政府、公司和非营利组织应投资于自由、开源 AI [pdf]

开源与闭源 AI 的经济学

• 有人认为，政府和机构应大力投资开源 / 开权重 AI，以避免未来被少数私营实验室主导，并捕捉过去 FOSS 成功所体现的协作优势。
• 也有人反驳说，前沿模型极其依赖资本和算力，因此志愿者或轻度资助的 OSS 无法与投入数十亿美元并期待回报的公司竞争。
• 还有一种折中观点指出，许多重要的 OSS 本就由公司资助；类似模式也可能适用于 AI，但前提是经济账算得过来。

商品化，以及 OSS 在哪里能赢

• 有人将其与操作系统、数据库和编译器相比较：在这些领域中，OSS 最终在很多情况下占据主导。
• 怀疑者回应说，OSS 最擅长的是某个领域已经商品化、研究接近公共前沿时；而在私有研究和巨额资本投入至关重要的地方（例如前沿 LLM），OSS 就会吃力。
• 有些人认为，token 生成和中端 LLM 已经在走向商品化，多种模型可以互换，价格也在持续下行。

开放贡献的现实障碍

• 传统 OSS 允许任何有笔记本电脑的人参与贡献；而 LLM 训练需要昂贵算力。
• 这把“竞争”从代码质量转移到 GPU 获取能力上，提高了有意义贡献的门槛，也让经典的 OSS 开发模式不再那么适用。

替代性的资助与奖项模式

• 有人提议设立定期激励奖，奖励在固定 VRAM 限制下、满足严格基准的开源模型，并可能由企业共同出资。
• 支持者认为这能推动优化与认可；批评者指出，评测构建、保密性和可复现性会很昂贵且复杂，甚至可能比奖池本身还高。

政府角色：投资、监管，还是限制

• 有人希望大规模公共投资，甚至由国家主导开展“曼哈顿 / 阿波罗式”的 AI 项目；也有人认为，以当前政治和经济条件来看，这种支出并不现实，或者优先级低于气候、能源或社会需求。
• 另一派则主张对 AI 算力征收重税或关税，认为前沿 AI 对社会有害、耗能巨大，而且主要受益的是“卖铁锹的人”（GPU 厂商、云服务商）。
• 还有建议包括强制开权重（可能仅限非商业用途）、公开训练数据，甚至在高风险情况下由国家接管——同时也有人担心国家安全竞争，以及完全开放的前沿模型带来的滥用风险。

伦理、数据与公地

• 关于在未获同意的情况下使用公开数据进行训练是否属于“盗窃”，以及是否符合长期以来的互联网规范，争论仍在继续。
• 有人认为，用公共数据训练出的模型若要商业化，就应当把输出共享回公地；也有人指出，这种说法带有虚伪性，毕竟此前广泛存在盗版和对免费可得信息的再利用。