英伟达正在押注一个与主流闭源模型不同的未来：让更多公司自行构建 AI 模型，而不是仅仅从 Anthropic 或 OpenAI 购买 API 服务。这一战略的核心是加大对近乎开源的大语言模型的投资，例如其 Nemotron 系列，公开尽可能多的训练数据和训练代码，以降低模型构建的门槛。
英伟达的逻辑在于，如果无数公司都能自行“制造”模型，那么对推理算力的需求将大幅增长，而这些公司都需要购买英伟达的芯片。据报，英伟达为此已投入 260 亿美元，这一数字远超许多开源模型项目的成本，显示出其对该战略的重视程度。
开源模型生态的现状与未来，是理解这一战略的关键。当前，开源模型分为两类：一类是仅公开模型权重和推理代码的“开放权重”模型，另一类是包含完整训练配方、数据、代码的“开源配方”模型。后者更接近开源操作系统，如 Linux，而前者则类似于特定版本的软件。英伟达投资的重点在于后者，希望通过提供完整的训练方案，让更多公司能够自主训练模型。
然而，开源模型生态面临一个根本性挑战：构建顶尖模型的资本密集度极高。尽管目前行业内的竞争格局仍比许多人预期的更开放，但已有公司如 Databricks 和 01.ai 退出模型训练领域，这似乎是个别现象，而非普遍趋势。分析认为，开源模型生态未来将越来越依赖英伟达的财务支持，这构成了一个“存在性窗口”——在几年内，这种投资需要产生回报，否则开源模型的发展路径可能发生分化。
一种可能的未来是，开源模型生态能够形成可持续的财务反馈循环，其经济回报与 Anthropic 和 OpenAI 的 API 利润相称。这可以通过性能竞争力或 AI 热潮带来的巨大需求实现。另一种未来则是，如果上述路径无法实现，开源模型将转向与闭源模型不同的发展路径，更注重效率、可修改性和专业化，例如企业特定场景的本地化智能体，而闭源模型则垄断知识工作协作、药物发现、软件工程等高价值领域。
作者认为，后一种可能性更大。原因在于，模型训练正变得越来越复杂和抽象，开源社区对完整训练的兴趣正在减弱，转而更多关注后训练（post-training）阶段，即对现有模型如 DeepSeek V4 Flash、Inkling Small 或 GLM 5.X 进行微调以适应特定任务。这种趋势可能导致训练术语从“预训练、中训练、后训练”演变为“预训练、推理训练、后训练”，并进一步减少对开源模型构建的投资。
与此同时，开源模型构建者也在尝试新的商业模式，如对下游使用或推理收取收入分成许可费，以维持接近前沿水平的开放权重模型的财务可行性。这些实验的成功与否，将在很大程度上决定开源模型生态的未来走向。
总体而言，英伟达的投资战略与开源模型生态的命运紧密相连。如果开源配方成功，英伟达将创造远超模型构建成本的芯片需求；如果失败，开源模型可能退居长尾应用，而英伟达的算力需求仍将主要来自闭源模型提供商。这一博弈的结果，将深刻影响 AI 产业的算力分配与商业模式。