開放權重作為競爭策略

資料來源#

• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think
• China rejects the US distillation advisory as unfounded accusations and smears
• China-Based Artificial Intelligence Companies Conducting Industrial-Scale Distillation Campaigns Against U.S. AI Companies
• China, Open Source & AI Competitiveness — Andrew Ng

摘要#

截至目前，wiki 的開放權重主題群由兩種論述構成，兩者都把開放性視為一個風險或能力問題：開放權重前沿差距衡量開放前沿落後多少；開放權重引出能力的不可逆性則主張，發布權重後，模型的安全評估就永遠受限於發布前採用的引出預算。本頁提出第三種論述，兩者皆非：由 Andrew Ng 在 Washington Post Live 訪談中提出的以開放性作為國家經濟競爭力工具（China, Open Source & AI Competitiveness — Andrew Ng，為 Building America 系列錄製，於 2026-07-29 發布）。

本文內容全屬 practitioner-opinion——一段 30 分鐘的訪談，沒有任何量測依據。Ng 沒有為聽起來像實證的主張提供數據，訪談也沒有設計成會挑戰這些主張。引用時應明確標示其性質；本文的價值在於論證的架構，以及它讓若干主張具體到可被證偽的形式，而非這些主張的證據力。

他的論點可以濃縮成一句話：「要維持美國的競爭優勢，我們最重要的工作之一，就是支持並維持開放模型。」

Ng 公開的利益衝突，方向卻不同尋常#

Ng 一開始便透露，自己是*「唯一一個 Sam 和 Dario 都曾為他工作過的人」*——Altman 和 Amodei 都曾在他的圈子裡——並表示他希望 OpenAI 和 Anthropic 「做得好，也成功上市」。這項利益衝突理應使他傾向支持封閉實驗室，但他仍反對它們的立場。值得留意的是，他最尖銳的主張是指控這些公司從事遊說：

「有幾家企業一直在大力遊說，宣稱開放模型很危險，這讓我很警覺。我認為這是錯的。」

他沒有指名任何遊說公司。他反對的論述，是把開放和中國混為一談，再包裝成國家安全論據——訪談者如此描述，Ng 並未反駁。他的回應不是說開放權重毫無風險，而是說風險論述被拿來當工具：「大量散播 FUD，目的是拖慢美國採用。」

這是對開放權重引出能力的不可逆性的直接反駁立場，但兩者並未真正互相駁倒，因為它們討論的不是同一件事。不可逆性論述關注的是發布後在不設上限的預算下引出危險能力；Ng 關注的則是市場擴散與投入成本。兩者都沒有探討對方提出的機制。真正的歧見比表面看來更狹窄：安全論據是否出於善意。Ng 認為不是；不可逆性頁面舉出的案例（UK AISI/CAISI 對 Kimi K3 進行為期四天的發布前稽核）則是非供應商評估，而這正是 Ng 所謂「少數企業」的說法沒有觸及的安全論據形式。

遊說指控，進一步具體成機制（2026 年 8 月）#

一個月後，Ng 面對一般觀眾（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，Silicon Valley Girl，2026-08-28，practitioner-opinion）再次提出指控，並補上 WaPo 版本沒有明說的機制。恐懼浪潮的根源是*「兩三年前開始的一場不幸行動，我認為是公關操作和監管俘獲」：AI 最有價值的資產是前沿模型，而「如果你花數十億美元訓練模型，別人也訓練一個模型，還想免費提供給全世界使用，這真的很不方便。」因此，依他的說法，「幾家領先的 AI 公司……一直大聲散播恐懼，想推動通過法規，打造有利於既有業者的不公平競爭環境，讓我們使用 AI 都得付高昂代價」，同時阻撓「想免費提供開放權重或開放原始碼模型的研究人員或其他公司」。他點出三項具體做法：把 AI 和核武器類比（「這個類比毫無事實根據，兩者到底有什麼關係？」）、把精選的 AI 失誤誇大成趨勢，以及「散播 AI 使用資料中心、耗水量遠高於實際情況的錯誤資訊」。他提出的代價仍是七月那項——「這拖慢了美國採用 AI 的速度，讓美國的競爭力下降」——另有一項次級代價：恐懼論述讓學生和剛畢業的人對能保護自己的技能「打退堂鼓」*（自動化與樂觀的關聯）。

