从AT&T强制开源到基因测序之争：历史证明，AI真正的暴利全在“最后一公里”
从AT&T强制开源到基因测序之争：历史证明，AI真正的暴利全在“最后一公里”
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：开源不会摧毁AI投资，但会击碎闭源暴利：当模型沦为水电，真正能赚钱的是死磕物理世界的“互补资产”。文章来自编译。
1851年5月，数以百万计的人穿行在一座玻璃建筑的长廊中，一睹未来的模样。万国工业博览会汇集了当时全球最具代表性的创新成果，包括蒸汽锤、电报机、收割机以及抽水马桶。任何人都可以近距离接触这些技术并尝试逆向工程，各国也派出了最顶尖的工程师，竭力从竞争对手那里汲取核心技术。博览会的发起人阿尔伯特亲王坚信，技术的广泛传播与扩散是加速经济进步的关键。
一个半世纪后，经济学家佩特拉·莫泽（Petra Moser）将当年的展会名录，以及该博览会和1876年美国续展中的近15000项发明整理成了一个数据库。至关重要的一点是，这些发明分别来自实行专利保护和未实行专利保护的国家。她的研究发现让强知识产权保护的坚定拥趸大跌眼镜：专利制度对创新总量没有任何影响，它改变的只是发明家的注意力方向。当时，瑞士没有专利保护制度，因此创新者纷纷涌入科学仪器和食品等领域（雀巢于1866年在瑞士创立），在这些领域，保密性、时间领先优势以及互补性资产足以赋予他们竞争优势。而在强知识产权保护制度下，创新分布得更为广泛。两者的创新总量相同，只是在不同领域的分配方式有所差异。
如今，同样的博弈与张力再次成为闭源与开源权重人工智能之争的核心。Anthropic 和 OpenAI 认为，来自中国企业的“蒸馏攻击”不仅威胁到行业为下一代模型筹集资金的能力，还危及美国的国家安全。开源权重的支持者则反驳称，广泛扩散对于构建一个具有竞争力和创新活力的人工智能市场至关重要。
然而，莫泽的研究证据表明，当下的争论找错了切入点。开源权重不太可能改变人工智能的整体投资水平，它改变的只是投资方向：即研发什么、由谁研发，以及谁能捕获回报。闭源实验室可能会继续推进最前沿的通用能力，而开源权重则让试验广泛渗透到那些能够将机器智能与稀缺数据、分发渠道以及隐性知识相结合的企业和领域。同样的资源分配逻辑也影响着安全问题。真正核心的问题不在于开源在抽象层面上是否危险，而在于扩散在何时能够增强防御者的力量，以及在哪些环节才能真正遏制有害能力。
机器智能市场前景的两种对立愿景
反对开源权重的经济学论点很简单：模型蒸馏属于知识产权窃取，会削弱创新动力。如果美国政府不出面动用一切可用手段予以制止，不仅美国本土的实验室将无法筹集下一轮大规模训练所需的资金，中国还会搭便车坐享其成并实现赶超。在持有这种世界观的人看来，开源权重在本质上是极端的“减速主义”。
相反的观点则着眼于历史上通用技术在经济体系中扩散的规律，其结论不仅认为开源权重从根本上促进了竞争与技术加速，更指出若没有开源，美国将迅速落后。开放与充分试验正是我们在互联网时代保持领先的原因，这一次也不例外。
安全隐患让这场讨论变得更加错综复杂。达里奥·阿莫代伊（Dario Amodei）多年来一直极力反对开源权重，理由是它们带来了巨大的安全隐患。他认为，一旦智能跨过某个临界阈值，人类社会将无法抵御恶意行为者，失控的模型可能会造成毁灭性的生存危机。只有通过把控访问权限并设置严格的安全护栏，那个汇聚“数据中心天才”的国度才被允许存在。更糟糕的是，由于开源权重无法被“召回”，我们可能会在毫无预警且缺乏应对手段的情况下，突然陷入末日般的绝境。
