开源AI比以往任何时候都更重要——Hugging Face CEO Clem Delangue的观点

Anthropic试图锁定其Fable版本。Hugging Face的CEO注意到了——他不打算保持沉默。Clem Delangue登上TechCrunch的Equity播客，阐述了开源AI比以往任何时候都更重要的理由，他的论点对当下在亚洲构建产品的每一位开发者都有重要意义。

Hugging Face已经悄然成为全球AI开发的基础设施层。可以把它看作AI领域的GitHub：一个开发者分享和下载开源模型、数据集和其他资源的平台。根据TechCrunch Equity播客，财富500强中大约有一半现在使用Hugging Face。这已经不是一个小众的开源项目了——这是关键基础设施。Delangue的担忧很直接：如果少数几家强大的公司最终控制了每个人都依赖的基础AI模型，整个生态系统将失去一些无法轻易恢复的东西。

发生了什么

Delangue出现在Equity播客上的直接触发因素是Anthropic中止了Fable版本的发布。虽然Fable情况的完整细节仍然有限，但Delangue描述的更广泛的模式对任何密切关注AI行业的人来说都很熟悉：一家公司开发了一个强大的模型，然后决定——出于很少完全透明的原因——限制或延迟向公众发布。无论理由是安全性、竞争优势还是监管谨慎，结果都是一样的。围绕该模型构建工作流的开发者突然对自己的技术栈失去了控制。

Delangue的反叙述建立在他在Hugging Face用户群中反复观察到的模式基础上。公司通常从前沿的闭源API开始他们的AI之旅——这是快速获得可工作原型的最快路径。但随着规模扩大，经济学发生了巨大变化。推理成本不断增加，速率限制成为真正的运营约束，无法微调或检查模型会限制实际可实现的目标。Delangue说，这正是团队迁向开源模型的时刻。闭源API是一个很好的入门方式，但作为长期基础则表现不佳。

对话中最引人注目的数据点之一是：中国实验室现在生产了Hugging Face上下载最多的开源模型。这既是地缘政治信号，也是技术信号。开源AI开发的重心正在转移，而且正在向亚洲转移。

为什么这对亚洲很重要

对于东南亚、东亚和南亚的开发者和创业者来说，开源AI运动不仅在哲学上有吸引力——在结构上也是必要的。亚洲科技生态系统的运作约束与硅谷初创公司不同，后者可以轻松获得美国风险投资和企业销售渠道。

首先考虑经济学。一家位于雅加达或胡志明市的初创公司大规模消耗OpenAI API额度，其利润率根本不同于资金充足的美国同行。开源模型——部署在本地基础设施或成本高效的云区域上——从根本上改变了这个等式。能够在自己的条件下运行一个能力强的模型，根据自己的数据进行微调，而不需要按令牌付费无限增加，这是真正的竞争优势。

然后是语言维度。主流的闭源模型针对英语进行了优化。考虑到可用的训练数据量，它们对中文和日文的处理相当不错。但印度尼西亚语、泰语、越南语、他加禄语、孟加拉语——这些语言在闭源前沿模型中服务不足，这对为本地用户构建的产品来说至关重要。开源模型可以在本地语言数据集上进行微调。闭源API基本上无法做到这一点，或者至少不能以给开发者有意义的输出控制的方式进行。

中国实验室在Hugging Face上领导开源模型发布这一事实也值得仔细解读。它表明西方在AI领域的技术优越性假设已经过时。亚洲开发者不需要等待美国实验室发布能力强的开源模型——开源AI的供应链越来越具有地域性。这对关注这一点的构建者来说是结构性优势。

从AI原生开发平台的角度来看，这种转变很重要，因为工具层必须随着模型层的发展而演进。当开发者从闭源API迁移到自托管的开源模型时，他们需要能够处理模型选择、部署和集成的复杂性的基础设施，而不会增加数周的工程开销。

这对开发者意味着什么

Delangue的论点有一个实际含义，如果你专注于开源与闭源的意识形态，很容易忽视：现在学会使用开源模型的开发者将在行业成熟时获得持久的技能优势。

使用开源模型比调用API更具挑战性。你需要理解模型量化、推理优化、不同模型系列间的提示词格式差异，以及模型大小和延迟之间的权衡。这些不是无法克服的挑战——开源模型周围的工具生态已经成熟得很多——但它们需要真正的技术投入。

以下是这种投入在实践中的样子：

• 模型选择：并非每个开源模型都适合每项任务。一个在代码上微调的70亿参数模型在特定编码任务上会优于一个700亿参数的通用模型。学会根据实际用例而不是基准排行榜来评估模型是一项核心技能。
• 在本地数据上进行微调：开源模型的真正优势在于微调能力。对于为本地市场构建产品的亚洲开发者来说，这意味着在本地语言数据、特定领域术语和文化相关示例上进行训练。一个在实际泰国客户服务对话上微调的泰语电商聊天机器人在该特定任务上会优于任何现成的闭源模型。
• 部署架构：在生产规模运行开源模型需要关于量化（GGUF、AWQ、GPTQ）、服务框架（vLLM、Ollama、TGI）和硬件选择的决策。这些决策有重大的成本影响。
• 集成模式：开源模型需要连接到你的其他技术栈——数据库、API、前端应用。你围绕开源模型构建的连接器和集成模式通常是真正的产品差异化所在。

更广泛的观点是，开源AI为投入理解它的开发者创造了杠杆。闭源API使模型层商品化——每个人都可以访问相同的GPT-4或Claude。开源模型允许通过微调、自定义部署和与专有数据的深度集成进行差异化。对于在亚洲构建的创业者来说，本地市场知识是真正的护城河，这种差异化很重要。

还有风险管理的论点。Delangue对少数几家公司控制基础AI的担忧不是假设性的——这是对当前闭源模型市场状态的描述。任何将其核心产品建立在单一闭源API上的初创公司都有一个不会显现的依赖风险