有兩點需要一併考量。首先，他仍未指名任何公司；其次，現在的指控談的是動機（監管俘獲），而非內容（開放權重是否危險），因此比七月的版本更難檢驗。其次，本頁已提及的非供應商安全評估——UK AISI/CAISI 對 Kimi K3 的稽核——並不符合「既有業者因投入數十億成本而試圖俘獲監管」的敘事。八月的版本新增了可查證的內容，是 Ng 自己的做法。對於重要的非公開資訊，他*「根本不能把它傳到雲端」，因此不是不用 AI，就是「非常謹慎地只在本機使用模型」——使用小到能在自己電腦上執行的開放權重模型。他的顧問公司合作的銀行則在「虛擬私人雲端或地端環境執行……所以資料完全不會離開它們的掌控」。這是他把下方的控制權反駁套用在自己身上；他另主動補充一項但書：「這些模型每隔一週就會改變」*，所以他的做法並非忠於任何一次發布。（參見開放權重前沿差距，了解為什麼這類自架使用，無法被 vault 唯一持有的需求端工具看見。）

擴散的不對稱性#

Ng 認為中國善用了以下機制：

「當你免費發布模型供任何人使用，確實能幫助全世界。沒錯，但它對你的幫助比對全世界的幫助更大。」

開放性讓發布者更快擴散知識——自由交流、公開研究，以及能除錯並擴展其成果的社群。他主張，美國封閉式開發反而顛倒了這個局面，並讓美國生態系承擔搜尋成本：「如果你有問題，想知道該找誰來了解怎麼做這種模型，就會困難得多。」相較於開放擴散，封閉式做法只能靠挖角人才——「也許一家公司用很高的薪資挖走另一家公司的工程師，然後知識就稍微擴散了一點」——他認為這是明顯較差的傳播途徑。

他也指出，知識交流是雙向的，而受益者包括美國實驗室：「許多美國前沿實驗室都積極閱讀中國實驗室發表的大量開放研究。我的意思是，不這麼做才傻。」

[!warning] 原始來源中有一句關鍵句遭到破壞 逐字稿把 Ng 對差距的評估寫成中國*「正在接近領先的中國模型的水準」*，語意不通——依上下文應為美國。這是自動字幕錯誤，原始檔以 [sic] 標示，並未在該處修正。**依上下文，他的主張方向明確：中國正在接近、但尚未達到同等水準；不應直接引用該句。**若要了解同一問題的量測結果，請參考開放權重前沿差距，當中提供 Elo 數值，而非形容詞。

本頁唯一能由 vault 部分檢驗的主張，檢驗結果不利於對它採取強勢解讀：開放權重前沿差距顯示，Arena Text 上排名最高的封閉模型比最佳開放模型高出 33 Elo；在代理式 Elo 指標上，差距更大（35–61 分）。UK AISI/CAISI 發現差距最大且最明顯擴大的領域，是網路安全能力。在聊天 Elo 上，「接近同等水準」尚可辯護；採用的指標越偏向代理能力，就越難成立。

智慧成本是下游投入成本#

這是結構上最有意思的論點，因為它完全不依賴能力是否相當：

「如果開放模型讓你取得智慧的成本只有我不知道五分之一或三分之一，那麼對每個想打造 AI 應用程式的人來說，如果你的智慧供應成本高出三倍，這就是非常根本的商業劣勢。」

這裡競爭的單位不是實驗室，而是應用程式開發者。他的主張是，token 價格是投入成本，會沿著整個下游產業層層累積。若某國的開發者取得智慧的成本高出 3×，即使前沿模型由誰掌握，也會輸掉應用程式層。這與每項任務成本高於每個 token 成本的競爭力版本相近：該文發現，在品質相同時，開放權重模型可能是最便宜的選擇；也與推論效率即能力的論點相近：降低 token 價格本身就是能力建設。

