本国数据进行训练。即使外部环境变化，也不会被突然“拔掉插头”。中国把先进模型开源，不是简单地“免费送技术”，而是在帮助更多国家获得进入智能时代的选择权。现在有一些美国企业家也公开称赞中国的开源模型，我们可以把它看作对中国技术进步的肯定，但这些表态背后可能还有另外一层意思：他们是在提醒美国，如果继续依赖少数巨头的闭源模式，中国的开源生态可能获得更大的全球影响力。这充分说明，开源闭源之争不仅是商业模式之争，更是未来技术生态主导权之争。
有人认为闭源比开源更安全，这样的说法失之偏颇。开源的风险主要表现在两个层面，一是模型层面，开源模型可以被本地部署，原有的安全对齐和护栏可能被修改；二是应用层面，模型具备的编程、搜索和工具调用能力，可能被少数人利用，降低实施网络攻击、制造虚假信息等违法行为的门槛。这两个问题不能回避。但闭源也不天然等于安全。闭源模型不透明，始终是一个黑盒子，外部机构很难开展充分测试和同行评议，漏洞和风险的发现就会过度依赖厂商自身的意愿和能力；能力集中在少数平台手中，也会带来数据、垄断和单点依赖的风险。前不久，美国开放人工智能研究中心（OpenAI）的前沿模型利用漏洞完成自主逃逸，被攻击的海外开源平台抱抱脸（Hugging Face）先求助闭源模型遭拒，后来借助中国开源模型完成了分析。这恰恰说明，开源提供了一条新的人工智能安全治理路径。模型透明了，更多研究者、开发者和安全专家就能参与测试和审查，让问题更早被发现、更快被修复。互联网安全体系从来不是靠一家厂商关起门来自查建立起来的，而是靠全球安全社区共同发现漏洞、共享防护方案，在持续攻防中逐步完善。人工智能安全也需要这样的开放协作。
推动开源发展必须同步解决安全治理问题，但要避免走极端：既不能因为担心风险就把技术封起来，也不能把开源理解成放任不管。让开源真正行稳致远，关键要做好以下几点。
第一，管住违法行为，而不是封锁通用技术。绝对的安全是不存在的。不能因为少数人可能用人工智能干坏事，就让所有人失去使用先进技术的机会。这就像不能因为有人开车肇事，就禁止全社会使用汽车；也不能因为一个人感冒，就让所有人一起吃药。真正的安全，不是幻想把模型锁进永远不会出事的铁盒子，而是让风险能够被发现、被阻断，出了问题能够被修复和追责。谁利用人工智能违法，就依法追究谁的责任。治理的重点应该放在高风险场景、部署方式和具体行为上，而不是因噎废食，妨碍技术发展。
第二，提前划定红线，而不是亡羊补牢。大模型的风险更多体现在生成错误或有害的内容，而智能体能够调用工具、执行操作，风险从“说错话”扩展到“做错事”。所以必须先装刹车再上路。要管住智能体的“手”和“脚”，把智能体放在受控环境里，能调用什么工具、接触什么数据、拥有多大权限，都要有明确边界，其思考和执行过程要可追踪、可审计、可追溯，一旦发现异常，要有能立刻叫停、断网或者回滚的系统，同时明确漏洞披露、修复响应、许可使用、合规审计和责任追溯的规则。
第三，用人工智能治理人工智能，而不是只依靠“人海战术”。传统互联网安全保障是依靠安全专家发现漏洞、分析攻击、制定防护策略。在人工智能时代，攻防速度、规模、自动化程度都会大幅提高，试图用人力“盯梢” 每周7天、每天24小时不眠不休的人工智能攻击不现实，也是不明智的。因此，必须建立常态化红队测试和自动化安全评估机制，用AI对抗AI、AI监督AI，自动发现异常，识别攻击、验证漏洞，并辅助完成阻断和修复。
在 2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上，习近平主席提出四点意见，其中就包括“坚持开放共赢，驱动创新发展”。中国鼓励开源开放、合作共享，为的就是让人工智能技术更好造福人类社会。让普通人用得起，让安全性靠得住，让更多国家拥有自主选择的权利和自主创新的能力，这正是中国坚持开源路线的价值。
（作者：全国政协委员、 360集团创始人）
责任编辑：薛 莲
