开源人工智能（），根据开放源代码促进会（OSI）的定义，是一种可以自由使用、研究、修改和共享的AI系统。这包括用于训练模型的数据集、源代码以及，旨在促进一种协作且透明的人工智能开发方式，使他人能够重现基本相似的结果。
关于何种程度的开放才应被视为“开源”的争论十分激烈。一些仅发布模型权重（而不公开训练数据和代码）的大型语言模型被批评为（openwashing），实际上是封闭系统。流行的开源人工智能项目类别包括大型语言模型、机器翻译工具和聊天机器人。围绕开源AI利弊的争论涉及安全性、隐私和技术发展等多个方面。
历史
开源人工智能的历史与人工智能技术的发展以及开源软件运动的成长相互交织。
早在1977年，早期自然语言处理程序ELIZA就被Jeff Shrager以BASIC程序的形式重新实现并分享。1993年，卡内基梅隆大学人工智能库（CMU AI Repository）启动，提供了多种可公开共享的软件。2000年，OpenCV发布，集成了决策树、K-近邻算法、朴素贝叶斯分类器和支持向量机等传统AI算法。
2010年代，开源深度学习框架迅速崛起。Torch于2002年发布，2011年以Torch7形式开源，其后继者PyTorch和TensorFlow极大地推动了机器学习和深度学习的发展。2012年AlexNet的发布标志着深度学习在计算机视觉领域的突破。OpenAI于2015年成立，最初以“造福人类”开源AI为使命；2018年发布了GPT-1模型。
2020年代，关于AI开源程度的争议日趋激烈。OpenAI在2019年宣布GPT-2时曾以恶意用途为由暂不公开源代码，后在公众压力下于三个月后释出。但GPT-3的源代码和预训练权重均未公开。2023年，Meta发布了权重开放的Llama系列模型，Mistral AI也推出了开源模型，引发了开源大语言模型的热潮。2024年底，深度求索（DeepSeek）发布了开源大模型V3和推理模型R1，以远低于美国竞品的成本实现了接近的性能，震惊了全球科技界。同年，开源促进会在历时两年咨询专家后发布了开源AI定义1.0（OSAID 1.0），明确了开源AI在数据、代码和模型参数方面的要求。
协作与进步
TensorFlow和PyTorch等开源框架的协作开发模式加速了机器学习和深度学习的进步，全球各地的贡献者可以快速迭代和改进现有工具。
缩小数字鸿沟
以DeepSeek为代表的中国开源人工智能大模型在弥合全球数字鸿沟方面发挥了重要作用。这类模型通过一系列技术革新以低成本优势降低了接入门槛，通过宽松的开源策略降低了使用门槛，并通过缩小全球数字素养差距帮助平抑能力鸿沟。
开源AI使缺乏专有模型的国家和组织能够以更低成本使用和投资人工智能，从而帮助削弱拥有最强专有模型的商业和地缘政治对手的垄断地位。中国的DeepSeek和阿里巴巴的通义千问（Qwen）等开源模型已在全球范围内被广泛采用。截至2025年末，中国开源AI模型占全球AI应用总量的约三分之一。从尼日利亚拉各斯到马来西亚吉隆坡，预算有限的开发者纷纷转向成本低廉的中国开源AI模型开展研发。
关切
质量与安全
开源模型在防止恶意用途方面的能力相对有限。有观点认为，开源AI可能被恐怖组织利用，通过移除模型的安全微调机制来从事生物恐怖主义等活动。
训练成本
完全开源模型的训练数据集成本可能高到令许多项目望而却步。
参见
*聊天機器人
*語言模型
*大型语言模型
參考資料
评论 (0)