一家公司花几亿美元训练出来的模型，为什么要免费公开？DeepSeek 把自己最核心的技术开放给了全世界，而 ChatGPT 背后的 GPT 从不公开——"开源"和"闭源"到底差在哪？作为普通用户，你又该怎么选？
今天这篇，我用最直白的方式把这件事讲清楚——包括那个让人困惑的问题：为什么有人愿意"免费送"。不需要懂代码，看完你就全明白了。
先打个比方：公开菜谱 vs 餐厅独门秘方
想象一下做菜这件事。
有一种餐厅，老板把自己的菜谱完全公开——用了什么食材、每种放多少克、先放什么后放什么、火候多大……全部写得清清楚楚，贴在门口，谁都能看。你要是感兴趣，可以照着自己在家做，也可以改改配方做出自己的版本，甚至开一家新餐厅拿这个菜谱去卖。
这就是开源模型——模型的"配方"（技术细节、参数、训练方法）全部公开，任何人都可以查看、使用、修改，甚至拿去商用。
另一种餐厅呢，菜是好吃的，但你只能进店点菜、付钱、吃。至于里面放了什么料、怎么做的，一概不告诉你。你想自己做？不行。你想改口味？只能等餐厅自己出新菜。
这就是闭源模型——模型的能力你通过 API 或者网页能用，但底层怎么搭的、参数是多少，完全不公开。ChatGPT（GPT 系列）、Claude、Gemini 都属于这一类。
所以最核心的区别就一句话：开源模型给你"配方"，闭源模型只给你"菜"。
但这对你意味着什么？
你可能会想：我又不打算自己"做菜"，开源不开源跟我有什么关系？
关系比你想象的大。
用闭源模型，你是一个"食客"。 你在 ChatGPT 的对话框里打字，或者在 Claude 的网页上聊天——你的数据会经过它们的服务器，由它们的模型来处理。好不好用、安不安全、什么时候涨价、什么时候下线，你说了不算，平台说了算。你享受的是方便——打开网页就能用，不用操心任何技术问题。
用开源模型，你可以选择当一个"厨师"。 你可以把模型下载到自己的电脑上、自己的服务器上跑。数据不离开你的设备，隐私完全在自己手里。你可以根据自己的需求做调整——比如让模型更懂医疗、更懂法律、更懂你公司的业务。而且不存在"平台突然涨价"或者"服务突然关停"的风险，因为东西就在你手里。
当然，大多数人不会真的自己去"做菜"——下载和运行开源模型需要一定的技术能力和硬件条件。但即使你自己不跑，开源模型的存在也在实实在在地影响你。
举个你一定知道的例子：腾讯元宝。你打开元宝，会发现里面可以直接用 DeepSeek 聊天。但 DeepSeek 是另一家公司做的模型，腾讯怎么就能用呢？因为 DeepSeek 是开源的。 腾讯把 DeepSeek 的模型下载下来，部署在自己的服务器上，就有了这个功能。而像字节跳动的豆包，背后跑的是自家的 seed 大模型——这是闭源的，只有字节自己能用，别的公司想用也用不了。
这就是开源模型最直接的好处：它让"好用的 AI"不再只属于做出它的那一家公司。 任何有技术能力的公司都可以基于开源模型提供服务，竞争更充分，你的选择更多，价格也往往更低。你在腾讯元宝里用 DeepSeek，跟在 DeepSeek 官网用，效果是一样的——但腾讯的服务可能更稳定、更快，因为它有自己庞大的服务器集群在支撑。
各有什么优缺点？
我们来把两边的优缺点摊开看。
闭源模型的优点：
- 开箱即用。 注册一个账号就能用，不需要任何技术知识。ChatGPT、Claude 都是打开网页直接聊。
- 通常能力最强。 OpenAI、Anthropic、Google 这些公司投入了巨额资金训练模型，最新、最强的能力往往先出现在闭源模型上。
- 持续更新不用你操心。 平台会不断升级模型，你什么都不用做，自动就用上更好的版本了。
闭源模型的缺点：
- 你的数据经过别人的服务器。 虽然主流平台都有隐私政策，但本质上你的对话内容是经过了别人的系统。对一些敏感场景（比如公司内部资料、医疗信息），这可能是个顾虑。
- 你没有选择权。 平台决定价格、决定功能、决定哪些问题不回答。如果它觉得某个回答不合适，会直接拒绝你。
- 存在"停服"风险。 如果平台调整策略、甚至倒闭，你依赖的服务可能突然就没了。
开源模型的优点：
- 数据在你手里。 模型跑在你自己的设备上，数据不外传。对隐私要求高的场景，这是最大的优势。
- 可以定制。 你可以用自己领域的数据对模型做调整（叫"微调"），让它更懂你的专业。比如一个律师事务所可以让模型专门学习大量的法律文书，变成一个法律专用 AI。
- 不会被"卡脖子"。 不存在平台涨价、限制使用的问题。代码和模型权重都在你手里，你想用多久用多久。
- 社区驱动，迭代快。 全世界的开发者都可以参与改进，有时候小模型在特定任务上的表现甚至能超过大模型。
开源模型的缺点：
- 使用有门槛。 下载、部署、运行都需要技术能力。虽然有越来越简单的工具，但跟"打开网页就用"比起来，还是复杂得多。
- 需要硬件支持。 跑一个大模型，你可能需要一张不错的显卡，或者一台配置比较高的电脑。不是随便一台笔记本就能搞定的。
- 最好的开源模型，通常还是比最好的闭源模型差一截。 虽然差距在缩小，但在最复杂的任务上，闭源模型目前仍然领先。
