开源权重AI正在经历它的Kubernetes时刻。我们不要搞砸了

# 开放权重的AI正迎来它的Kubernetes时刻。我们不要搞砸了。 来源：https://tobi.knaup.me/2026-07-25-open-weight-ai-is-having-its-kubernetes-moment/ *开放权重模型正在成为下一代AI生态系统的基础。美国应该参与其中，而不是自我封闭。* 我以前见过类似的剧情。 2013年，我联合创办了Mesosphere，一家开源云原生软件公司。我们基于Apache Mesos构建，这是我的联合创始人Ben Hindman在加州大学伯克利分校帮助创建的。后来我们围绕Mesos构建了DC/OS（数据中心操作系统），将其作为开源发布，并通过提供支持和企业特性的企业版发行版将其商业化。 在经历了多年的高速增长后，Kubernetes颠覆了我们。它更新、完全开源，并迅速凝聚了云原生社区。许多世界上最优秀的分布式系统和基础设施工程师将自己的职业生涯押注于此，甚至我们一些最忠实的社区成员也转投了阵营。 一旦发生这种情况，创新便转移到了Kubernetes。平台缺少什么，人们就开始构建什么：网络、存储、可观测性、部署工具、策略引擎。大量初创公司被创建，传统厂商也加入了进来。几乎所有在生产环境中运行Kubernetes所需的组件都作为开源提供。云提供商以及包括Mesosphere/D2iQ、Rancher、Red Hat和Nutanix在内的公司，随后围绕集成、企业特性、支持和运维建立了业务。 Kubernetes的成功不仅仅是因为其代码仓库是公开的。它成为了一个中立的基底，工程师、云提供商和企业软件厂商都可以扩展它以满足客户需求。通用的接口和供应商中立的治理让每个人都确信可以在此基础上进行构建。 我从中学到的教训并不是开源总能赢。而是，一旦一个可供人们定制的开放平台成为行业的中心，没有任何一家厂商能够匹敌围绕它产生的联合创新速度。 我认为AI正接近同样的节点。 ## 开放权重将模型转变为平台 首先，一个术语说明。我们通常随口称为“开源”的模型，更准确的说法是**开放权重**。你可以下载和修改训练好的参数，但训练数据和完整的训练过程通常不可用。这不符合Open Source Initiative对开源AI的定义。这个区别很重要。然而，这并不妨碍围绕人们可以运行和修改的产物形成一个生态系统。 与Kubernetes的类比并不完美。Kubernetes的贡献者可以检查和修改实际的源代码，改进可以汇回一个共享的上游项目。模型的微调通常不是这样工作的。前沿权重也许可以下载，但仍需要昂贵的硬件，并且没有AI版本的CNCF来提供中立的治理和通用接口。这些是真正的差异。共同的机制是：一个足够强大、可移植的基底能够吸引远远超过其原始创造者独自所能构建的互补性创新。 使用开放权重模型的第一个原因是自托管。公司希望控制自己的数据。他们希望在自己的云或数据中心运行模型。并且随着使用量和推理成本的增加，他们也越来越希望控制成本。 这种需求催生了一个健康的开源服务栈：vLLM、SGLang、llama.cpp、Ollama、MLX等等。 但自托管仅仅是开始。开放权重将模型本身变成了开发者可以适应和重新分发的东西。Hugging Face现在托管着超过两百万个公开模型。围绕像Qwen和Gemma这样受欢迎的模型系列，开发者产生了： - 针对不同芯片架构和规模的量化与转换权重； - 针对编程、医疗、法律、数学和智能体工作流的微调和LoRA适配器； - 结合不同微调的模型合并； - 针对TensorRT-LLM、vLLM、MLX等运行时的适配。 直到最近，人们仍很容易对前沿领域的这种活动不屑一顾。开放模型很有用，但基础模型对于最难的编程和智能体任务来说还不够好。