从 Kubernetes 到 Qwen：AI 时代的“开源”为何变了？

AI 时代的开源已不再是“看得见源码”，而是“能加载模型、能微调智能”。美国厂商闭源筑护城河，中国厂商开源抢生态，开源的意义和玩法都发生了根本变化。

引言

十年前，云原生浪潮掀起时，美国的 Google、Red Hat、Docker 等公司开源了大量基础设施软件——Kubernetes、Docker、Istio 成了全球开发者的共同语言。

然而进入大模型时代，局面却完全反转：美国科技公司几乎不再开源核心模型，而中国厂商（如智谱、阿里、面壁、零一万物、月之暗面等）却频频发布开源大模型。为什么会出现这种转变？“AI 开源”与“基础设施开源”又有什么根本区别？

云原生时代与 AI 时代的开源逻辑变化

下表对比了云原生与 AI 时代开源的核心逻辑、盈利方式和资源依赖。

云原生开源强调“共建标准”，而 AI 大模型开源则意味着“核心资产的开放”，两者的本质和动因截然不同。

美国公司为何不再真正开源

美国科技公司在 AI 时代选择闭源，背后有多重原因：

• 商业逻辑转向护城河思维：训练成本高昂，模型权重成为核心壁垒，开源等于让出竞争力。
• 算力与数据不可复制：社区难以复现 GPT-4 级别模型。
• 安全与合规约束：模型权重可能涉及用户数据，监管严格。
• “开放”被重新定义为“API 可访问”：开放平台更多指接口开放，而非代码与权重开放。

中国公司为何更愿意开源

中国厂商在 AI 领域积极开源，主要基于以下考量：

• 用开源换生态、换认知，快速建立品牌影响力。
• “开源 + 商业许可”双轨模式，兼顾生态扩展与商业收益。
• 数据政策环境更灵活，政策鼓励自主模型。
• 国家战略驱动，“自主可控”与“开源生态”成为科技战略重点。

开源载体的迁移：从 GitHub 到 Hugging Face

开源的载体也发生了变化。下表展示了 GitHub 与 Hugging Face 在开源形态上的区别。

GitHub 主要开源“程序逻辑”，而 Hugging Face 则开源“模型智力”，两者的核心资产完全不同。

AI 开源的核心要素

AI 时代的开源不仅仅是代码开放，更包括权重、推理代码和微调能力。下面分别说明三大要素。

开放权重（Weights）

模型训练后的全部知识都存储在权重参数中。拥有权重即拥有模型的“智力本体”。闭源模型（如 GPT-4）只提供 API，不开放权重。

开放推理代码（Inference Code）

推理代码定义了如何加载权重、分词、并发计算和显存优化。下方代码演示了如何加载 Qwen3 模型：

from transformers import AutoModelForCausalLM, AutoTokenizer

# 加载模型与分词器
model_name = "Qwen/Qwen3-4B-Instruct-2507"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",  # 自动选择 FP16 或 FP32
    device_map="auto"    # 自动分配到 GPU / CPU
)

# 推理
prompt = "你好，请简要介绍一下大模型的微调原理。"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

微调（Fine-tuning）

微调是在开源模型基础上再训练，使其适应特定数据和场景。常见方式有 LoRA / QLoRA，成本低，能让通用模型变成企业专属助手。

企业为何选择自部署而非 API

企业在实际应用中，往往更倾向于自部署开源模型。下表总结了主要原因和说明。

Qwen3-4B-Instruct-2507 模型结构与使用

以 Qwen3-4B-Instruct-2507 为例，介绍 Hugging Face 上模型的目录结构和使用方法。

目录结构说明

模型下载后目录结构如下：

开源模型的目录结构可以用下图表示：

在开源模型的目录结构中，model.safetensors 文件即为模型权重，存储数十亿参数。 还有其他文件，如 README.md、LICENSE、.gitattributes，其作用说明如下：

加载与推理代码示例

以下代码展示了如何加载并运行 Qwen3-4B-Instruct-2507 模型：

from transformers import AutoTokenizer, AutoModelForCausalLM

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(
    "Qwen/Qwen3-4B-Instruct-2507",
    trust_remote_code=True
)
model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-4B-Instruct-2507",
    device_map="auto"
)

# 构造输入并推理
prompt = "你好，解释一下云原生的意义。"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

如显存不足，可采用量化加载方式：

mdl = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-4B-Instruct-2507",
    device_map="auto",
    load_in_8bit=True
)

开源 LLM 的开发者应用场景

开源大模型为开发者带来了丰富的应用场景。下表总结了常见方向、用途和工具。

开源模型生命周期

开源模型从下载到生产上线的完整生命周期如下：

1. 下载模型权重
2. 加载推理代码
3. 本地推理或部署服务
4. 微调专属数据
5. 企业集成 RAG / Agent
6. 上线生产环境

如何判断开源大模型的许可证

下载一个开源模型 = 拥有一颗可加载、可训练、可商用的“智能大脑”； 但能不能拿它赚钱，还得看它的 License。

同传统的开源项目一样，对于大模型，是否可以商用，也需要关注许可证。

查看方法：

1. Hugging Face 模型主页右上角 → License: ...
2. 仓库根目录下的 LICENSE 或 README.md 文件

简要的判断流程如下：

总结

AI 时代的开源已从“能看源码”转变为“能加载模型、能微调智能”。美国厂商以闭源维护商业护城河，中国厂商则用开源抢占生态高地。开源的真正价值在于赋能开发者，让每个人都能拥有属于自己的“通用大脑”，构建智能基础设施。

参考文献

• Hugging Face - huggingface.co
• Qwen3-4B-Instruct-2507 模型主页 - huggingface.co
• Kubernetes 官网 - kubernetes.io