“真正的大模型開源，應該把資料集也開源。”
文丨賀乾明
編輯丨宋瑋
過去兩個月，DeepSeek 重塑全球大模型格局，也扭轉了整個行業對開源的理解。
OpenAI 反思走向閉源是 “站在歷史錯誤的一邊”，百度、MiniMax、階躍星辰等原本閉源的公司轉向開源。
“如果在以前，一個拿幾億美金融資的公司說自己要開源，估計投資人會吐血。” 一位科技投資人說。
DeepSeek 還在加大開源力度。這周，DeepSeek 計劃開源 5 個訓練、推理大模型相關的程式碼庫——而大多數開源模型的公司還停留在開放模型權重層面。
到底該怎麼看待 DeepSeek 的開源？它對大模型開源社群意味著什麼？為什麼不同公司選擇不同的開源策略？選擇開源對一家商業公司到底意味著什麼？
近期，我們訪談了中國開源先驅章文嵩。他 1995 年讀碩士期間接觸到開源，那時中國剛通網際網路不久，不少 DeepSeek 的研究者還沒有出生。
1998 年，章文嵩在國防科大讀博期間開源了 LVS（Linux 虛擬伺服器）軟體，這個均衡伺服器訪問流量、避免宕機的系統，是中國最早在全球科技行業擴散的開源專案，如今是網際網路基礎設施的元件。
“幾乎所有的網際網路公司都在用，包括 Google。” 章文嵩說，“大家每天用手機上網，在資料中心那一側的請求，大部分可能都要經過 LVS 的排程”。
他認同 DeepSeek 的崛起是 “開源對閉源的勝利”，因為開源會降低創新應用成本，建立生態，可能會形成一些 “事實標準”。
他也提出了一個更激進的主張——“真正的大模型開源，應該把訓練資料集也開源”。
相對於開源大模型權重、訓練框架程式碼，這是更徹底的開源。非營利機構 AI2 釋出大模型系列 OLMo 時，就把開源推進到這個層次，但模型效能有限。
在章文嵩的設想中，這個開源資料集要像維基百科一樣，非營利機構牽頭，數百萬志願者貢獻資料，開源共建預訓練的資料集，“這是全人類的知識寶庫”，大模型服務可以由營利機構和非營利機構提供。
“OpenAI 並沒有把全世界的資料收集全，遠遠沒有。” 他引用了一個研究——將 Llama、 Mistral 和 Qwen 等開源模型串接起來，評測中的表現竟然比 GPT-4o 高出近十個百分點。他說，這證明開源訓練資料集的潛力，“閉源模型收集的資料維度有限，這是他們面臨的挑戰。”
章文嵩不僅是中國開源的先行者，也是推動中國開源從零星個人貢獻到網際網路公司主導的關鍵人物。他 2009 年加入阿里，工作近 7 年，曾擔任阿里雲 CTO、阿里開源委員會主席，從 0 到 1 建立了阿里的開源策略。後來，章文嵩曾在滴滴工作 5 年，擔任高階副總裁，同樣推動了滴滴的技術開源。
“真正的大模型開源，應該把資料集也開源”
晚點：DeepSeek 的新模型釋出時，Meta 的 AI 首席科學家 LeCun 說，這是 “開源對閉源” 的勝利。你認同嗎？
章文嵩：當然認同。我一直覺得開源的大模型遲早會超越閉源的大模型。開源讓創新的應用成本變得很低，同時，透過開源，可以構建一個生態，可能會形成一些事實標準。
晚點：那現在到了 “勝利” 的時刻嗎？
章文嵩：我覺得真正的大模型開源，應該把訓練（資料）集也開源。大語言模型的通用知識應該為全人類共享，就像維基百科一樣，數百萬人貢獻資料，開源共建預訓練的資料集，為全世界全人類服務，大模型服務可以由營利機構和非營利機構提供。
晚點：接下來會沿著這個方向演進嗎？
章文嵩：那我不知道（此處笑了約 5 秒）。