同样是"大模型"，为什么能力天差地别？
前面说到闭源模型"通常能力最强"，你可能会想：不都是大模型吗，为什么有的聪明有的笨？差距到底从哪来？
核心差异在三个地方：
训练数据。 就像学生学习，用什么教材、做多少题，直接决定水平。有的模型"读"的是经过精心筛选的高质量文本，有的则是从网上随便扒下来的内容——训练数据的质量和多样性，是模型能力的根基。
算力规模。 训练大模型需要海量的 GPU（显卡）进行长时间计算。你有 1000 张显卡跑三个月，跟别人有 10 万张显卡跑半年，训练出来的模型完全不是一个量级。这也是为什么 OpenAI、Google 这些公司每年在算力上烧掉几十亿美元。
训练技术和工程能力。 有了数据和算力还不够，用什么样的训练方法、怎么调整参数、怎么防止模型"学歪了"——这些技术细节的差距，最终都会体现在模型的表现上。一个经验丰富的团队和一个刚起步的团队，用同样的数据和算力，训练出来的模型也可能差很多。
简单说：数据决定上限，算力决定能跑多远，技术决定能不能跑到位。 三者缺一不可。这也是为什么能做出顶级模型的公司，全世界一只手数得过来。
等等，那为什么公司愿意开源？
讲到这，你可能有一个疑问：训练一个大模型要花几亿美元，为什么 DeepSeek、Meta 这些公司愿意免费公开？这不是在做慈善吗？
确实不是做慈善。开源背后有一套很实际的商业逻辑。最主要的原因有这几个：
第一，用开源来"包围"竞争对手。 最经典的例子是 Meta（Facebook 的母公司）。Meta 不靠卖模型赚钱，它靠广告。但它的竞争对手——比如 OpenAI——核心商业模式就是卖模型的使用权。Meta 把 Llama 开源，相当于免费送给大家一个"够好用"的模型。当免费的选择已经很好用了，愿意付费的人就少了。这直接削弱了靠卖模型吃饭的竞争对手。
第二，社区帮着你改进。 模型开源之后，全世界的开发者都可以参与进来——找 bug、做优化、适配不同的硬件、写出更好的使用教程。这些工作如果全靠公司自己做，成本高得吓人。开源相当于把研发"众包"出去了。
第三，吸引人才和建立标准。 顶尖的 AI 研究人员更愿意去开源自己工作的公司——他们的成果能被更多人看到和使用。同时，当你的开源模型成为大家默认的选择，整个行业的工具和生态都会围绕你的标准来建设。这是一种长期的影响力。
当然，不同公司的开源策略和程度也不一样。有的完全开放（比如 DeepSeek 开放了模型权重和技术报告），有的只开放一部分（比如只开放模型权重但不公开训练数据）。但总的来说，开源不是"白送"，而是一种深思熟虑的商业策略。
作为普通用户，你该怎么选？
说了这么多，到底该怎么选？其实没有标准答案，取决于你的需求。
如果你就想简单用用 AI——选闭源。 帮你写个邮件、改个文案、翻译一段话、回答日常问题——ChatGPT、Claude、DeepSeek 的在线版本完全够用。方便、省心、效果好，这就是大多数人的最佳选择。
如果你特别在意数据隐私——认真考虑开源。 比如你是医生，需要分析患者的病历；你是律师，需要处理客户的合同——这些场景下，把数据发到别人的服务器上确实让人不踏实。这时候在本地跑一个开源模型，数据不出自己的电脑，就安心多了。
如果你有特定的专业需求——开源值得一试。 通用的闭源模型什么都懂一点，但在你的专业领域可能不够深。开源模型可以拿你自己的数据做微调，变成一个更贴合你需求的专属助手。
如果你是开发者，想在产品里集成 AI——两者都可以看。 闭源模型通过 API 调用，集成最简单；开源模型部署在自己的服务器上，长期成本可能更低，而且不受第三方平台的限制。
一个很实际的建议：不必二选一。 很多人的做法是——日常用 ChatGPT 或 Claude 这样的闭源产品，够用、好用；同时关注开源模型的发展，在需要隐私保护或者定制化的时候，用开源方案来补。两条腿走路，最稳。
开源和闭源正在互相靠近
最后说一个你可能感兴趣的趋势：开源和闭源的界限，正在变得模糊。
以前是闭源模型遥遥领先，开源只能跟在后面捡。但现在不一样了。DeepSeek、Llama（Meta 推出的开源系列）、Qwen（阿里通义千问系列）这些开源模型的能力越来越强，在很多任务上已经跟闭源模型打得有来有回。而且开源模型的使用门槛也在快速降低——以前你得会写代码才能跑模型，现在很多工具已经简化到"点几下鼠标"就行。
同时，闭源平台也在变得更"开放"——比如提供更灵活的 API、允许一定程度的定制。竞争让双方都在往中间靠拢。
对普通用户来说，这是最好的局面——不管你是想"直接吃"还是想"自己做"，选择都在变多，而且越来越便宜、越来越好用。
一句话总结
开源模型给你配方，闭源模型给你成品。选哪个不重要，重要的是你清楚自己要什么——方便就选闭源，隐私和定制就选开源，两个都要就两个都用。
下一篇我们聊一个你肯定听过但容易搞混的概念——训练 vs 推理。AI 的"学习"和"考试"是完全不同的两件事，搞懂了这个区别，你就能理解为什么 AI 培训一次要花几千万美元，但用一次只要几分钱。