上周，Meta发布了其最新开源模型Llama3，提供8B和70B的预训练和指令微调版本，号称是最强大的开源大语言模型。据了解，基于最新的 Llama 3 模型，Meta 的AI 助手现在已经覆盖 Instagramwhatsapp手机号注销了、WhatsApp、Facebook等全系应用。而近日，Meta趁热打铁，又宣布向第三方制造商开放自家的Meta HorizonOS，允许其他公司基于其生态系统设计更多头戴显示器。联想、微软和华硕都是Meta的首批合作伙伴。

　　看来，这是将开源进行到底，从大模型开源，到头显设备操作系统的开放。这也类似谷歌对安卓系统的开放模式。

　　不过，安卓系统整体并非一个完全开源的软件，比如Gmail、谷歌地图、GooglePlay、Chrome等一系列谷歌自家应用就是闭源的。毕竟，由于GPL v2许可证的关系，谷歌无法将安卓作为一个软件整体进行授权收费。谷歌其实只是理论上开放安卓，然后通过其他方式赚钱。

　　但大模型的开源，未来的盈利路线其实是很明确的——首先吸引更多的开发者参与到开源模型的改进和优化中来，而这些优化建议同样可以在闭源大模型中复用，大模型生态建设建设好之后，Meta就可以靠提供相关的技术支持、API授权等收费。

　　更多企业同样看准了开源的好处，4月23日晚，微软在官网开源了小参数的大语言模型——Phi-3-mini。据了解，Phi-3-mini参数只有38亿，训练数据却高达3.3T tokens，比很多数百亿参数的模型训练数据都要多，这也是其性能*的主要原因之一。微软表示，在未来几周内还会发布70亿参数的Phi-3-small和140亿参数的Phi-3-medium两款小模型。其中，Phi-3-medium的性能可媲美Mixtral 8x7B 和GPT-3.5，资源消耗却更少。

　　从训练的角度，Llama3对中文并不友好。在15T Tokens的训练数据，仅有5%是为非英文数据，涵盖30多种语言，其中中文就更少了。据Hugging Face第三方大模型跑分测评数据，Llama3 70B性能已经超过部分早期版本GPT4。

　　据国内CLUE中文语言理解测评基准最新测评，Llama3-70B在代码能力上略低于GPT-4；在中文数学能力上基础难度（1-3步推理）与GPT4-Turbo、Claude3—Opus相差不多，在4-5步数学推理任务上还有一定优化空间。测评说得比较客气，其实就是说，英文上表现不错，中文上差距还比较明显。

　　而Meta首席人工智能科学家杨立昆则在推特上分享，Llama-3在Arena排行榜中已经位居第五。

　　英伟达高级科学家Jim Fan也表示，“Llama3-400B+ 将标志着社区获得 GPT-4 级模型的开放权重访问权的分水岭时刻。它将改变许多研究工作和草根初创公司的计算方式。我在 Claude 3 Opus、GPT-4-2024-04-09 和 Gemini 上拉了数据，Llama-3-400B仍在训练中，希望在接下来的几个月里会变得更好。有如此多的研究潜力可以通过如此强大的能力释放，期待整个生态系统的建设者能量激增！”

　　不管是同行抬轿子，还是自己王婆卖瓜，至少看起来，Llama3实力非凡。而大模型性能只要能超过早期GPT4水平，就意味着已经具备较强智能，可以作为生产力工具，去替代人类完成各类业务流的碎片、繁杂工作。

　　GroqCloud还提供云支持，可以让用户在没有本地强大GPU的情况下使用Llama-3的8B和70B两个版本大模型。基于LLama3的中文微调，国内也已经有不少开发人员正在测试中，比如用Ollama来本地部署LLama3进行训练。

　　8B 和 70B 两个型号的模型，仅仅标志着 Llama 3 系列的开端，Meta AI首席科学家杨立昆在其社交媒体透露，在接下来的几个月，还会有更多版本陆续发布。杨立昆还转帖分享了关于Meta支持开源的真实故事。

　　不过，百度CEO李彦宏近日在Create2024百度AI开发者大会上表示，大模型开源意义不大，闭源模型性能会不断提升。“有了文心大模型4.0，我们可以根据需要兼顾效果、响应速度、推理成本等各种考虑，裁剪出适合各种场景的更小尺寸模型，且支持精调和post pretrain。通过降维裁剪出的模型，比直接拿开源调出来的模型，同等尺寸下效果更好，同等效果下成本明显更低。”

　　李彦宏认为闭源才拥有真正的商业模式，能够赚到钱，能聚集人才和算力。“闭源在成本上反而是有优势的，只要是同等能力，闭源模型的推理成本一定是更低的，响应速度一定是更快的。”同时，开源大模型的模式与传统的开源软件不同，并不是众人拾柴火焰高。因此，“未来开源模型会越来越落后”，其实在大模型场景下，开源是最贵的。