阿莫代伊的批评者则指出，如果没有开源权重，机器智能市场将迅速高度集中；而且对 Anthropic 而言，其商业利益恰好与人工智能安全目标及美国国家安全诉求完全契合，这未免太过巧合。安全研究人员同样经常能越狱绕过闭源模型的防护，Anthropic 和 OpenAI 的模型也已被黑客广泛利用，甚至用于入侵政府的敏感基础设施。他们认为，闭源模型虽然带给我们安全的假象，但充其量只是为我们买来了一种“拥有充裕时间”的错觉。
双方各自担忧今日的错误举措会让我们陷入无法挽回的困境。而且双方都由衷地相信，自己的方案才是保障安全的唯一途径（或者说是现实条件下最安全的路径）。幸运的是，经济学规律从不偏袒任何一方。
名存实亡的专有性制度
Anthropic 和 OpenAI 一直是其他实验室追赶行业前沿的主要目标。Anthropic 甚至公开请求国会严惩阿里巴巴，指控其发起肆无忌惮的非法攻击以窃取其技术。如果中国实验室能在短短数月内低成本地复现其模型性能，美国实验室又该如何持续为昂贵的训练筹集资金？
Anthropic 这一诉求的症结在于，除了虚假账户和系统性滥用 API 之外，它所期望的那种类似专利的专有性制度其实从未存在过。模型蒸馏是业界公认的正当做法，与过去美国国防、航空航天及芯片承包商所面临的间谍行为和商业机密窃取有着本质区别。中国实验室并没有直接窃取核心权重，他们只是通过提示词工程，让美国模型充当自身模型的“导师”。
模型生成的内容不受版权法保护，且人工智能实验室通常会将输出内容的归属权赋予客户。尽管服务条款可以明文禁止客户使用这些输出来训练竞争模型，但这就引出了一个显而易见的问题：如果技术如此先进，实验室为什么不能用技术手段来阻止蒸馏？答案在于，无论是请求内容还是请求来源，都无法直接暴露其攻击意图。每一个独立的请求看起来都与正常客户无异，有组织的团队可以将调用量分散在大量批量注册的账户、聚合平台以及不同司法管辖区。如果不在全平台增加繁琐的使用门槛，封禁行动就只会沦为“封号-重开”的无休止循环。这种权衡在 Fable 上已经显露无遗。由于其对协助前沿人工智能研发施加限制，引发了客户的强烈不满，Anthropic 不得不在几天内紧急调整规则。足以产生实质效果的风控措施，势必会误伤大批合法的正常工作。长远来看，阻止付费客户使用输出数据进行训练在商业上是行不通的，限制收得过紧，核心高频用户就会直接流向开源权重模型。
最后，将过去十年推动人工智能取得巨大进展的核心技术单独判定为非法，会让顶尖实验室陷入极其尴尬的境地，因为他们自己目前正是极力援引“合理使用”原则，来对互联网上海量的网页、媒体内容和书籍进行大规模的数据提炼与吸收。
退一步讲，顶尖人工智能模型能够作为导师来提升落后模型的性能，这对于美国的人工智能产业真的有害吗？即使政府能够动用软实力、政策和外交手段来强制推行这种壁垒，我们真的希望看到这种结果吗？
垄断，还是不垄断？
1959年的理查德·纳尔逊（Richard Nelson）与1962年的诺贝尔奖得主肯尼斯·阿罗（Kenneth Arrow），都曾深入探讨过这一经典难题。知识具有非排他性和非竞争性：我对某项创意的应用并不会妨碍你使用相同的创意；而创意一旦被公开，就无法再将他人排除在外。因此，一项创意所创造的社会总价值往往远超发明者自身所能捕获的收益，这引发了一个经典担忧：某些具有极高社会价值的创意从一开始就无法获得充分的探索与资金支持。
模型权重——至少在脱离外围配套软件单独存在时——其表现形态与“创意”极其相似。
