原创 晚点团队 2025-02-27 22:13 北京
“开源不能只看存量，还要看到增量。”
“真正的大模型开源，应该把数据集也开源。”
文丨贺乾明
编辑丨宋玮
过去两个月，DeepSeek 重塑全球大模型格局，也扭转了整个行业对开源的理解。
OpenAI 反思走向闭源是 “站在历史错误的一边”，百度、MiniMax、阶跃星辰等原本闭源的公司转向开源。
“如果在以前，一个拿几亿美金融资的公司说自己要开源，估计投资人会吐血。” 一位科技投资人说。
DeepSeek 还在加大开源力度。这周，DeepSeek 计划开源 5 个训练、推理大模型相关的代码库——而大多数开源模型的公司还停留在开放模型权重层面。
到底该怎么看待 DeepSeek 的开源？它对大模型开源社区意味着什么？为什么不同公司选择不同的开源策略？选择开源对一家商业公司到底意味着什么？
近期，我们访谈了中国开源先驱章文嵩。他 1995 年读硕士期间接触到开源，那时中国刚通互联网不久，不少 DeepSeek 的研究者还没有出生。
1998 年，章文嵩在国防科大读博期间开源了 LVS（Linux 虚拟服务器）软件，这个均衡服务器访问流量、避免宕机的系统，是中国最早在全球科技行业扩散的开源项目，如今是互联网基础设施的组件。
“几乎所有的互联网公司都在用，包括 Google。” 章文嵩说，“大家每天用手机上网，在数据中心那一侧的请求，大部分可能都要经过 LVS 的调度”。
他认同 DeepSeek 的崛起是 “开源对闭源的胜利”，因为开源会降低创新应用成本，建立生态，可能会形成一些 “事实标准”。
他也提出了一个更激进的主张——“真正的大模型开源，应该把训练数据集也开源”。
相对于开源大模型权重、训练框架代码，这是更彻底的开源。非营利机构 AI2 发布大模型系列 OLMo 时，就把开源推进到这个层次，但模型性能有限。
在章文嵩的设想中，这个开源数据集要像维基百科一样，非营利机构牵头，数百万志愿者贡献数据，开源共建预训练的数据集，“这是全人类的知识宝库”，大模型服务可以由营利机构和非营利机构提供。
“OpenAI 并没有把全世界的数据收集全，远远没有。” 他引用了一个研究——将 Llama、 Mistral 和 Qwen 等开源模型串接起来，评测中的表现竟然比 GPT-4o 高出近十个百分点。他说，这证明开源训练数据集的潜力，“闭源模型收集的数据维度有限，这是他们面临的挑战。”
章文嵩不仅是中国开源的先行者，也是推动中国开源从零星个人贡献到互联网公司主导的关键人物。他 2009 年加入阿里，工作近 7 年，曾担任阿里云 CTO、阿里开源委员会主席，从 0 到 1 建立了阿里的开源策略。后来，章文嵩曾在滴滴工作 5 年，担任高级副总裁，同样推动了滴滴的技术开源。
“真正的大模型开源，应该把数据集也开源”
晚点：DeepSeek 的新模型发布时，Meta 的 AI 首席科学家 LeCun 说，这是 “开源对闭源” 的胜利。你认同吗？
章文嵩：当然认同。我一直觉得开源的大模型迟早会超越闭源的大模型。开源让创新的应用成本变得很低，同时，通过开源，可以构建一个生态，可能会形成一些事实标准。
晚点：那现在到了 “胜利” 的时刻吗？
章文嵩：我觉得真正的大模型开源，应该把训练（数据）集也开源。大语言模型的通用知识应该为全人类共享，就像维基百科一样，数百万人贡献数据，开源共建预训练的数据集，为全世界全人类服务，大模型服务可以由营利机构和非营利机构提供。
晚点：接下来会沿着这个方向演进吗？
章文嵩：那我不知道（此处笑了约 5 秒）。
大概半年前（2024 年 6 月），美国做 AI Infra 的公司 Together AI 发了一篇文章，把几个开源模型串接起来，像 Llama，然后法国人开源的 Mistral，国内的 Qwen（阿里通义千问）等去做评测集（评估大模型能力的基准测试），结果好于 GPT-4o 大概将近十个百分点，让人挺惊讶。
这说明这些开源模型训练数据集的并集，比 OpenAI 的 GPT-4o 训练集更丰富。如果不是更丰富，达不到这样的效果。
所以，OpenAI 并没有把全世界的数据已经收集全了，我觉得远远没有。这是闭源的挑战，他们收集的数据、维度都有限。
