开放权重改变的不是 AI 投资总量，而是价值的流向

Christian Catalini 于 2026 年 8 月 11 日发表的 《Some Simple Economics of Open versus Closed AI》，讨论开放权重模型与封闭模型的经济后果。作者把问题拆成四层：开放会不会削弱前沿模型的投资激励，创新价值会落到谁手里，安全风险应在哪里设防，企业怎样保住自己的专有知识。1

支持封闭模型的一方认为，竞争者通过 distillation 让模型充当老师，等于低成本复制前沿实验室的研发成果。若美国实验室无法收回大规模训练投入，下一轮模型的资金来源会被削弱，中国实验室则能搭便车。安全论证进一步认为，高能力权重一旦公开便无法召回，坏人可以绕过访问门槛直接使用，因此需要身份验证、访问限制和护栏。

支持开放权重的一方把重点放在通用技术的扩散：更多企业可以改造模型，更多行业可以试验，市场也不至于被少数实验室控制。Catalini 的判断是，双方把问题问得太粗。开放权重更可能改变投资进入哪些领域、由谁组合能力、谁能拿到回报，而不是简单地让 AI 投资总量消失。安全也要按领域判断：扩散究竟主要帮助防御者或攻击者，风险能否在模型之外的稀缺环节被拦住。1

作者先区分了几种行为：欺诈账号和系统性滥用 API 属于平台治理问题，间谍和商业秘密盗窃属于传统的保密与执法问题；让一个模型通过大量正常请求充当另一个模型的老师，则是蒸馏。单次请求看起来像合法客户工作，组织者可以分散请求、使用聚合器和多个司法辖区，实验室很难从每一笔调用中判断训练意图。

若平台把反蒸馏措施收得过紧，正常客户会承受更高的摩擦。作者举 Anthropic 的 Fable 为例：产品限制模型协助前沿 AI 研发后，客户反应迫使公司在几天内调整规则。若实验室禁止客户用已经付费获得的输出训练竞争模型，重度用户可能转向开放权重模型。Catalini 因此认为，前沿实验室想要一种近似专利的排他制度，却依赖一个自身很难执行、也很难与 AI 发展史相容的前提：过去的模型进步本来就建立在公开论文、模型架构和大规模互联网材料的吸收之上。1

Catalini 用 1851 年伦敦万国工业博览会引出扩散问题。经济学家 Petra Moser 后来把博览会及 1876 年美国博览会的近 15,000 项发明整理成数据，比较有专利保护和没有专利保护的国家。作者转述的结果是：专利制度没有改变创新总量，却改变了创新者把注意力放到哪些领域。缺少专利时，创新者会集中在保密、领先时间和配套资产能提供优势的方向；排他保护更强时，创新会向更多领域扩散。1

文章用几组创新经济学案例说明，后续组合越重要，限制输入的代价越容易累积。Heidi Williams 对 Celera 与人类基因组计划的研究显示，受限访问的基因获得的后续研究和产品开发少 20%—30%，即使限制在两年内消失，差距仍然持续。作者引用 Jeff Furman 与 Scott Stern 的研究称，研发投入品变得更容易获得后，生物材料创新的累积性提高 57%—135%。关于 AT&T，作者引用的研究显示，1956 年反垄断和免许可使用专利组合后，五年内发明活动增加 17%；增长主要来自进入不同市场的新公司，Bell Labs 仍推出了激光、通信卫星和 Unix。1

这些案例支持的不是「开放永远更好」，而是一个有条件的判断：当技术仍有很多未知路径，后续研究能够不断重组上游成果时，开放会让更多人进入，探索路线变得更分散。当前 AI 仍处在这种阶段，开放权重更可能改变创新流向，而不是让前沿实验室停止投入。Catalini 引用 William Nordhaus 的估计称，创新者平均只能获得约 2.2% 的社会剩余；社会价值与发明者能够独占的回报之间，本来就存在差距。1

通用技术刚出现时，通常只能以局部方案嵌入旧系统。它要产生大部分实际价值，必须接入基础设施、信任、分发渠道、监管关系、专有数据和隐性知识。作者引用两轮针对美国创新行业高管的调查：专利在保护研发投入的因素中排名靠后，学习、保密、领先时间和互补资产排在前面。制药与化工是分子排他性更强的例外，多数行业依靠的是把技术带进现实系统的能力。