对于整个社会而言，这就演变为了一个跨时期的核心矛盾：一旦某项创意诞生，社会希望它能尽可能广泛地传播。毕竟其边际成本就像下载模型权重一样，几乎为零。但在创意诞生之前，社会又必须让探索者坚信，他们能够捕获丰厚的回报以收回研发成本。
约瑟夫·熊彼特（Joseph Schumpeter）终其一生都在与这种矛盾抗争，他一方面肯定垄断地租对激发早期投资的价值，另一方面又强调初创企业与“创造性破坏”打破垄断、推动后续爆发式增长的必要性。最终，他得出了一个略显矛盾的折中结论：社会所能采取的最佳策略就是先赋予其阶段性的垄断地位，随后彻底放开竞争。
自那以后，创新经济学领域的所有研究，本质上都是在无休止地争论这种垄断究竟应当持续多久，以及应当依托何种机制来进行约束。然而，这里存在一个能够显著打破开源与闭源之间平衡的关键变量。
创意的复利效应
绝大多数（甚至可以说是全部）创新，都是某种形式的创意重组的结果。在那些高度依赖知识累积性以及需要对既有成果进行再加工的领域，赋予先行者的权利期限与强度，必须与后来者推迟探索所造成的额外代价进行审慎权衡。领先的人工智能实验室无论资源多么充沛，所能探索的有前景路径终究有限，这一点在人工智能安全领域同样适用。
人工智能自始至终都是快速蒸馏与提炼的产物。当今令人惊叹的模型，既得益于“AI寒冬”期间学术界在神经网络领域数十年如一日的沉淀，也离不开谷歌对 Transformer 架构的公开发布。从这个角度来看，开源权重模型作为闭源模型的“学生”，正是这一技术传承脉络的直接延续。模型的输出正是推动整个生态系统向前演进的关键研发原料。
关于限制基础研发要素获取如何抑制创新的最纯粹的自然实验，来自另一场竞赛：即营利性公司Celera与公共资助的“人类基因组计划”在 DNA 测序上的角逐。Celera在率先完成某段基因测序后，通过收费、限制再分发以及商业化授权等手段限制外界获取。经济学家海蒂·威廉姆斯（Heidi Williams）发现，与从一开始就完全公开的同类基因相比，这些受限基因所吸引的后续研究和产品开发减少了20%到30%。尽管这些限制在两年内随着公共项目独立完成相同基因的测序而告终，但所造成的差距却长期存在。直至2009年，由Celera测序的基因在后续研发产出上依然落后于其他基因。
当后续研发的价值极高时，即便早期的小小阻力也会产生复合的负面累积效应。相应地，消除阻力则会对创新的速率与方向产生深远影响。在生物材料领域，杰夫·弗曼（Jeff Furman）与斯科特·斯特恩（Scott Stern）发现，当研发要素的获取变得更加便捷时，研究的累积性提升了57%至135%。在基因工程小鼠的研究中，菲奥娜·默里（Fiona Murray）、菲利普·阿吉翁（Philippe Aghion）及其合作者研究了当美国国立卫生研究院（NIH）通过谈判取消杜邦公司对数百种 Cre-lox 和 Onco 品系的限制，并废除阻碍学术获取的穿透性版税与繁琐报告要求后的情况。结果表明，后续研究显著增加。更关键的是，研究方向呈现出百花齐放的态势，新研究人员纷纷加入，探索了更多全新的技术路径。而在上游，新型工程小鼠的培育工作未受任何负面影响。
总体而言，只要技术累积与广泛探索带来的收益足够显著，开放就是最具优势的策略。这也意味着，当技术发展仍处于高不确定性阶段时（如同当下的 AI），社会从开放中获得的红利最大。当技术演进只剩下沿着已知路径进行确定性执行时，闭源的危害性就会大大降低。即便是在这种特定情形下（比方说某种具有明确临床效益且亟待商业化的药物分子），社会赋予其阶段性垄断，也是为了换取相关技术信息的公开披露。专利制度本身的设立初衷就是为了促进技术传播，避免因商业秘密保护而导致技术彻底被彻底雪藏。