晚点：你之前在一篇文章中写过，基础软件开源，一个重要的好处是能让软件得到扩展与改进。但大模型的开源似乎提升不了模型本身的能力。
章文嵩：对。目前来看，模型的能力主要还是看数据工程，就是训练集的质量。
所以我觉得应该有一家非营利机构，用开源的方式来组织训练的数据集，大家一起做贡献，就像全人类的知识宝库一样，为全人类共享。
晚点：模型能力主要看训练数据集的话，那采用闭源策略的公司，就可以用开源的数据集叠加自己的数据集，训练更强的模型，那闭源模型会一直胜利？
章文嵩：我们可以在许可证（License）上做文章。
Linux 为什么强大？那是因为选了 GPL 许可证（允许用户自由使用、研究、修改和分享软件，但用了 GPL 软件的作品，必须以 GPL 许可证开源）。
2000 年前后，操作系统有很多选择，开源的还有 BSD（一种类 Unix 开源操作系统），但它的 License 特别宽松。苹果的 iOS、Cisco 的 iOS 都是在 BSD 上面做的，但没怎么回馈开源项目，对 BSD 生态发展很不利。Linux 的 GPL 许可证就要求，你在上面做改进，要回馈回来。
比如我规定这个开源训练集许可证，是类似 GPL 的传染许可证。如果豆包拿去用，对不起，豆包也必须把训练数据集开源出来。
非营利机构也可以说，如果要用我的（数据集），你要声明，要付费，也可以根据访问量付费，方式可以多种多样。
晚点：但数据集都在模型里面，很多作家的作品被模型厂商拿去训练模型，他们也没办法证明模型一定用了。
章文嵩：举证也比较简单，构建这个训练数据集时，可以在里面加 “指纹”，特定提示词抛出来，模型回答十分接近，就可以说用了数据集，就有可能限制他们。
晚点：你觉得 DeepSeek 什么时候有可能把训练数据集开源出来？
章文嵩：我不知道。但我觉得 DeepSeek 现在大概有 140、150 位同学，未来可能会更多，肯定也希望商业化成功，不可能一直靠激情做纯粹的开源。只有在财务上基本自由后，才能追求终极的开源使命。
晚点：Meta、阿里都开源大模型，但最后是 DeepSeek 拿走了胜利的果实。资源更少的后发者获得领先身位，在开源社区中常见吗？
章文嵩：这就是开源生态的魅力。我不需要巨大的资源，也不用从零开始做。开源是共享协作，我可以站在巨人的肩膀上尝试很多方法，有些可能是有效的。我想 DeepSeek 的 R1 里面用的强化学习，也是这样试验出来的。接下来，也会有人做很多其他尝试，也有可能找出更好的方法。
DeepSeek 开源的影响力最大，本质是模型效果好，推理成本又低——这是最关键的点。所以它的生态建设就是自然而然的事情，才会有更多的人用。
晚点：你怎么看待 DeepSeek 开源策略成功的意义？
章文嵩：DeepSeek 可以说是目前为止中国最成功的开源项目。这是一个关键的时间点。尤其是美国高端芯片禁运的情况下，要怎么走出一条路？DeepSeek 的启示很大。
晚点：为什么在全球先开源领先模型的不是 OpenAI，而是 DeepSeek？
章文嵩：OpenAI 已经走上闭源的道路，不可能回头的。他拿了那么多钱，他要实现自己的商业化目标。而且在阿尔特曼的主导下，也不会开源。
晚点：最近阿尔特曼说，“关于开源，他们站在了错误的一边”。你怎么看这个转变？
章文嵩：人们对大模型的关注，都到 DeepSeek 上面去了，而不是 OpenAI 的 ChatGPT。所以他必须要跟进。
但他跟进的力度是很有限的，只想把 o3 的 mini，很小的一个小模型版本开源出来。他只是想挽回一些大家的关注度。
阿尔特曼在社交媒体上讨论开源。
晚点：DeepSeek 没从外部融资，没有商业化的压力，是它开源的前提吗？
章文嵩：他们肯定是有技术追求的，有自己的目标。但商业化有不同的路径，在开源生态上也可以实现商业化，并不是一定要闭源。
晚点：如果它想继续开源，有什么商业化的方式？
章文嵩：过去开源商业化成功的公司有不少。比如 Red Hat，实际上是在 Linux 开源软件包基础上打包一个发行版。如果用户自己安装，是免费的。如果用户想节约时间，自动更新，Red Hat 就可以从服务中收到钱，这部分的订阅费是它最大一块收入。别的还有技术服务费。