大概半年前（2024 年 6 月），美國做 AI Infra 的公司 Together AI 發了一篇文章，把幾個開源模型串接起來，像 Llama，然後法國人開源的 Mistral，國內的 Qwen（阿里通義千問）等去做評測集（評估大模型能力的基準測試），結果好於 GPT-4o 大概將近十個百分點，讓人挺驚訝。
這說明這些開源模型訓練資料集的並集，比 OpenAI 的 GPT-4o 訓練集更豐富。如果不是更豐富，達不到這樣的效果。
所以，OpenAI 並沒有把全世界的資料已經收集全了，我覺得遠遠沒有。這是閉源的挑戰，他們收集的資料、維度都有限。
晚點：你之前在一篇文章中寫過，基礎軟體開源，一個重要的好處是能讓軟體得到擴充套件與改進。但大模型的開源似乎提升不了模型本身的能力。
章文嵩：對。目前來看，模型的能力主要還是看資料工程，就是訓練集的質量。
所以我覺得應該有一家非營利機構，用開源的方式來組織訓練的資料集，大家一起做貢獻，就像全人類的知識寶庫一樣，為全人類共享。
晚點：模型能力主要看訓練資料集的話，那採用閉源策略的公司，就可以用開源的資料集疊加自己的資料集，訓練更強的模型，那閉源模型會一直勝利？
章文嵩：我們可以在許可證（License）上做文章。
Linux 為什麼強大？那是因為選了 GPL 許可證（允許使用者自由使用、研究、修改和分享軟體，但用了 GPL 軟體的作品，必須以 GPL 許可證開源）。
2000 年前後，作業系統有很多選擇，開源的還有 BSD（一種類 Unix 開源作業系統），但它的 License 特別寬鬆。蘋果的 iOS、Cisco 的 iOS 都是在 BSD 上面做的，但沒怎麼回饋開源專案，對 BSD 生態發展很不利。Linux 的 GPL 許可證就要求，你在上面做改進，要回饋回來。
比如我規定這個開源訓練集許可證，是類似 GPL 的傳染許可證。如果豆包拿去用，對不起，豆包也必須把訓練資料集開源出來。
非營利機構也可以說，如果要用我的（資料集），你要宣告，要付費，也可以根據訪問量付費，方式可以多種多樣。
晚點：但資料集都在模型裡面，很多作家的作品被模型廠商拿去訓練模型，他們也沒辦法證明模型一定用了。
章文嵩：舉證也比較簡單，構建這個訓練資料集時，可以在裡面加 “指紋”，特定提示詞丟擲來，模型回答十分接近，就可以說用了資料集，就有可能限制他們。
晚點：你覺得 DeepSeek 什麼時候有可能把訓練資料集開源出來？
章文嵩：我不知道。但我覺得 DeepSeek 現在大概有 140、150 位同學，未來可能會更多，肯定也希望商業化成功，不可能一直靠激情做純粹的開源。只有在財務上基本自由後，才能追求終極的開源使命。
晚點：Meta、阿里都開源大模型，但最後是 DeepSeek 拿走了勝利的果實。資源更少的後發者獲得領先身位，在開源社群中常見嗎？
章文嵩：這就是開源生態的魅力。我不需要巨大的資源，也不用從零開始做。開源是共享協作，我可以站在巨人的肩膀上嘗試很多方法，有些可能是有效的。我想 DeepSeek 的 R1 裡面用的強化學習，也是這樣試驗出來的。接下來，也會有人做很多其他嘗試，也有可能找出更好的方法。
DeepSeek 開源的影響力最大，本質是模型效果好，推理成本又低——這是最關鍵的點。所以它的生態建設就是自然而然的事情，才會有更多的人用。
晚點：你怎麼看待 DeepSeek 開源策略成功的意義？