这个差距正在迅速缩小。智谱AI（Z.ai）发布了GLM-5.2，采用MIT许可协议公开权重。其自身评估报告显示，在SWE-bench Pro上达到62.1%，而GPT-5.5为58.6%，不过不同基准测试和智能体工具下的结果有所差异。 月之暗面（Moonshot）表示Kimi K3在长周期编程方面接近封闭前沿，并承诺于7月27日发布其权重。Artificial Analysis支持其性能声明，在其独立评估中将其与Opus 4.8和GPT-5.5相提并论。 一旦基础模型足够好，生态系统就能实现复合增长。我预计会涌现出围绕智能体运行时、编程工具链、沙箱、评估、可观测性和专业微调的新项目。它们共同构成一个生产级栈：在开源软件上运行的开放权重模型，可根据团队的工作负载、硬件和经济性进行定制。 这个栈会在每个基准测试上都打败所有封闭模型吗？可能不会。但我不会赌任何单一厂商能在时间的推移中超越整个开放生态系统的创新。前沿技术是一场人才争夺战，而开放生态系统给世界各地有才华的人一个在相同基础上构建的理由。 ## 禁止中国模型将是一个乌龙球 这引出了华盛顿当前的辩论。在Kimi K3和其他强大中国模型发布后，特朗普政府据报正在考虑限制中国的开放权重模型。潜在禁令的具体形式尚不清楚。 广泛禁止美国研究人员和公司使用中国的开放权重模型，会产生完全不同的效果。它将切断美国与一个已经吸引了许多世界顶尖AI研究人员和工程师的生态系统的联系，其中包括大量中国研究人员。世界其他国家会继续构建。美国开发者将是被封锁的一方。 我们在Qwen身上已经看到了这种动态。Hugging Face报告称，在过去一年里，中国模型占模型下载量的41%。如果最好的开放权重基础模型越来越多地来自中国，创新将会围绕它们聚集，就像围绕Kubernetes聚集一样。 ## 美国应该如何竞争 美国应该在这个生态系统中竞争，而不是从中撤退。 ### 发布前沿级别的美国模型 美国实验室需要发布前沿级别的开放权重模型，并提供初创公司能够真正构建所需的许可。已有一些进展。NVIDIA的Nemotron模型在其自己的宽松许可下可商业使用。Thinking Machines发布了Inkling，采用Apache 2.0许可，OpenAI也发布了gpt-oss。但OpenAI最强的模型仍然是封闭的，大多数美国前沿实验室的模型也是如此。 ### 利用采购创造开放市场 政府应该利用采购来创造对可移植、可互操作系统的需求，而不是对单一API供应商的永久依赖。美国国防部以前就这么做过。Platform One为不同军事项目提供开源工具和企业产品。同样的策略可以加速围绕开放权重模型的创新。 ### 构建栈的其他部分 美国公司需要构建栈的其他部分。初创公司可以定制和扩展模型，将其嵌入产品，并提供服务、工具、支持和运维层。我们领先的芯片公司将继续改进硬件。超大规模云服务商和neo-cloud可以服务于这些模型及其生态系统。 ### 制定标准而非禁止模型 安全是限制措施的最有力论据，但一刀切的禁令过于粗暴，会牺牲对整个生态系统的访问。更好的方法是对前沿模型进行独立测试和制定标准。类比并不精确：Kubernetes一致性测试的是兼容性，而非安全性。但这个治理模型是有用的。Demis Hassabis曾提议建立一个由美国领导的独立标准机构。 美国不应该通过在中国开放模型周围筑起高墙来回应。我们应该自己运行这些模型，拆解它们，进行基准测试，进行改进，并构建更好的美国替代品。然后，我们应该让美国栈成为世界上最容易采用的栈。 美国几十年来一直吸引着世界上最优秀的技术人才，并给予他们构建的空间。如果世界其他地方都在一个更开放的栈上标准化，而美国却将这一优势转化为一个围墙花园，那将是一个壮观的自摆乌龙。我们将亲手放弃作为AI领导者的地位。