Red Hat 是非常成功的公司，也比较伟大，它做过很多的软件，包括很多改进，都一概开源出来，并没有藏着，通过订阅、技术服务，依旧可以赚到钱。
晚点：既然可以赚到钱，为什么开源没有成为中国软件生态的主流？
章文嵩：我觉得跟整个环境有关系。中国真正做软件的公司相对比较少，不像我们的互联网公司规模都很大。很多企业，就是软件的采购者，比较强势，有很多定制化需求，交付成本很高，导致国内没有出非常大规模的软件企业，更不用说开源了。
当然，中国的工程师队伍非常庞大，开源力量也越来越强，应该在全世界排名第二。这一点我们并不弱。
晚点：中国的大模型开源会持续下去并成为主流吗？
章文嵩：我觉得会持续下去。大家已经从 DeepSeek 开源迅速走红认识到开源的威力。
大模型开源要形成主流，需要多方一起来参与开源，形成生态，很多参与方都能赚到钱，开源生态才会越来越强大，就像 Linux 开源生态一样。
阿里经验：公司开源不只是选择题，要有正反馈
晚点：字节不开源，阿里部分开源，DeepSeek 全开源。你觉得影响一个公司开源策略的因素是什么？
章文嵩：可能还是跟商业化相关，看大家的商业化的路径是什么。如果追求用独一无二的 API 调用服务收费，可能就会走向闭源，不会开放。如果有些公司觉得，开源生态更强大了，用的人更多了，我只要在里面取一瓢，就能实现商业化的收入，那就会选择开源。
比如说，DeepSeek 开源让更多的企业做私有化部署，会让 DeepSeek 的影响力越来越强。它自己也可以提供 API 服务，收到一部分钱，因为它是原作者，大家对它的信任度自然就高。如果这个生态足够大，只拿其中一部分，商业化收益就已经够了。
晚点：扎克伯格说过，Meta 选择开源，是因为他们发力晚，没有先发优势。中国大模型行业起步相对比较晚，很多公司一开始都是做开源。对于后发的选手，开源是更好的选择？
章文嵩：我觉得也不能这么讲。Facebook 是美国互联网巨头唯一错过云计算的。一些在 Facebook 的老朋友说，当时扎克伯格犯了错误，他觉得云计算不应该做。这一波 AI 来了，我觉得他们是想通过开源做生态，看能不能在 AI 服务上做一些业务出来。
晚点：我们也看到很多公司摇摆，比如 OpenAI、Mistral、零一，开源后来又转成了闭源。
章文嵩：开源没有形成很好的正反馈，开源的动力就不太足了，这是有可能的。商业化的公司做开源，需要有一些商业化上的正反馈回来。阿里为什么支持开源，一方面是本身比较开放，另一方面是对阿里云的业务帮助很大。
晚点：你在阿里工作近 7 年，从淘宝资深技术总监到阿里云 CTO，也是阿里开源委员会主席。阿里当时为什么想要开源？
章文嵩：开源实际上是副产品。我是 09 年入职，那时候先是淘宝，在淘宝和技术团队一起出去做校园招聘。我们经常问同学们：“你们猜猜看淘宝这样的网站，我们有多少技术人员？”
我们本来想跟同学们互动一下，想让同学们知道我们技术团队也挺庞大，有很多挑战，结果反馈基本上都是 20 个人左右。
实际上那时候淘宝的技术团队已经有一千多人了。所以外部对我们的了解很少，对校园招聘也是一个挑战。
晚点：那时中国的公司开源并不常见，你怎么说服高管的？
章文嵩：等 2010 年的时候，我就游说了吴泳铭，吴妈，说我们做了很多事情，做的东西也不错，也有技术深度，也有技术挑战，可以通过开源让外部更了解我们。吴妈就说很好，那你就开始干。
我们先在我的部门启动开源。我们做的基础软件，有的在生产系统已经用了蛮长时间，也没有什么变更。我跟同学们说，就选淘宝的那个缓存系统 tair 对外开源，跟 Memcached 类似。然后技术同学马上反馈说，给我三个月的时间，我们把代码好好理一理，再开出来。
工程师还是很在意他们的声誉。（软件）放在生产系统上运行，不出 bug，很多时候就可能到此为止了。一旦说把他们的源代码开源出来，然后把他们的大名署上，他们还是会很在意，因为有别人看他们写的代码。
后来我们陆陆续续把基础软件开源出来，得到很多阿里技术人员的响应。
