開放權重不是零和：美國該自己下場做開源
把開放權重當成閉源實驗室的威脅是把經濟學搞反了——它只是增加AI用例，而真正的錢在推理，不在模型本身。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
開放權重被誤讀成零和博弈
Levie 簽了黃仁勳發起的開放權重公開信，他的解讀是兩層：一是開放權重本身驅動AI進步，能催生更多創新和用例，可以基於它做訓練、做定製；二是美國需要更多公司投入開放權重。他強調開放權重被錯誤地框定成與閉源零和，實際上它只是增加了人們用AI的用例數量。他也承認閉源陣營在安全議題上有真實論點，但自己幾乎無條件認為更多開放創新對AI擴散是好事。
— Aaron Levie蒸餾的倫理線很難畫得出來
被問到蒸餾何時越界，Levie 說他不知道那條線在哪。他的核心論證是：很難一邊主張AI模型可以在公開互聯網上訓練，一邊主張另一個AI模型不能拿AI模型的輸出做訓練。他還指出，大多數人並沒有選擇自己數據是否被訓練，可能只是藏在服務條款的細則裡。如果承認世界的一般知識會被訓練進模型，那麼這些知識來自 Reddit 還是來自 Anthropic，他看不出有意義的區別。他也理解實驗室想盡一切辦法防蒸餾，但那不等於存在一條被跨越的倫理線。
— Aaron Levie封堵中國只會讓美國AI更貴
針對「美國生態過度依賴中國開放權重模型」的擔憂，Levie 承認這些論點不錯，但反問：那你要怎麼辦？他打了個比方：有人說 iPhone 應該賣五千美元而不是一千美元，因為不該依賴中國的製造能力。如果推演替代方案，結論就是美國用很貴的AI、世界其他地方用很便宜的AI，然後看五到十年裡競爭力如何。他認為貓已經出了袋子，開放權重模型存在，中國知道怎麼生產，這個動態無法逆轉。他站在黃仁勳一邊：中國不會因為被封鎖就放棄AI，反而可能被逼出另一套硬件棧，最終部署到主權雲裡。
— Aaron LevieAI 的錢在推理，不在模型
Levie 認為AI的賺錢環節是推理，錢最終會流向基礎設施棧。如果市場上只有一兩個實驗室、訓練秘密完全鎖死，或許還能多封幾層；但美國有三到五個把領先模型視為存亡問題的玩家，競爭動態會讓 token 成本越來越貼近基礎設施成本。他給的區間是：加價落在基礎設施成本的 20%、30%、40%，而不是 70%、80%、90%。在這個前提下，如果你運營某個開放模型的首選基礎設施、做它的後訓練環境、或者成為企業部署它的更安全品牌，你幾乎能賺到同樣多的收入。他還建議前沿實驗室用上一代模型做更快的開源跟隨，反而能留住更多用例。
— Aaron LevieAnthropic 不開源是安全信仰
為什麼實驗室不開源？Levie 分兩類人。第一類需要更長的時間視野才相信開放權重能變現：明天就發閉源模型、強制所有流量走自己的 API，紙面上一定賺更多；但拉長時間看，每個任務的 token 成本無論如何都會被壓低，推演兩三個階段後閉源和開源幾乎是平手，因為最終重要的是推理成本。第二類針對 Anthropic 具體而言，他相信他們把這當成重大安全風險，不是出於市場份額的經濟論證，而是根本認為需要有一個實體控制 token 的流動，才能防提示注入、才能按查詢類型路由到不同模型——這些在開放權重環境裡做不到。
— Aaron LevieOpus 5 在兩個維度上同時進步
Box 過去一兩週在跑 Opus 5 的評測，Levie 說它相對 Opus 4.8 有有意義的躍升，而 4.8 在發布時已是同類最佳。Box 處理的是各行業的企業數據：生命科學、律所、大銀行的文件、合同、營銷素材、研究材料。企業需要模型同時具備兩件事：深度的領域理解（懂生命科學、懂法律）和橫向處理大量數據、調用工具、做分析的能力。Opus 5 在這兩個軸上都改進了。他也提到 Fable 在某些內部編碼任務上完全碾壓 4.8，那種優勢不是 token 成本差能彌補的，但 Fable 有個問題：某些能力上會把你降級到 4.8，而且事先很難知道是不是觸發了安全警告。
— Aaron Levie現在鎖死模型還太早
Levie 說 Fable 目前降級和阻止你做的事情，如果成為長期環境，對AI的未來是不可持續的——人們乾脆就不會用AI了。他欣賞 Anthropic 提出的多點框架：就不同風險等級的能力達成一致並測試模型。但他追問：誰來定這個風險框架？怎麼確認這些風險是我們真正感知到的真實風險？他的結論是，考慮到現在有多早，把這些模型鎖死為時過早。
— Aaron LevieAI 讓 Box 敢接多年期項目
Levie 對軟件工程仍然非常看多，Box 用這些模型是為了做比以前多得多的事。他描述了一個機制：過去你或者拒絕很小的事因為不值得，或者拒絕很大的事因為太難，所以大多數軟件項目停留在「一到六個月能做完」的中間帶。現在多年期項目不再是多年期，一週的事變成兩小時，於是你能解決客戶一直存在的更多問題，這反過來提高了野心。他說 Box 現在有幾十個項目，如果AI不存在根本不會啟動。他的判斷是：如果你認為已經不需要軟件工程師了，那你的產品路線圖一定不夠有野心。
— Aaron Levie模型路由會成為企業默認選擇