附帶的市占率主張如下：

「在非洲，DeepSeek 的採用率非常高。我們在美國比較少看到這種情況，但在價格稍微敏感一些的地方，中國模型確實取得了非常大的市占率。」

沒有數字、沒有來源，也沒有分母。請留意這與 vault 唯一一項需求端量測之間的張力：開放權重前沿差距引用 Ramp 的刷卡支出指數，顯示美國企業使用開放／中國模型服務平台的比例，占 AI 支出企業的 5.8%；其中 96.4% 的企業仍直接向 OpenAI 或 Anthropic 付費。兩者並不矛盾——Ramp 衡量美國企業，Ng 談的是 Ramp 看不到的非美國價格敏感市場——但這代表**vault 沒有工具能衡量 Ng 論點所繫的市場。**這是量測缺口，不是意見分歧。

控制權反駁#

Ng 對國家安全論述的回應是，控制權不在權重，而在基礎設施：

「當你取得一個開放模型——無論它是由中國實驗室或美國實驗室發布——並在美國基礎設施上執行，它基本上就成了[你的模型]；美國基礎設施可以控制該模型。」

他的類比是：在網路上發布程式碼，不代表你把部署的控制權交給執行它的國家。這段逐字稿中間有缺漏，因此論點只能保留大致輪廓。這是個真實論點，但按目前說法並不完整——它處理的是執行階段控制權和推論階段政策，卻沒有談到權重內建、服務堆疊無法移除的能力；而這正是開放權重引出能力的不可逆性探討的主題。

點名美國開放模型#

Ng 指出兩項美國本土的開放模型發布，作為美國能在這個面向競爭、不必讓步的證據：NVIDIA 的 Nemotron 模型（「很強的模型」），以及 Thinking Machines 的 Inkling（「展現得非常出色」）。他希望看到更多這類成果：「我認為專有模型和開放模型都有成功的空間。重要的是維持公平的競爭環境。」

Inkling 自己的定位也支持這項次級論點：它宣稱的不是最強開放模型，而是最佳微調基礎模型。這是關於誰能在其上打造產品的競爭力主張，而非排行榜主張。

商業模式問題，尚未解決#

當被問到訓練開放模型的資本支出從何而來時，Ng 提出先例，卻沒有提出機制：

• Red Hat / Linux 是成熟的開放原始碼商業模式，他引用一篇由他歸於 Washington Post 的 Bill Gurley 文章。
• 公開上市的中國公司採取開放策略，而且*「看起來做得很好，至少在股市和聰明投資者眼中是如此」*。
• 他也承認：「訓練開放模型的資本支出高於撰寫傳統軟體，但我覺得還有待探索可行的商業模式。」

「還有待探索」是最誠實的總結。Red Hat 的類比恰好在他承認的問題上不如表面看來那麼有力：多產一份 Linux 拷貝的邊際成本幾乎是零，收入來自支援服務；前沿訓練則是巨額固定成本，而且每一代都得再投入。Ng 沒有談到這一點；他提出的股市證據反映的是市場對未來的信念，不是已證明的單位經濟效益。

蒸餾作為歸因論證#

Ng 對中國開放模型的進展是否來自借用，立場如下：

「我認為蒸餾是重大因素的說法遭到誇大——嚴重誇大。」

這裡有兩種不同的論證，值得分開看，因為它們的說服力不同：

1. 公平對稱性（修辭性論證，且在適用範圍內合理）。 每家實驗室都把開放網路蒸餾進自己的模型；反過來反對別人蒸餾自己，等於要求一套不對稱規則。「他們把網路蒸餾進自己的模型後，轉頭說：『從現在起，任何人蒸餾我的模型都不公平』，這樣公平嗎？」他明確表示這仍是「社會應該如何看待公平的開放問題」，沒有宣稱此論點足以解決問題。