开源对技术人员也有好处。如果你开源了一份代码，在业界被大家使用了，大家是可以看到的，在上面积累的知识是长久有价值的。如果你在一家公司做闭源项目，无论在外面怎么讲，大家都看不到你的工作。
我们就建了一个阿里的开源委员会，也有开源流程，工程师所在的团队主管到部门主管，最后吴妈的减一，他们都要同意，负责知识产权的法务律师也要签字，不是说想开源就开源了。
而且阿里每年搞职级评审，开源做得好是加分项。一个重要指标就是外部贡献者能占多少。如果项目外部贡献者很少，说明生态还没有形成。
晚点：阿里做大模型走开源路线，跟你当时推进的开源文化有多少关系，它是一种延续吗？
章文嵩：我觉得应该有关系，往自己脸上贴金（笑）。两年多前，他们要做魔搭开源社区，向我请教过好几次怎么做开源，我也给他们出了一些主意，比如要把 credit 分给大家，我觉得这是凝聚开源社区最关键的。当然他们也做的非常好，不定期还有线下的聚会。
晚点：我们看到一种观点：开源会削弱竞争力，对手可以拿着开源的产品迭代，可能会做得更强。
章文嵩：这是不可避免的。2015 年还有人收集了（京东网站的软件）报错信息，挑战我，说京东用了阿里开源的 11 款软件，让京东的技术进步大大加速。
晚点：你当时怎么回答的？
章文嵩：针对这个问题，我没有具体跟他们回答，他们罗列的肯定是事实。但要看到阿里用开源凝聚很多人才，推动了云计算业务发展。
我跟吴妈说过，淘宝的数据是日积月累的，谁都拿不走。淘宝的软件，找到合适的人才，赋予足够长的时间，别人也做得出来。即便别人拿走淘宝的软件，做了另一个淘宝，上面空空如也，试问大家会在哪个平台上做交易？
但我们需要用更加开放的方式，让别人了解我们的技术深度，包括我们未来的技术挑战。因为有挑战才能吸引更多的人才加入。
晚点：目前接入 DeepSeek 卖 API 服务的主要是大型的云计算平台，因为它的模型 6000 多亿参数，太大了。这对 DeepSeek 建生态有负面影响吗？
章文嵩：一些开源生态为什么会越来越强大？就是开源生态的建设者，或者链主，有足够大的胸怀，允许其他的玩家可以赚到钱。如果你不允许其他玩家赚到钱，那谁愿意跟你玩，对吧？
晚点：未来行业发展会是什么样的？会形成两个巨头？一个开源的巨头，还有一个闭源的巨头。
章文嵩：会是多样的。肯定会有巨头，也有中等规模的玩家，开源的也会存在。假设训练数据集也开源了，开源的那个巨头可能就是非营利的，就像维基百科一样。
30 年开源人生，成就感比赚钱更重要
晚点：1998 年，你还在读博，就开发了知名的开源项目 LVS (Linux Virtual Server，虚拟的服务器集群系统，用于实现负载平衡），是中国最早的开源项目之一。你怎么接触到开源的？
章文嵩：我接触开源的这些理念是 1995 年。我觉得很多软件，我可以拿到源代码，就很好玩，挺有意思的。
我还去游说了长沙的一家公司，进口了一大批开源软件的光盘售卖。那时候国内刚接互联网，远程下载一个 Linux 发行版，下载自由软件，速度很慢。
晚点：你当时只是一个硕士生，怎么游说他们的？
章文嵩：我是他们公司里面最厉害的工程师，类似首席架构师，整体的架构需要我搭，我帮他们赚了不少钱。不过游说他们做开源的事情，就买一批光盘，我们加一点价，也不亏钱，最后大部分光盘都卖掉了。
晚点：后来你怎么会想到开发、开源 LVS 项目？
章文嵩：就是做着好玩，而且运气好，抓住一个点，那时候 Linux 内核里面没有类似的服务，我做了一个版本，很快就得到了应用。那是我自己做的课题，不是学校的或者国家的科研课题，开源就没关系。
晚点：互联网迭代很快，很多项目都消失了。这个项目你后来做了多久？还在持续维护吗？
章文嵩：我持续在做这个维护，不过大部分都比较成熟了，要加一些新的协议进来，工作量并不大。
当然，这份代码也比较简单，做得比较极致，就一万多行。没有人能写出比这个更高效的代码（笑）。
它一直活着，98 年到现在就是 26 年多了，还在广泛使用。你们每天用手机上网，在数据中心那一侧的请求，可能大部分流量都经过我的软件调度，国内几乎所有的互联网公司都在用。Google 也在用。
我自己也写过其他的一些代码，有些代码已经消亡了，那些代码能活那么久，我作为作者感觉还是不错的。