章文嵩：DeepSeek 可以說是目前為止中國最成功的開源專案。這是一個關鍵的時間點。尤其是美國高階晶片禁運的情況下，要怎麼走出一條路？DeepSeek 的啟示很大。
晚點：為什麼在全球先開源領先模型的不是 OpenAI，而是 DeepSeek？
章文嵩：OpenAI 已經走上閉源的道路，不可能回頭的。他拿了那麼多錢，他要實現自己的商業化目標。而且在阿爾特曼的主導下，也不會開源。
晚點：最近阿爾特曼說，“關於開源，他們站在了錯誤的一邊”。你怎麼看這個轉變？
章文嵩：人們對大模型的關注，都到 DeepSeek 上面去了，而不是 OpenAI 的 ChatGPT。所以他必須要跟進。
但他跟進的力度是很有限的，只想把 o3 的 mini，很小的一個小模型版本開源出來。他只是想挽回一些大家的關注度。
晚點：DeepSeek 沒從外部融資，沒有商業化的壓力，是它開源的前提嗎？
章文嵩：他們肯定是有技術追求的，有自己的目標。但商業化有不同的路徑，在開源生態上也可以實現商業化，並不是一定要閉源。
晚點：如果它想繼續開源，有什麼商業化的方式？
章文嵩：過去開源商業化成功的公司有不少。比如 Red Hat，實際上是在 Linux 開源軟體包基礎上打包一個發行版。如果使用者自己安裝，是免費的。如果使用者想節約時間，自動更新，Red Hat 就可以從服務中收到錢，這部分的訂閱費是它最大一塊收入。別的還有技術服務費。
Red Hat 是非常成功的公司，也比較偉大，它做過很多的軟體，包括很多改進，都一概開源出來，並沒有藏著，透過訂閱、技術服務，依舊可以賺到錢。
晚點：既然可以賺到錢，為什麼開源沒有成為中國軟體生態的主流？
章文嵩：我覺得跟整個環境有關係。中國真正做軟體的公司相對比較少，不像我們的網際網路公司規模都很大。很多企業，就是軟體的採購者，比較強勢，有很多定製化需求，交付成本很高，導致國內沒有出非常大規模的軟體企業，更不用說開源了。
當然，中國的工程師隊伍非常龐大，開源力量也越來越強，應該在全世界排名第二。這一點我們並不弱。
晚點：中國的大模型開源會持續下去併成為主流嗎？
章文嵩：我覺得會持續下去。大家已經從 DeepSeek 開源迅速走紅認識到開源的威力。
大模型開源要形成主流，需要多方一起來參與開源，形成生態，很多參與方都能賺到錢，開源生態才會越來越強大，就像 Linux 開源生態一樣。
阿里經驗：公司開源不只是選擇題，要有正反饋
晚點：位元組不開源，阿里部分開源，DeepSeek 全開源。你覺得影響一個公司開源策略的因素是什麼？
章文嵩：可能還是跟商業化相關，看大家的商業化的路徑是什麼。如果追求用獨一無二的 API 呼叫服務收費，可能就會走向閉源，不會開放。如果有些公司覺得，開源生態更強大了，用的人更多了，我只要在裡面取一瓢，就能實現商業化的收入，那就會選擇開源。
比如說，DeepSeek 開源讓更多的企業做私有化部署，會讓 DeepSeek 的影響力越來越強。它自己也可以提供 API 服務，收到一部分錢，因為它是原作者，大家對它的信任度自然就高。如果這個生態足夠大，只拿其中一部分，商業化收益就已經夠了。
晚點：扎克伯格說過，Meta 選擇開源，是因為他們發力晚，沒有先發優勢。中國大模型行業起步相對比較晚，很多公司一開始都是做開源。對於後發的選手，開源是更好的選擇？
章文嵩：我覺得也不能這麼講。Facebook 是美國網際網路巨頭唯一錯過雲計算的。一些在 Facebook 的老朋友說，當時扎克伯格犯了錯誤，他覺得雲計算不應該做。這一波 AI 來了，我覺得他們是想透過開源做生態，看能不能在 AI 服務上做一些業務出來。
