黄仁勋推特首推力挺AI开源，背后藏着英伟达的生态焦虑

一封公开信引发的思考

7月24日，英伟达CEO黄仁勋开通了推特账号，而他发布的第一篇帖文颇具深意——转发了一封由诸多企业联合签署的公开信，核心诉求只有一个：呼吁前沿AI技术的开源化。

这封公开信表面上传达了三个要点，但真正值得玩味的其实是两条半。第一条：AI开源是好的；第二条：美国应当积极参与开源，才能形成属于美国的、具有竞争力的AI生态；剩下那半条虽非主旨却写得相当具体——公开信明确表示，模型蒸馏是AI领域的传统老手艺，不应当被禁止或制裁。

所谓模型蒸馏（Knowledge Distillation），是Geoffrey Hinton等人在2015年提出的一种模型压缩技术。其核心思想是用一个大型的"教师模型"来指导训练一个小型的"学生模型"，让学生模型学习教师模型输出的概率分布（即"软标签"），而非仅仅学习原始数据的硬标签。通过这种方式，小模型可以继承大模型的大部分能力，同时大幅降低计算和存储成本。在大模型时代，蒸馏技术已成为将前沿模型能力"下沉"到可部署规模的核心手段。公开信之所以特别提及蒸馏不应被禁止，背景是此前有声音认为，用先进闭源模型的输出来训练开源模型构成了一种"知识窃取"，而签署者们显然认为这是行业通行做法，不应受到法律或政策限制。

第一条其实没什么好拆解的。说"AI开源是好的"，跟说"我希望世界和平"基本上是一个意思。开源这件事，就算不是绝对的政治正确，至少也是90%的政治正确。但问题在于——如果你是OpenAI或者Anthropic，费尽心力做出来的模型，凭什么要开源？这就引出了真正值得深挖的第二点。

开源模型的三大不可替代优势

相比OpenAI、Anthropic"购买API、按量调用"的封闭模式，开源AI模型对企业和个人用户有着难以替代的独特价值。

在当前AI服务市场中，存在两种截然不同的使用范式。API调用模式以OpenAI和Anthropic为代表，用户通过网络接口发送请求，按调用次数或token数量付费，无需自建基础设施，但数据必须经过第三方服务器处理。本地部署模式则依赖开源模型，企业将模型权重下载到自有服务器或私有云上运行，拥有完全的数据控制权和服务可用性保障。两种模式各有优劣：API模式门槛低、维护成本小，适合中小企业快速接入；本地部署模式前期投入大，需要GPU集群和运维团队，但长期来看在合规性、定制化和边际成本方面优势显著。随着开源模型能力不断逼近闭源模型，越来越多的企业开始向本地部署模式迁移。

这些优势可以概括为三个关键词：隐私、稳定、性价比。

隐私：敏感数据不该发给第三方

对于想要使用AI的企业来说，涉及隐私的数据、有知识产权的内容，显然不适合通过API全部发送给OpenAI这样的第三方。把核心机密交给外部供应商处理，本身就是一种不可忽视的安全风险。尤其是在医疗、金融、法律等高度受监管的行业，数据合规要求往往明确禁止将敏感信息传输至第三方服务器，这使得本地部署开源模型成为这些行业拥抱AI的几乎唯一可行路径。

稳定性：不要把身家押在别人的服务器上

如果企业的日常运转高度依赖某个AI供应商，那么当供应商出问题时，造成的灾难往往是毁灭性的。一个真实案例：此前美国一家农业科学公司因为Anthropic的Claude服务宕机，导致这家几百人的公司因高强度依赖而随之瘫痪了一整天。

当你把AI供应商当作基础设施、把身家性命都押在其上时，你最好祈祷他们的服务能稳定一点。

性价比：微调后的小模型也能打赢大模型

企业或个人的日常工作往往只集中在几类任务、局限于某个特定领域。近年来有大量研究都在做同一件事：针对个别任务，对小规模模型做定向微调。结果往往令人惊讶——经过微调的小模型，在目标任务上可以比肩甚至超越最先进的闭源大模型。

