为什么美国做不出顶尖开源模型？
我更愿意把美国缺少顶尖开源模型，看成一道经济结构题，而不是技术能力题。
美国不缺钱、算力和人才。真正的问题是，前沿模型的投入必须尽快回收，而开源会削弱最直接的收费入口。在这样的约束下，企业的理性选择自然偏向闭源。
前沿模型等不起
训练前沿模型需要巨额投入，但更大的压力来自迭代速度。模型能力快速更新，上一代产品的商业价值会随之下降，企业必须在有限窗口内通过 API 和订阅服务收回成本。
OpenAI、Anthropic 这类公司的生意，本质上不是出售一个可以被用户自由掌握的模型，而是持续提供按调用计费的智能服务。开放权重意味着客户可以绕开服务商自行部署，这会直接动摇收入基础。
因此，闭源不只是产品偏好，更是资本结构和收入模式共同推出来的结果。
开源 AI 不是开源软件
过去的软件开源建立在一个重要前提上：代码写完以后，复制和分发的边际成本接近于零。全球开发者可以各自贡献一小部分，成果还能长期累积。
大模型不具备这个条件。
训练需要高度集中的算力、资金和组织能力，社区很难像协作开发 Linux 那样众筹出一个前沿模型。模型发布以后，每一次推理仍要消耗芯片、电力和数据中心资源。使用规模越大，实际支出越高。
软件可以在旧代码上持续迭代，大模型却往往需要重新训练。上一代模型投入的大量算力，不能像代码资产那样完整继承到下一代。
这意味着，开源 AI 从一开始就必须有人持续埋单。出钱的可能是风险资本、广告业务或国家战略资源，但不会是一个仅靠志愿协作就能自我运转的社区。
Meta 的转向说明了什么
Meta 曾经是美国开源模型最重要的推动者，但它开放 Llama，并不完全出于公共理想。
Meta 的核心收入来自广告，不需要依靠模型 API 直接赚钱。把模型开放出来，可以扩大生态，同时削弱 OpenAI 和 Google 的封闭优势。开源在这里首先是一种竞争武器。
问题在于，这种策略只有在模型能力足够接近前沿时才有效。一旦性能落后，分发规模就很难弥补能力差距。素材所描述的 Meta 转向闭源项目，反映的正是这个矛盾：当竞争焦点回到最强模型能力，开放生态不再足以支撑战略目标。
我认为，Meta 的变化不能简单理解为开源信仰消失了，而应理解为补贴开源的商业理由减弱了。
追赶者还被结构锁住
美国初创公司即使愿意做开放权重模型，也很难获得平等的起跑条件。
从零训练成本过高，借助更强模型进行蒸馏是一条现实路径。但领先实验室的服务条款通常禁止用其输出训练竞争模型。遵守规则的本土创业者，反而无法充分利用最强能力降低追赶成本。
与此同时，头部实验室用算力、薪酬和研究机会吸走了大量人才。创业公司要用更少的资金、更弱的算力和更有限的人才储备，挑战已经形成规模优势的闭源公司，成功概率自然很低。
这不是某一个环节出了问题，而是资本、规则和人才流向互相强化，形成了闭环。
中国模型填补的是市场缺口
素材中提到，中国开源模型在 Hugging Face 的下载量已占到相当比例，一些美国创业公司也开始采用成本更低的中国模型。
这说明全球对开放、可部署、低成本模型的需求一直存在，只是美国头部公司没有足够动力去满足。
中国公司持续提供开放模型，并不意味着它们逃离了经济规律。它们同样需要有人承担训练和迭代成本，只是背后的战略目标、收入组合和竞争阶段与美国公司不同。
所以，真正值得观察的不是谁更有开源情怀，而是谁愿意把开放模型当成一项长期战略投入，并且有能力持续支付账单。
开源模型最终比的是支付能力
我不认为开源 AI 会消失，但它很难复刻开源软件的成长方式。
未来的顶尖开放模型，更可能来自有其他收入来源的大公司、把模型生态视为战略基础设施的国家或产业集团，以及愿意长期补贴开放能力的组织。
表面上，这是中美模型公司的路线差异；更深一层，是不同产业结构在回答同一个问题：谁来承担开放的成本，又希望通过开放换取什么。
美国暂时交不出顶尖开源模型，未必因为不会做，而是因为现有结构下，没有足够强的角色愿意长期为这件事付钱。