輝達正在押注一個與主流閉源模型不同的未來：讓更多公司自行構建 AI 模型，而不是僅僅從 Anthropic 或 OpenAI 購買 API 服務。這一戰略的核心是加大對近乎開源的大語言模型的投資，例如其 Nemotron 系列，公開儘可能多的訓練資料和訓練程式碼，以降低模型構建的門檻。
輝達的邏輯在於，如果無數公司都能自行“製造”模型，那麼對推理算力的需求將大幅增長，而這些公司都需要購買輝達的晶片。據報，輝達為此已投入 260 億美元，這一數字遠超許多開源模型專案的成本，顯示出其對該戰略的重視程度。
開源模型生態的現狀與未來，是理解這一戰略的關鍵。當前，開源模型分為兩類：一類是僅公開模型權重和推理程式碼的“開放權重”模型，另一類是包含完整訓練配方、資料、程式碼的“開源配方”模型。後者更接近開源作業系統，如 Linux，而前者則類似於特定版本的軟體。輝達投資的重點在於後者，希望通過提供完整的訓練方案，讓更多公司能夠自主訓練模型。
然而，開源模型生態面臨一個根本性挑戰：構建頂尖模型的資本密集度極高。儘管目前行業內的競爭格局仍比許多人預期的更開放，但已有公司如 Databricks 和 01.ai 退出模型訓練領域，這似乎是個別現象，而非普遍趨勢。分析認為，開源模型生態未來將越來越依賴輝達的財務支援，這構成了一個“存在性視窗”——在幾年內，這種投資需要產生回報，否則開源模型的發展路徑可能發生分化。
一種可能的未來是，開源模型生態能夠形成可持續的財務反饋迴圈，其經濟回報與 Anthropic 和 OpenAI 的 API 利潤相稱。這可以通過效能競爭力或 AI 熱潮帶來的巨大需求實現。另一種未來則是，如果上述路徑無法實現，開源模型將轉向與閉源模型不同的發展路徑，更注重效率、可修改性和專業化，例如企業特定場景的本地化智慧體，而閉源模型則壟斷知識工作協作、藥物發現、軟體工程等高價值領域。
作者認為，後一種可能性更大。原因在於，模型訓練正變得越來越複雜和抽象，開源社群對完整訓練的興趣正在減弱，轉而更多關注後訓練（post-training）階段，即對現有模型如 DeepSeek V4 Flash、Inkling Small 或 GLM 5.X 進行微調以適應特定任務。這種趨勢可能導致訓練術語從“預訓練、中訓練、後訓練”演變為“預訓練、推理訓練、後訓練”，並進一步減少對開源模型構建的投資。
與此同時，開源模型構建者也在嘗試新的商業模式，如對下游使用或推理收取收入分成許可費，以維持接近前沿水平的開放權重模型的財務可行性。這些實驗的成功與否，將在很大程度上決定開源模型生態的未來走向。
總體而言，輝達的投資戰略與開源模型生態的命運緊密相連。如果開源配方成功，輝達將創造遠超模型構建成本的晶片需求；如果失敗，開源模型可能退居長尾應用，而輝達的算力需求仍將主要來自閉源模型提供商。這一博弈的結果，將深刻影響 AI 產業的算力分配與商業模式。