晚點：我們也看到很多公司搖擺，比如 OpenAI、Mistral、零一，開源後來又轉成了閉源。
章文嵩：開源沒有形成很好的正反饋，開源的動力就不太足了，這是有可能的。商業化的公司做開源，需要有一些商業化上的正反饋回來。阿里為什麼支援開源，一方面是本身比較開放，另一方面是對阿里雲的業務幫助很大。
晚點：你在阿里工作近 7 年，從淘寶資深技術總監到阿里雲 CTO，也是阿里開源委員會主席。阿里當時為什麼想要開源？
章文嵩：開源實際上是副產品。我是 09 年入職，那時候先是淘寶，在淘寶和技術團隊一起出去做校園招聘。我們經常問同學們：“你們猜猜看淘寶這樣的網站，我們有多少技術人員？”
我們本來想跟同學們互動一下，想讓同學們知道我們技術團隊也挺龐大，有很多挑戰，結果反饋基本上都是 20 個人左右。
實際上那時候淘寶的技術團隊已經有一千多人了。所以外部對我們的瞭解很少，對校園招聘也是一個挑戰。
晚點：那時中國的公司開源並不常見，你怎麼說服高管的？
章文嵩：等 2010 年的時候，我就遊說了吳泳銘，吳媽，說我們做了很多事情，做的東西也不錯，也有技術深度，也有技術挑戰，可以透過開源讓外部更瞭解我們。吳媽就說很好，那你就開始幹。
我們先在我的部門啟動開源。我們做的基礎軟體，有的在生產系統已經用了蠻長時間，也沒有什麼變更。我跟同學們說，就選淘寶的那個快取系統 tair 對外開源，跟 Memcached 類似。然後技術同學馬上反饋說，給我三個月的時間，我們把程式碼好好理一理，再開出來。
工程師還是很在意他們的聲譽。（軟體）放在生產系統上執行，不出 bug，很多時候就可能到此為止了。一旦說把他們的原始碼開源出來，然後把他們的大名署上，他們還是會很在意，因為有別人看他們寫的程式碼。
後來我們陸陸續續把基礎軟體開源出來，得到很多阿里技術人員的響應。
開源對技術人員也有好處。如果你開源了一份程式碼，在業界被大家使用了，大家是可以看到的，在上面積累的知識是長久有價值的。如果你在一家公司做閉源專案，無論在外面怎麼講，大家都看不到你的工作。
我們就建了一個阿里的開源委員會，也有開源流程，工程師所在的團隊主管到部門主管，最後吳媽的減一，他們都要同意，負責智慧財產權的法務律師也要簽字，不是說想開源就開源了。
而且阿里每年搞職級評審，開源做得好是加分項。一個重要指標就是外部貢獻者能佔多少。如果專案外部貢獻者很少，說明生態還沒有形成。
晚點：阿里做大模型走開源路線，跟你當時推進的開源文化有多少關係，它是一種延續嗎？
章文嵩：我覺得應該有關係，往自己臉上貼金（笑）。兩年多前，他們要做魔搭開源社群，向我請教過好幾次怎麼做開源，我也給他們出了一些主意，比如要把 credit 分給大家，我覺得這是凝聚開源社群最關鍵的。當然他們也做的非常好，不定期還有線下的聚會。
晚點：我們看到一種觀點：開源會削弱競爭力，對手可以拿著開源的產品迭代，可能會做得更強。
章文嵩：這是不可避免的。2015 年還有人收集了（京東網站的軟體）報錯資訊，挑戰我，說京東用了阿里開源的 11 款軟體，讓京東的技術進步大大加速。
晚點：你當時怎麼回答的？
章文嵩：針對這個問題，我沒有具體跟他們回答，他們羅列的肯定是事實。但要看到阿里用開源凝聚很多人才，推動了雲計算業務發展。