EMI 发明 CT 扫描仪，却没有控制医院分发和服务网络；GE 与 Siemens 掌握这些配套资产，最终拿走了市场价值。Catalini 用这个故事解释 AI 的下一步：模型权重可以保持封闭，研究人才会流动，API 也会泄露大量信息，实验室很难永久守住基础能力。它们更可能通过控制应用入口、计算成本、用户记忆和监管标准来延长领先时间。若监管要求复杂到只有大型实验室承担得起，安全规则就可能成为新的互补资产，也可能变成阻挡竞争者的工具。1

作者把开放与安全的比较改写成两个问题：扩散在边际上主要帮助谁，以及访问能不能在真正有效的位置被限制。网络安全的防御力量分布在大量组织和设备中。开放权重能降低审计代码、修补漏洞和升级旧系统的成本；高水平攻击者可能绕过模型层的限制，关闭访问因此可能让大量防御者付出代价，却未必能挡住最强的攻击者。

生物安全的条件不同。某种危险能力可能造成不可逆的伤害，延迟扩散的价值在于加强筛查，并控制合成仪、专用设备和生物材料等稀缺的物理输入。作者据此推断，原子构成的瓶颈比软件护栏更适合阻断大规模伤害。面对真正系统性的未知风险，发现漏洞和修复漏洞所需的知识可能分散在社会各处，开放权重可能形成更有韧性的防御网络；这属于作者的推演，文章没有把它写成已验证的安全结论。

Catalini 的方案不是无条件公开高能力模型。他主张开放与封闭模型都接受独立的第三方测试，采用分阶段发布，让防御系统有时间适应，并把安全研究推进到训练阶段，寻找削弱有害能力的方法。安全的选择因此要回答两个问题：「能不能挡住权重」，以及护栏被突破后，社会是否仍有分散的修复能力。1

企业早期转向开放权重，常常是为了降低 token 成本；作者认为，长期关键变量是控制。工程、设计、金融、会计和法律流程依赖企业积累的专有数据、供应商关系和隐性判断。企业把这些内容交给模型供应商后，模型、工具和工作记忆会逐步嵌入流程，切换成本随之增加。供应商一旦进入应用层，就可能从合作方变成客户的竞争者。

作者用 Thinking Machines 与 Bridgewater 的合作说明一种不同的分工：AI 实验室提供通用模型和训练工具，投资机构提供自己的领域知识，双方共同训练一个更贴近核心业务的模型。Microsoft、Palantir 等企业基础设施路线也属于这一方向。开放权重对企业的意义因此超出「便宜模型」：企业需要保住把现实经验转成模型能力的过程，避免最有价值的知识被平台吸收后反过来削弱自己的位置。1

在多数行业，模型达到「够好」后，进一步提升一单位能力的回报会快速下降。价格、可靠性和部署便利性比最后一点性能更重要，智能会像电力一样按用量计价。开放权重模型和按成本运行的封闭模型可以服务这部分市场，基础设施和计算成本成为主要竞争点。

高附加值的 token 属于另一条曲线。企业只有掌握更好的真实数据、地面真值和专业人才，才有能力把输入加工成可信的结果。Agent 的工作要产生价值，先要能被验证；谁能更快收集现实中的反馈，谁就更有机会改进模型。在网络安全、金融、前沿研发和可专利领域，领先一点可能带来不成比例的回报，短期前沿租金仍然存在。作者提醒，若能力真的达到国家竞争的高度，国家可能直接管理甚至国有化最尖端系统；实验室要维持独立，反而不能成功到足以成为国家级战略资产。1

Catalini 的核心判断是：开放权重挑战的主要是 AI 投资的方向，不是投资的总量。开放模型占优势时，进展会转向拥有配套资产的企业和细分领域；封闭实验室占优势时，社会可能得到更通用的模型，但实验室必须依靠领先时间收回研发成本，开放权重则会持续对它们的市场地位施加竞争。两种结构可能共存：封闭模型服务市场顶端，开放模型服务大量普通 token。

作者最后借 Hayek 对分散知识的分析把推论推到超级智能：即使模型能力极强，系统仍需进入现实世界，发现分散、局部、隐性的知识。开放权重让智能在更多地方被改造和试验，封闭系统则把优化和访问集中在少数机构。作者没有给出开放或封闭的永久答案，而是一套判断顺序：先看创新仍有多少未知路径，继而判断价值由哪些互补资产落地，最后看安全风险能否在模型之外找到真实瓶颈。监管可以放慢扩散，却未必能改变价值最终流向现实数据、分发渠道和具体业务摩擦的方向。1