企业客户在部署使用大模型时，面临的经典问题是，选择开源模型，还是闭源模型。

从 Menlo Ventures 在 2025H1 更新的企业调研看，开源模式在性能方面仍然落后于前沿的闭源模式 9~12 个月。

围绕企业如何部署生成式 AI，在实现途径上有哪些选择？在甲子光年 2025 年的调研显示，Top 3 为：

(1) 调用第三方 API；

(2) 基于开源模型定制开发；

(3) 云服务集成。

其中 (1) 和 (3) 有利于云端，而 (2) 有利于推动本地算力的采购。

附图黑色是闭源的大模型 GPT-4 不同版本的价格（每百万次 Token 使用，输入输出 4:1），蓝色是开源的大模型 Llama3.1 405B 在 Together 和 Fireworks 上的价格。

开源 vs. 闭源，这个争夺推动了持续的价格下滑。而大模型成本的下滑，有助于生成式 AI 应用更早达到的经济性。

Chip Huyen 研究发现，GitHub 上拥有至少 500 颗星的 AI 项目库共计 845 个，由超过 20,000 名开发者贡献，做出了百万次的代码提交。2022 年下半年开始数量陡增。

从 AI 技术堆栈层次看，每个层次都有增加，相对而言基础设施层变化少一些，模型开发、模型库、AI 工程和 AI 应用占据了更高的数量。

在互联网上看到一张图，归纳了 2019 年以来代表性大语言模型（LLM）的上线时间表。2021 和 2022 有一个明显的加速过程。

值得留意的是，哪些模型是 “开源 Open Source”，哪些不是？就附图而言，开源的项目比例貌似在减少？

Linux 生态的关键三个层次：开发者、发行商、用户。

三个层级之间保持隔离，创建了一种非常灵活的内部市场（Internal Market）改善机制

开发者在软件质量上互相竞争，为的是获得发行商和用户的注意。发行商在选择策略上以及给软件带来的附加价值上竞争，为的是从用户那里赚钱。

内部市场的几个效应：(1) 没有哪个节点是必不可少；(2) 角色专业化减少开销并提升效率。

Eric Raymond 在讨论开源社区的激励时，提及了不同的做法（附图）。我认为看似矛盾其实也并不矛盾。

类似公司管理中，宽松的环境对于自律性很强的人，更有利于发挥能力，会体现惊人的创新和效率。

但对于不够自律，相对普通的业者，则意味着产出平庸；时间混久后，员工自己再就业市场的竞争力也会下滑。

从人数总量看，前者可能是后者的 1/100～1/1000。

开源项目和工业模式的比例可能也是如此，对于少数 Top 开源项目，比如 Linux 必然是超级成功。

但如果随机抽出同等数量的曾经开源的项目和商业开发项目，前者可能成功率很低，后者会

社区和生态合作等概念在现在已经成为主流。几乎每家公司都会说自己要打造一个开发者或用户社区之类，让这些社会力量可以加入产品的创新进来。

但很大比例的社区的最大特点就是：冷清，而且是极为冷清。根本没有多少开发者会参与进来。

如果要研究这背后的机制，最好的标杆案例可能就是开源世界，尤其是 Linux 社区的运作模式。

而这背后的故事则是，产品开发的两种经典模式：大教堂模式和集市模式。

以 Linux 社区为例，看似松散的开发队伍但质量还非常之好，除了若干天才程序员之外，还有更多是工程方面的原因

① 只要有足够多的 Beta 测试和合作开发者，几乎所有问题都会很快显现，并且自然有人会把问题解决；

② 高品质的 bug 反馈，要求报告者对源代码有了解：一个仅描述外部可见症状的 bug 报告，和一个直接关联到源码的分析型 bug 报告，两者的价值是天壤之别。

联想到 MVP 和迭代式开发，频度高快节奏是表象，核心是保持一定质量的迭代，而不是从垃圾中迭代垃圾。

#东施效颦现象无处不在

罗宾 5G 社群的成员应该都经历过 Web 2.0 时代，而一部分资深的成员经历了完整的 Web 1.0 时代。

现在也许要进入 3.0 即 Web3 时代。

当然，概念整体还处于早期的状态，还充满不确定性。就概念本身，Benedict Evans 认为可以从两个角度来类比：

(1) 角度 I：Web3 是下一代的互联网。

Web 1.0 时代是用户浏览网页，内容发布商赚钱；Web 2.0 时代是用户创造内容（博客，自己传视频等），互联网公司赚钱；Web3 时代可能是用户创造内容，用户来控制网络和赚钱。

区块链和去中心化体系设计是 Web