我跟吳媽說過，淘寶的資料是日積月累的，誰都拿不走。淘寶的軟體，找到合適的人才，賦予足夠長的時間，別人也做得出來。即便別人拿走淘寶的軟體，做了另一個淘寶，上面空空如也，試問大家會在哪個平臺上做交易？
但我們需要用更加開放的方式，讓別人瞭解我們的技術深度，包括我們未來的技術挑戰。因為有挑戰才能吸引更多的人才加入。
晚點：目前接入 DeepSeek 賣 API 服務的主要是大型的雲計算平臺，因為它的模型 6000 多億引數，太大了。這對 DeepSeek 建生態有負面影響嗎？
章文嵩：一些開源生態為什麼會越來越強大？就是開源生態的建設者，或者鏈主，有足夠大的胸懷，允許其他的玩家可以賺到錢。如果你不允許其他玩家賺到錢，那誰願意跟你玩，對吧？
晚點：未來行業發展會是什麼樣的？會形成兩個巨頭？一個開源的巨頭，還有一個閉源的巨頭。
章文嵩：會是多樣的。肯定會有巨頭，也有中等規模的玩家，開源的也會存在。假設訓練資料集也開源了，開源的那個巨頭可能就是非營利的，就像維基百科一樣。
30 年開源人生，成就感比賺錢更重要
晚點：1998 年，你還在讀博，就開發了知名的開源專案 LVS (Linux Virtual Server，虛擬的伺服器集群系統，用於實現負載平衡），是中國最早的開源專案之一。你怎麼接觸到開源的？
章文嵩：我接觸開源的這些理念是 1995 年。我覺得很多軟體，我可以拿到原始碼，就很好玩，挺有意思的。
我還去遊說了長沙的一家公司，進口了一大批開源軟體的光碟售賣。那時候國內剛接網際網路，遠端下載一個 Linux 發行版，下載自由軟體，速度很慢。
晚點：你當時只是一個碩士生，怎麼遊說他們的？
章文嵩：我是他們公司裡面最厲害的工程師，類似首席架構師，整體的架構需要我搭，我幫他們賺了不少錢。不過遊說他們做開源的事情，就買一批光碟，我們加一點價，也不虧錢，最後大部分光碟都賣掉了。
晚點：後來你怎麼會想到開發、開源 LVS 專案？
章文嵩：就是做著好玩，而且運氣好，抓住一個點，那時候 Linux 核心裡面沒有類似的服務，我做了一個版本，很快就得到了應用。那是我自己做的課題，不是學校的或者國家的科研課題，開源就沒關係。
晚點：網際網路迭代很快，很多專案都消失了。這個專案你後來做了多久？還在持續維護嗎？
章文嵩：我持續在做這個維護，不過大部分都比較成熟了，要加一些新的協議進來，工作量並不大。
當然，這份程式碼也比較簡單，做得比較極致，就一萬多行。沒有人能寫出比這個更高效的程式碼（笑）。
它一直活著，98 年到現在就是 26 年多了，還在廣泛使用。你們每天用手機上網，在資料中心那一側的請求，可能大部分流量都經過我的軟體排程，國內幾乎所有的網際網路公司都在用。Google 也在用。
我自己也寫過其他的一些程式碼，有些程式碼已經消亡了，那些程式碼能活那麼久，我作為作者感覺還是不錯的。
有時候我跟丈母孃說起來，你每天用手機上網，實際上背後都有我軟體的貢獻。然後丈母孃答，你做了很多東西，但你什麼都沒得到，都是免費給大家用。（笑）
晚點：LVS 這麼成功，你有賺到錢嗎？
章文嵩：賺錢肯定是間接的。比如說，我透過 LVS 獲得一定名氣後，我去參加很多開源的會議，Red Hat 願意支付我旅行的費用。因為他把我的軟體也打到 Red Hat 發行版裡面去了。我還指導他們上面的管理工具應該怎麼做。
他們會給我訂好機票、酒店。到當地的時候，他們會給我一張信用卡，隨便刷，不用走報銷，他們也知道我不會亂花錢。而且我做了 LVS 專案，大家都知道我，我覺得這也是回報的一部分。