你可能会好奇，这些来自重科研领域的案例是否同样适用于人工智能？毕竟，大规模部署模型需要对底层基础设施进行巨额投资，而这正是实验室面临最大风险的地方。然而，电信行业的发展历史给出了完全相同的启示。1956年的一项反垄断和解协议，迫使 AT&T 免费开放了有史以来最具价值的专利组合之一。马丁·瓦茨格（Martin Watzinger）及其合作者的测算显示，一旦包括晶体管在内的 AT&T 发明可供他人自由借鉴，全社会的发明创新活力在五年内激增了17%。有趣的是，推动这一增长的并非搭 AT&T 知识产权便车的大型企业，而是瞄准全新增量市场的初创公司。与此同时，贝尔实验室也进一步聚焦核心业务，其创新势头丝毫未减，相继在1957年研制出激光器、1962年发射通信卫星、1969年开发出 Unix 系统。
尽管允许他人在自己的创意上进行复合创新可能会让 Anthropic 和 OpenAI 感到沮丧，但可喜的是，除极少数例外之外，经济进步向来就是遵循这一规律演进的。威廉·诺德豪斯（William Nordhaus）的研究发现，创新者平均只能捕获其为世界所创造的社会总剩余的约2.2%。人工智能同样概莫能外。这也让我们能更客观地审视 Anthropic 向美国政府提出的诉求——社会并不欠这些实验室一套更严苛的专有性保护制度。事实证明，另一套截然不同的价值实现机制早已在发挥作用。
创新的“最后一公里”
当一项全新的通用技术问世时，起初它必须被生硬地嵌入现有的系统之中。这些早期的“单点解决方案”只能释放新范式的一部分价值；唯有从第一性原理出发重构整体架构，这项技术才能展现出颠覆性的变革力量。
这种体系重构需要掌控并适配关键的互补性资产，包括基础设施、用户信任、分发网络以及监管合规关系。这为行业既有巨头提供了二次突围的契机，尽管新晋企业可能在早期凭借突袭式的技术创新占据了先机，但随着互补性资产逐步成为制约发展的核心瓶颈，传统巨头可以通过模仿、并购与快速跟进，重新稳固其行业地位。
20世纪80年代，理查德·莱文（Richard Levin）及其耶鲁大学的同事向全美创新领域的企业高管提出了一个基本问题：究竟是什么在保护你们的研发成果？专利保护位列倒数第一。排在最前列的是什么？是持续学习能力、技术保密性、先发时间优势以及互补性资产。十年后这项研究被再次重复，得出的结论如出一辙。唯一的例外是医药和化工行业，在这类领域中，某种特定分子结构就能定义整个产品品类，精准的专利排他性极具威慑力。然而在经济生活的大多数领域，企业在底层创意上排除他人的能力都十分有限。
只要技术的专有性较弱，行业中依然蕴藏着丰厚的利润空间；只不过这些利润会流向那些掌控着“互补资产”的一方——这些资产能让原本的技术变得更优、更廉价、更敏捷。一个经典的例证是披头士乐队的唱片发行商 EMI，该公司同时涉足电子业务，并申请了世界上第一台 CT 扫描仪的专利。其首席工程师戈弗雷·豪斯菲尔德（Godfrey Hounsfield）因此荣获诺贝尔奖。然而 EMI 却几乎未能捕获到这项技术的商业价值。短短数年内，EMI 惨遭收购，CT 市场被通用电气（GE）和西门子牢牢瓜分。GE 凭借的互补资产是什么？是成熟的医院分销渠道与维保服务网络，而这正是扫描仪真正推向市场的“最后一公里”。
人工智能自诞生之日起就处在专有性较弱的一端。尽管通往通用人工超级智能（ASI）的竞争异常激烈，但前沿的研究成果总是不可避免地流出实验室，顶尖人才依照硅谷传统在各大公司间频繁流动，模型的 API 接口也必然会泄露有价值的技术细节。在所有这些维度上，即便是最严苛的封堵手段，充其量也只能为前沿实验室争取到极其微弱的时间领先优势。更何况，鉴于顶尖人才和大型企业客户在现阶段拥有的议价能力，过于严苛的管控反而会产生适得其反的糟糕后果。