2. 時間論證（具體且可證偽）。 對於Kimi K2主要透過蒸餾 Fable 訓練的說法，他表示：「考量到 Fable 模型只開放了一小段時間……Fable 資料不可能那麼多，而且 Kimi K2 怎麼可能在這麼短的時間內完成訓練？」

第二種論證才是關鍵，因為原則上可以檢驗——它取決於 Fable 開放與 Kimi K2 發布之間的時間，以及這種規模的蒸餾需要多少教師資料。Ng 只是提出這兩個數量，沒有計算。vault 目前無法判定此事：其中有 Kimi K2.5/K2.6 的 1T 級 MoE 模型與 K3 模型卡，卻沒有任何模型的訓練資料來源證據。以下將此列為開放問題，而非記錄成研究發現。

一般主張遭到反駁，特定主張則獲得部分支持（2026 年 9 月）。 NSA/CISA/FBI 公告 AA26-251A（China-Based Artificial Intelligence Companies Conducting Industrial-Scale Distillation Campaigns Against U.S. AI Companies，case-study）對 Ng 的一般主張持相反立場。蒸餾*「不是這些公司 AI 模型開發的補充，而是其關鍵核心」，其效益是「大幅縮短 AI 開發時程並降低財務支出」。公告也稱，DeepSeek 所述的 560 萬美元訓練成本具有誤導性，因為不包含透過蒸餾取得資料的成本。兩邊都沒有能定論的量測：沒有研究透過消融實驗，測出特定中國模型有多少能力來自蒸餾資料。Ng 提供的是形容詞；公告則根據未公開的證據提出斷言，而該證據本身取自供應商披露。依證據層級，政府發布的公告（case-study）在「大規模行動確實存在」這項事實上，高於訪談（practitioner-opinion），因為公告交叉佐證了四家美國供應商的說法。但在能力占比*上，公告並不比訪談有力，因為雙方都沒有量測。至於 K2 的特定主張，公告支持 Ng。公告把 GPT-4o 資料歸因於 K2，而將 Fable 歸因於 K3（Kimi (Moonshot AI)；Anthropic 有不同主張，見非法蒸餾）。

另一項獨立的公平對稱性論證（2026 年 9 月）。 AA26-251A 發布兩天後，中國外交部駁斥 AA26-251A（China rejects the US distillation advisory as unfounded accusations and smears，TheNextWeb，practitioner-opinion），但沒有回應公告中針對六家公司的指控——這是外交上的不予承認，並非技術性反駁。TNW 自己的分析（並非外交部的說法）從另一條路徑得出和 Ng 相同的公平論點：蒸餾「並非明顯違法」，而受其捍衛的產業「本身也有使用他人資料的歷史」，並引用美國實驗室因未授權訓練資料面臨訴訟一事。TNW 也再次提出 Ng 的非洲市占率主張，並提及另一個同樣未經量測的市場——「中國開放權重模型兩年來一直以低價搶下歐洲市場」，但同樣沒有數字或來源。這兩項主張都不會改變下方列出的開放問題；它們只是進一步凸顯一種模式：無論來自哪個立場，公平和市占率論述都一再以未經量測的形式出現。完整說明及其發布時間恰逢九月 Trump–Xi 會面之前的外交背景，見非法蒸餾。