有时候我跟丈母娘说起来，你每天用手机上网，实际上背后都有我软件的贡献。然后丈母娘答，你做了很多东西，但你什么都没得到，都是免费给大家用。（笑）
晚点：LVS 这么成功，你有赚到钱吗？
章文嵩：赚钱肯定是间接的。比如说，我通过 LVS 获得一定名气后，我去参加很多开源的会议，Red Hat 愿意支付我旅行的费用。因为他把我的软件也打到 Red Hat 发行版里面去了。我还指导他们上面的管理工具应该怎么做。
他们会给我订好机票、酒店。到当地的时候，他们会给我一张信用卡，随便刷，不用走报销，他们也知道我不会乱花钱。而且我做了 LVS 项目，大家都知道我，我觉得这也是回报的一部分。
晚点：你毕业后参与过很多创业项目，比如视频社交网站比酷网、语音通讯软件 TelTel、流媒体视频网站 9x9 TV 等等，好像都没有特别成功。你觉得你们那一代人擅长什么？局限性又是什么？
章文嵩：我觉得，我们很多想法比较超前。我们试了一下，发现跟想象的效果不一样，马上又换方向，不停在那试。打个比方说，我们做产品就像挖油井一样，不冒油再换个地方再打一口井看一看。
我觉得还是当时的认知不够。比如我们 2003 年做了比酷网，那时候设计的想法，就是让大家可以来这个网站上比比酷，用户可以制作音乐，制作动画，比 YouTube 早了一年半。
我们推出之后，网站的流量很高，高到我们付不起费，就没坚持下来。当时并没有看到巨大的流量有广告价值，就没有想到这一步。
那个时候，国内主要还是在做短信的增值业务，运营商开了一个口，可以从用户话费月套餐里面扣钱，好多互联网公司都干过这个事情。
晚点：后来你有过两段大公司的经历。什么让你从一个创业者变成愿意在大公司工作的人？
章文嵩：那段创业的时间是六年半，换了六七个项目，基本上每年换一次。当时我在家里就琢磨着，这次创业干脆我自己牵头，我自己来决定，选一个小的点，可以坚持很久。
我老婆看到我整天坐在家里，有一些担心，最后就直接下 “逐客令” 了，说你别整天在家坐着，要么出去继续创业，要不去找份工作。后来我就说，其实阿里找我找了两年了。
晚点：你现在又是一家公司的联合创始人了。
章文嵩：对。我们想做一个高性能的（大模型）推理引擎。我自己觉得智能化浪潮是一个大机会，能持续 100 年，我不想只当个看客。
AGI 可能是通用知识层面，但还有很多专用知识，比如个人的隐私数据，习惯、喜好等，不会把数据给别人；企业也有很多私有化数据，是它的命根子，也会选择在通用的模型上做应用。
每家企业、每个人都有智能化的机会，做一个推理引擎很关键。目前大家开源的模型都用 vLLM（加州伯克利大学研究者开源的大模型推理框架）。我们想能不能做一个比 vLLM 更快的。我们这个团队，包括我自己，做基础软件相对比较擅长，所以想着在智能化浪潮下，还能为社会做点什么。
晚点：会开源吗？
章文嵩：CUDA 之上的，我们会开源，跟 vLLM 一样，当然我们会有不同的架构，不同的技术选择。
CUDA 之下的，我们对 NVIDIA 的指令集做了很多逆向工程，用强化学习优化它的算子，大概有 40% 多的性能提升。
因为 NVIDIA 不开放 GPU 指令集，如果把它的指令集开放出来，就违反它的协议。
晚点：这次创业你想干多少年？
章文嵩：多少年那不知道。但我觉得是大趋势，需求在那里。关键是能不能把核心技术做得更好，做得更好肯定就有价值。
晚点：你觉得开源的本质是什么？
章文嵩：我认同梁文峰说的 “开源是一种文化”，但需要年轻人觉得这东西是文化，他才会觉得有价值，从而持续投入来做。
对我来说，这种价值偏向于成就感。我自己开源 LVS，别人用，这种感觉挺好的，不付钱我都觉得很高兴。
晚点：现在你也经常接触新一代技术人才，你觉得他们跟你们有什么不一样吗？
章文嵩：他们的条件太好了。年轻人可以追求自己的梦想，追求自己觉得有价值的事情。他们更厉害，我觉得对开源生态的贡献会更大。
今天我们推送了两篇开源对话。在另一篇对谈中，我们邀请了 00 后研究者王子涵，分享他眼中的 DeepSeek 开源和更广泛的大模型开源。
王子涵曾在 DeepSeek 实习，目前在美国西北大学 MLL Lab 攻读博士学位。
· FIN ·