当然，实验室的核心秘方并非全部流入公共领域。据 Epoch AI 测算，最终的训练流程仅占总算力成本的10%至23%，实验室在数据清洗与标注、基础设施架构与优化，以及从失败实验中吸取教训等方面，积累了大量极具价值的隐性知识。但其中的规律依然一致——如果前沿实验室无法迅速掌握在市场中规模化推广 AI 所需的关键互补资产，价值最终必将向其他领域转移。
这也解释了为什么各大 AI 实验室都在竭力通过深度绑定模型与交互外壳来强化客户粘性，并通过 Claude Cowork、Claude Tag 和 ChatGPT 计算机操作等工具向下游应用层大举扩张。这些工具不仅能沉淀海量行为轨迹以复刻人类技能、决策与判断力，还能放大客户将所有交互记录和记忆统一沉淀在同一产品生态中的使用价值，从而避免客户多平台切换。只要你能成为满足客户所有 AI 需求的超级入口，即便底层的机器智能日趋同质化与大宗商品化，你也能通过持续优化体验构建起坚实的护城河。
除了在应用层扩张以及通过算力垂直整合以获取成本优势外，推动行业监管或许是前沿实验室人为构筑互补资产壁垒的最有效途径，如果能以“安全”为由大幅拉高模型评估与上市准入的门槛，就能将那些缺乏全明星政策、合规、法务与安全团队的竞争对手直接挡在门外。
这种套路在金融、医疗等强监管行业中早已屡试不爽。在欧盟出台宣称“保护消费者权益”的隐私法规后，数字平台领域也上演了完全相同的剧情，GDPR 不但没有真正遏制行业巨头的数据收集能力，反而由于繁琐复杂的合规成本，对缺乏合规资源的初创企业和中小玩家造成了普遍的寒蝉效应。
然而，存在监管俘获的可能并不意味着安全问题本身是个伪命题。实验室的诉求完全可能既出于自私的商业考量，同时在安全事实上又是成立的。开源权重模型真的必然比闭源模型更危险吗？抑或是将控制权集中在少数寡头手中，反而会酝酿出更为巨大的系统性风险？
安全的“最后一公里”
美国的核心比较优势在于鼓励无需许可的自由探索与试验，而非过早对新技术施加管制或直接钦定赢家。但互联网时代的成功经验对于人工智能或许完全不适用。万一开源权重本身就极度危险，而严格的护栏与身份实名认证才是驾驭前沿能力的唯一安全路径呢？
强力的管控手段确实能提高恶意分子滥用系统的门槛。但由于该技术具备典型的军民两用/双重用途特征，这些管控措施也势必会限制更多善意使用者的合法访问。在某些特定领域，防御能力的快速普及至关重要，因此闭源模型并不必然更加安全。
这一平衡取决于两个核心的经济学问题——在边际上，谁能从技术的扩散中获益最多？以及究竟在哪些环节才能真正对访问权限实施有效拦截？在网络安全领域，防御力量高度分散在无数的机构与终端设备中。开源权重显著降低了代码审计、漏洞修补和老旧系统升级的门槛；与此同时，顶尖黑客往往具备绕过模型层防护的能力。因此，限制模型访问实际上是在对庞大的防御群体征税，却根本无法有效阻挡能力极强的对手。
在生物技术领域，情况则大相径庭。一个危险能力的扩散就可能造成不可逆的灾难，让整个社会难以招架。因此，如果能利用延缓技术扩散所争取到的时间，来加强筛查并牢牢管控将模型输出转化为大规模现实伤害所必需的稀缺实体原料（如基因合成仪、专用设备及生物试剂），那么延缓扩散就具有特殊的战略价值。互补资产的规律在安全领域同样适用，当瓶颈存在于由“原子”构成的物理世界时，它所能构筑的卡脖子防线，远比软件层面的护栏有效得多。
对于真正关乎人类存亡的系统性风险，天平可能需要更彻底地向开源倾斜。当未知变量