相關連結#

• 開放權重前沿差距——「中國是否正在接近同等水準」的量測版本，提供 Elo 數字和 Ramp 的需求端分析，可用來檢視本頁關於擴散的主張
• 開放權重引出能力的不可逆性——Ng 所反駁的安全論據；兩種論述沒有真正交鋒，本頁也明確指出原因
• Balance-of-Power Superintelligence——Zuckerberg 提出的「以散布作為安全措施」主張，是與此相近的論述；它從對齊前提出發，而非經濟前提，得出類似的擴散結論
• 每項任務成本高於每個 token 成本——Ng 投入成本論點在企業層級的版本，並有實際量測為據（Databricks 的測試顯示，在品質相同時，開放權重模型最便宜）
• 推論效率即能力——說明 token 變便宜不只是成本下降；這是 Ng 競爭力論述依據的前提
• Domestic Frontier Pacing——對同一議題採取相反政策立場：主張刻意放慢本土前沿發展；Ng 則認為關鍵風險是進展太慢
• Andrew Ng——來源人物；他在 wiki 中第二次出現，這次的表述風格和先前不同
• 自動化與樂觀的關聯——Ng 認為恐懼敘事帶來的人力資本代價（人們放棄培養技能）；這是該頁「委派與樂觀」使用面關聯在政策面上的反向論述

開放問題#

• Kimi K2 是否大量使用蒸餾自 Fable 的輸出訓練？Ng 的時間論證（「Fable 資料不可能那麼多」）可依 Fable 開放期間和 Moonshot 的訓練時程證偽，但 vault 沒有任何 Kimi 版本的資料來源證據。**部分解答（2026-09-24）：**語料中唯一的政府歸因資料 AA26-251A 指出 K2 使用 GPT-4o 資料，Fable 資料則用於 K3。這在歸因上支持 Ng 對 K2 的說法，但並非量測結果。這也讓同樣的時間問題延伸到 K3：其權重在 Fable 發布約七週後出貨，而 Anthropic 自己的報告則與此說法相矛盾。目前仍沒有來源證據，只有彼此競爭的歸因說法。
• 價格敏感的非美國市場中，開放模型的市占率是否真的如 Ng 所說？Ramp 的 5.8% 數字只衡量美國企業，因此 vault 沒有工具能衡量其論點所繫的市場；非美國市場的模型服務支出或 API 流量資料面板便能解答此問題。
• Ng 所說的智慧成本劣勢，是否會反映在不同市場的應用程式層發展速度差異上，而這些市場取得低價開放模型的機會不同？這是他論點中承載因果關係的關鍵步驟，也是他沒有嘗試提出證據的部分。

資料來源#

• China, Open Source & AI Competitiveness — Andrew Ng — Andrew Ng 接受 James Hohmann 訪問，Washington Post Live「Building America」（2026-07-29，30:39），practitioner-opinion。**逐字稿來源說明：**YouTube 自動字幕，沒有出版方提供的逐字稿；匯入時合併重複的即時字幕，並修正約 18 個語音辨識錯誤的專有名詞（均列於原始檔註記區塊）。其中一句關於美中差距的話語意混亂，標記為 [sic]——見上方警告區塊。說話者標籤依據字幕中的輪替標記重建，因此句子的實質歸屬可信，但不保證逐字無誤。
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think — Andrew Ng 接受 Marina Mogilko 訪問，Silicon Valley Girl（2026-08-28，37:51），practitioner-opinion：包括「公關和監管俘獲」機制、三種點名的手段、採用方面的代價，以及他因 MNPI 而在本機使用模型的做法。自動字幕逐字稿，說話者標籤為推定；修正項目列於原始檔。
• China-Based Artificial Intelligence Companies Conducting Industrial-Scale Distillation Campaigns Against U.S. AI Companies — NSA、CISA 和 FBI，Cybersecurity Advisory AA26-251A，2026-09-08，case-study（政府歸因，未公開方法或資料，引用內容來自供應商披露）。引用內容包括「關鍵核心，而非補充」的主張、DeepSeek 的 560 萬美元成本爭議，以及 K2（GPT-4o）與 K3（Fable 5）的歸因
• China rejects the US distillation advisory as unfounded accusations and smears — Alina Maria Stan，TheNextWeb，2026-09-10，practitioner-opinion。引用內容包括 TNW 自己提出的公平對稱性論證（蒸餾「並非明顯違法」，且美國實驗室因訓練資料面臨訴訟），以及其未經量測的歐洲低價競爭主張；兩者都從獨立來源與不同表述角度呼應上文 Ng 的論點