Levie 承認自己在這個結論上有偏見：你越需要多個模型來完成一個任務或一組任務，價值就越向能理解任務、拿到數據、處理工作流的層聚集，也就是他所處的應用AI層。他點名 Cognition、Factory、Cursor、Replit 這類公司都希望出現「多個模型各有所長」的局面——有成本優化的主力模型，也有超級前沿的編排模型。他數出美國有五家可信的模型開發者：SpaceX、Google、Anthropic、OpenAI、Meta，都在同時壓低智能成本並推高前沿。模型路由還能緩解企業的分析癱瘓：模型不斷互相超越，企業反而不願鎖定一個模型家族，路由層等於說你不必做這個選擇。
— Aaron Levie原話 · 已逐字校驗
So much so that I think it's actually kind of mis-framed as zero-sum with closed weights. It actually just adds to the number of use cases that people then do with AI.
以至於我認為它被錯誤地框定成與閉源零和。它實際上只是增加了人們用AI的用例數量。
Aaron Levie2:01
I think it's very hard to make the argument that AI models should be trained on broadly the public internet, but another AI model can't be trained on the outputs of an AI model.
我認為很難主張AI模型可以在公開互聯網上訓練，但另一個AI模型不能拿AI模型的輸出做訓練。
Aaron Levie3:03
then all you would basically be arguing is America should have really expensive AI and the rest of the world should have very cheap AI.
那你基本上就是在主張美國該用非常貴的AI，而世界其他地方該用非常便宜的AI。
Aaron Levie7:04
I generally think that the moneymaker in A.I. is inference. And so ultimately, the dollars are going to flow to the infrastructure stack one way or another.
我總體上認為AI裡賺錢的是推理。所以最終，錢無論如何都會流向基礎設施棧。
Aaron Levie12:07
Now what happens is you can tackle the multi-year projects because they're not multi-year anymore.
現在發生的是，你可以接多年期的項目了，因為它們不再是多年期的了。
Aaron Levie23:36
But I generally think if you think that you've kind of eliminated the need for software engineers, there's just no chance you're being ambitious enough with your product roadmap.
但我總體上認為，如果你覺得自己已經消除了對軟件工程師的需求，那你的產品路線圖絕對不夠有野心。
Aaron Levie24:36
the more that you need multiple models to do a task or a set of tasks, the more value accrues to the layer that can understand the task and get access to the data and handle the workflow
你越需要多個模型來完成一個任務或一組任務，價值就越向能理解任務、拿到數據、處理工作流的層聚集。
Aaron Levie26:42
數字與實體
| token 加價區間（相對基礎設施成本） | 20%、30%、40%，而非 70%、80%、90% | 13:09 |
| 美國可信模型開發者數量 | 5 家（SpaceX、Google、Anthropic、OpenAI、Meta） | 26:42 |
| Box 因 AI 才啟動的項目數 | 幾十個 | 22:36 |
| 過去軟件項目常見週期 | 一到六個月 | 23:36 |
術語
- open weights開放權重
- 模型參數公開可下載、可自行部署和微調，與只提供 API 的閉源模型相對。
- distillation蒸餾
- 用一個大模型的輸出去訓練另一個模型，從而把能力遷移到更小的模型上。
- model routing模型路由
- 在多個模型之間按任務、成本或能力自動分派請求的中間層。
- prompt injection提示注入
- 通過輸入內容劫持模型行為、讓它執行非預期指令的攻擊方式。
- sovereign cloud主權雲
- 由本國或本地實體運營、滿足數據主權與合規要求的雲基礎設施。
收聽指南
關注開源與閉源路線之爭的創業者、投資人和企業AI負責人，尤其是正在做模型選型或應用層產品的團隊。
開頭約一分鐘的占星玩笑和結尾的寒暄可以跳過。