　　而前 DeepMind 和 Meta 员工创立的初创公司 Mistral AI 尽管也是开源的大力支持者。但该团队也计划在2024年筹集更多资金，以打造除开源产品之外的消费产品。毕竟，光开源不挣钱是无法长久的，特别是对创业团队。

　　但周鸿祎、王小川等业内大咖对于开源大模型落后论并不认同，先后在不同场次对此提出质疑。据报道，王小川在微信群讨论中表示，“关于开闭源之争，核心是要看谁在开源？双轮驱动，是一线创业AGI公司的*解。”

　　第二十七届哈佛中国论坛上，周鸿祎就表示，他一直相信开源的力量，“一句话，今天没有开源就没有Linux，没有Linux就没有互联网，就连说这话的公司自己都借助了开源的力量才成长到今天。”

　　据了解，大模型开源的方式主要有两种模式， Restrict License（限制许可）与 Apache。Llama的开源属于前者，在开放源代码的同时，对使用、修改和分发该模型的行为施加一定的限制。这与完全开放的开源许可证（如MIT、Apache 2.0等）不同，后者通常允许用户在几乎不设限的情况下使用和修改软件，Mistral、谷歌的开源模型Gemma都采取了这种方式。但哪怕后者，对于训练的数据和训练过程同样并不开源。

　　就拿最近大火的闭源大模型月之暗面为例吧。据界面新闻记者从多个渠道获悉，上一轮融资完成后，月之暗面（Moonshot AI）创始人杨植麟通过售出个人持股已套现数千万美金。由于杨植麟持股比例高达78.968%，出售部分股权似乎无可厚非？但也有投资人表示，“公司成立*年就套现这么多，这种情况并不多见。”

　　套现谣传暂不讨论。但月之暗面的长文本能力，也面临被追赶的问题，毕竟长文本优势难以长期独占。不过，这是月之暗面作为初创公司要面临的问题，并不是闭源大模型行业的问题。

　　无论开源还是闭源，国内大模型玩家，往往呈现业界每出现一次突破性的进展，其他玩家就会快速跟进的窘境——这就意味着，创新容易被模仿，最后拼的只能是血槽厚不厚。对于B端客户而言，如果对接小厂出现不确定性，转向服务更为成熟的大厂就顺理成章。当然，月之暗面至少不打算做B端，想必也是知道B端客户的多变。

　　杨植麟一直是闭源大模型的拥趸。他曾在腾讯新闻、36氪的专访中表示，开源落后于闭源是个事实。因为现在开源本身还是中心化的，开源的贡献可能很多都没有经过算力验证。闭源会有人才聚集和资本聚集，最后一定是闭源更好；反而是落后者才会开源，“搅局嘛，反正不开源也没价值”。

　　他认为，开源和闭源在整个生态里面会扮演不同的角色，开源很大的作用是在To B端的获客，如果想做头部的Super App，大家肯定都是用闭源模型去做的，在开源模型上做C端应用很难做出差异化。

　　不过，不同于月之暗面、百度押注闭源，更多大模型企业选择开源和闭源并行，例如Google、阿里巴巴、昆仑万维、零一万物、百川智能等。比如百川智能开源Baichuan2-7B、Baichuan2-13B、Baichuan2-13B-Chat 与其4bit 量化版本；但还有一些说明却没有“用大字”标注清楚——那就是这些开源的模型不算大，而且与百川智能的闭源模型相比性能差别较大。

　　开源大模型们似乎都财大气粗，不计较营收。至少生态上，基于开源模型也带来更多百花齐放的产品，比如Llama中文社区最近完成了对Llama3两个模型的中文能力优化，并推出了中文微调版供用户试用；还有更多基于Llama3的轻创业项目在启动。因为，大家节省了大量训练的成本，只需要投入少量的微调成本即可快速上线一个垂直领域AI应用。

　　从性价比角度，目前在开源模型上进行相应的训练和微调比GPT3.5还是具备一定的价格优势。据了解，Llama2-70b的微调价格是4美元/100万token，而GPT3.5则要8美元/100万token。但价格是会变化的，未来闭源模型一样可以提供足够高的性价比。

　　其实，开源和闭源都不是重点。创业者没必要二选一，完全可以全都要，从而找到最适合自己的底层模型并训练出有商业化潜力的垂直模型。甚至国内的一些闭源大模型，也是基于开源Llama的套壳，再叠加专业垂直领域数据集的训练，从而应用于细分领域。

　　但对于坚持闭源或者开源大模型的大佬来说，自己立场对面的那些“讨厌嘴脸”们，应该是不值得自己用所有科技换取一个下午的。