这背后的技术支撑来自参数高效微调（PEFT）的突破性进展。其中最具代表性的是LoRA（Low-Rank Adaptation）技术，它通过在模型权重矩阵中注入低秩分解矩阵，仅训练极少量新增参数（通常不到原模型的1%）即可达到接近全参数微调的效果。在此基础上演化出的QLoRA，进一步将模型量化到4比特精度后再施加LoRA，使得在单张消费级显卡上微调数十亿参数的模型成为可能。这些技术极大降低了企业使用开源模型的门槛，让"小而精"的定制化模型在特定场景中以极低成本击败通用大模型。

综合这三点，对于真正需要用AI的企业和个人而言，把先进的开源模型部署到自己的算力节点上、再配合定制化微调，永远是一个极具吸引力的选择，甚至是不得不做的选择。

英伟达的真实焦虑：CUDA生态之争

开源模型的需求，会自然衍生出一整条产业链：计算集群的搭建与维护、模型训练与推理流程的搭建与维护——换句话说，就是"卖卡"和"卖技术"。这些都是不小的生意。

那么问题来了：这笔生意，现在正肉眼可见地被谁拿走？

顶级开源模型正来自东方

看看当下这些知名的开源AI模型——从DeepSeek到通义千问，再到GLM系列和Kimi K系列，几乎全部来自中国。而大家都知道的是，由于种种禁令，英伟达被禁止将高性能计算卡出售给这个市场。

目前的现实是：国内其实并不缺卡，缺的是成熟的生态。在中国，英伟达的CUDA生态确实成熟好用，有英伟达的卡，那就顺手用了；但如果没有，那就只能自己动手，把与GPU相关的整套生态从零搭建起来。

这里有必要解释一下CUDA生态为何如此关键。CUDA（Compute Unified Device Architecture）是英伟达于2006年推出的并行计算平台和编程模型，允许开发者使用C/C++等语言直接调用GPU进行通用计算。经过近20年的积累，CUDA已经形成了一个极其庞大的生态系统：PyTorch、TensorFlow等主流深度学习框架默认以CUDA为底层加速后端；cuDNN、cuBLAS、TensorRT等一系列高度优化的加速库覆盖了从训练到推理的全流程；全球数以百万计的AI开发者和研究人员在CUDA上积累了大量代码资产和使用习惯。这种软件生态的"锁定效应"，使得即便其他芯片在硬件性能上接近英伟达，用户迁移的成本依然极高。

假如AI生态从非CUDA土壤中长出

真正让英伟达寝食难安的假设是：如果哪天从硬件到软件技术，国内一整套AI生态彻底成熟了，而最先进的开源模型恰恰是从"非CUDA生态、非英伟达显卡"的土壤中生长出来的——那么，那些有需求部署开源AI的企业和个人，在采购硬件与技术时，究竟会怎么选？

这并非杞人忧天。自2022年以来，美国商务部先后出台多轮对华芯片出口管制政策，限制英伟达向中国出售A100、H100等高性能AI训练卡。英伟达虽然推出了针对中国市场的"阉割版"芯片，但其性能已大打折扣，且后续版本也面临进一步限制。在此背景下，中国本土AI芯片企业正在加速发展：华为的昇腾（Ascend）系列芯片配合自研的CANN计算框架和MindSpore深度学习框架，正在构建独立于CUDA的完整生态；寒武纪、海光、燧原等企业也在各自赛道上推进。目前国产芯片在单卡性能和软件成熟度上与英伟达仍有差距，但差距正在缩小。更关键的是，当越来越多的顶级开源模型在非CUDA环境中完成训练和验证后，这些模型天然就会对非英伟达硬件更加友好，形成正向循环。

答案大家都看得到。CUDA生态也许正是英伟达最深的护城河，也是它最脆弱的软肋。

结语：护城河还是新战场

也许，英伟达正是感受到了这种潜在的生态迁移风险，才提前发出了这封力挺开源AI模型的倡议书；也许并非如此，只是巧合。但无论动机为何，这封公开信背后所折射出的"生态之争"逻辑，都值得每一个关注AI产业的人深思。

开源对整个行业固然是好事，但对英伟达而言，开源生态的归属——究竟是长在CUDA之上，还是长在别人的土壤里——才是决定其未来霸权能否延续的关键变量。

正如黄仁勋自己所说的：计算卡不是核武器，它没有那么危险，可能也没有那么深奥。但围绕这些卡片所构建的生态，却是一场远比想象中更深、更长的战争。