晚點：你畢業後參與過很多創業專案，比如影片社交網站比酷網、語音通訊軟體 TelTel、流媒體影片網站 9×9 TV 等等，好像都沒有特別成功。你覺得你們那一代人擅長什麼？侷限性又是什麼？
章文嵩：我覺得，我們很多想法比較超前。我們試了一下，發現跟想象的效果不一樣，馬上又換方向，不停在那試。打個比方說，我們做產品就像挖油井一樣，不冒油再換個地方再打一口井看一看。
我覺得還是當時的認知不夠。比如我們 2003 年做了比酷網，那時候設計的想法，就是讓大家可以來這個網站上比比酷，使用者可以製作音樂，製作動畫，比 YouTube 早了一年半。
我們推出之後，網站的流量很高，高到我們付不起費，就沒堅持下來。當時並沒有看到巨大的流量有廣告價值，就沒有想到這一步。
那個時候，國內主要還是在做簡訊的增值業務，運營商開了一個口，可以從使用者話費月套餐裡面扣錢，好多網際網路公司都幹過這個事情。
晚點：後來你有過兩段大公司的經歷。什麼讓你從一個創業者變成願意在大公司工作的人？
章文嵩：那段創業的時間是六年半，換了六七個專案，基本上每年換一次。當時我在家裡就琢磨著，這次創業乾脆我自己牽頭，我自己來決定，選一個小的點，可以堅持很久。
我老婆看到我整天坐在家裡，有一些擔心，最後就直接下 “逐客令” 了，說你別整天在家坐著，要麼出去繼續創業，要不去找份工作。後來我就說，其實阿里找我找了兩年了。
晚點：你現在又是一家公司的聯合創始人了。
章文嵩：對。我們想做一個高效能的（大模型）推理引擎。我自己覺得智慧化浪潮是一個大機會，能持續 100 年，我不想只當個看客。
AGI 可能是通用知識層面，但還有很多專用知識，比如個人的隱私資料，習慣、喜好等，不會把資料給別人；企業也有很多私有化資料，是它的命根子，也會選擇在通用的模型上做應用。
每家企業、每個人都有智慧化的機會，做一個推理引擎很關鍵。目前大家開源的模型都用 vLLM（加州伯克利大學研究者開源的大模型推理框架）。我們想能不能做一個比 vLLM 更快的。我們這個團隊，包括我自己，做基礎軟體相對比較擅長，所以想著在智慧化浪潮下，還能為社會做點什麼。
晚點：會開源嗎？
章文嵩：CUDA 之上的，我們會開源，跟 vLLM 一樣，當然我們會有不同的架構，不同的技術選擇。
CUDA 之下的，我們對 NVIDIA 的指令集做了很多逆向工程，用強化學習最佳化它的運算元，大概有 40% 多的效能提升。
因為 NVIDIA 不開放 GPU 指令集，如果把它的指令集開放出來，就違反它的協議。
晚點：這次創業你想幹多少年？
章文嵩：多少年那不知道。但我覺得是大趨勢，需求在那裡。關鍵是能不能把核心技術做得更好，做得更好肯定就有價值。
晚點：你覺得開源的本質是什麼？
章文嵩：我認同梁文峰說的 “開源是一種文化”，但需要年輕人覺得這東西是文化，他才會覺得有價值，從而持續投入來做。
對我來說，這種價值偏向於成就感。我自己開源 LVS，別人用，這種感覺挺好的，不付錢我都覺得很高興。
晚點：現在你也經常接觸新一代技術人才，你覺得他們跟你們有什麼不一樣嗎？
章文嵩：他們的條件太好了。年輕人可以追求自己的夢想，追求自己覺得有價值的事情。他們更厲害，我覺得對開源生態的貢獻會更大。
今天我們推送了兩篇開源對話。在另一篇對談中，我們邀請了 00 後研究者王子涵，分享他眼中的 DeepSeek 開源和更廣泛的大模型開源。
王子涵曾在 DeepSeek 實習，目前在美國西北大學 MLL Lab 攻讀博士學位。
· FIN ·