当 OpenAI 前 CTO 开始学习“中国式开源”时，AI 模型的分水岭到了

据 OpenMeter 2025 年第二季度 AI 模型成本追踪报告，过去 12 个月，主流大语言模型的推理成本平均下降了 67%，而支持 LoRA 微调的模型数量增长了 340%。在 Hugging Face 上，来自中国的模型贡献者提交的 PR 数量首次超过北美，尤其在模型压缩和稀疏化方向上。这些数字不是孤立的背景，它们直接指向 Mira Murati 创业公司 TML 刚刚发布的 Inkling 模型——一个宣称“借鉴中国技术，主打成本和性能平衡”的 AI 模型。

如果你是长期混迹开源社区的人，听到“借鉴中国技术”这六个字，第一反应不会是轻蔑，而是好奇。中国在 AI 开源领域的贡献已经从“跟随者”变成了“效率挑战者”。DeepSeek、Qwen 等模型在 MoE 架构、混合精度训练、低比特量化上的工程化实践，让很多闭源实验室都开始重新审视自家模型的设计哲学。穆拉蒂作为 OpenAI 前 CTO，选择在创业公司首秀中就亮出“中国技术借鉴”的标签，说明她已经意识到，下一个模型竞争的主战场不是参数规模，而是每单位算力能产出的有效智能。

据《华尔街日报》报道，穆拉蒂押注更具可定制性的 AI 模型，希望借此缩小与其前东家 OpenAI 等前沿 AI 实验室之间的技术差距。

这个“可定制性”在开源社区里就是老生常谈。一个模型好不好，社区判断标准很直接：能不能用几行代码微调，有没有清晰的贡献指南，文档里有没有写清楚训练数据构成和依赖库版本。Inkling 如果真想参考中国技术，应该看看中国开源社区怎么做的——ModelScope 上的模型治理，从模型卡到 license 选择，全是透明流程。穆拉蒂团队如果只抄了模型架构，没抄治理模式，那 Inkling 最终可能就是另一个漂亮的闭源 API。

成本与性能的平衡，本质上是社区工程化能力的体现。OpenAI 过去几年追求的是“大力出奇迹”，用千亿参数和海量数据碾压一切。但社区里早就有人算过账：GPT-4 级别能力的模型，如果通过稀疏激活和知识蒸馏，可以在 70B 参数规模下达到 90% 的性能，而推理成本只有十分之一。中国团队在这条路上走得最激进，因为他们在算力受限的背景下被迫走通了一条“高效工程”路线。穆拉蒂现在想走这条路，但她的优势在于对 OpenAI 前沿技术的理解，风险在于把“开源借鉴”变成“开源摘桃子”。

我所在的 Apache 社区维护过几个 AI 项目，最怕的就是这种“借鉴式发布”。项目方拿社区的技术成果，包装成自己的商业产品，然后连个 contributor 名单都不给。TML 目前还没有公开 Inkling 的许可证，也没有放出任何代码。如果它只是把中国模型的结构改一改，然后卖 API 访问，那社区不会买账。但如果它真的遵循 Apache 2.0 或 MIT 协议，开放权重和训练日志，那穆拉蒂就做了一件 OpenAI 从来不敢做的事——把模型治理权交给社区。

[!note] 社区治理的试金石不是发布多少模型，而是你愿意为了一行代码的修改开一个 RFC 讨论。

让我想起一个细节：穆拉蒂在 OpenAI 时曾主导过 ChatGPT 的发布，但 OpenAI 的开源策略一直是“先闭源、后开源、再撤回”。如果 TML 真的想缩小与前沿实验室的差距，最直接的路径不是堆模型，而是建一个贡献者生态。中国团队在这方面已经验证了：当模型可定制性足够高，且社区贡献指南写得很清楚，全球开发者会自动帮你优化推理引擎、适配硬件、写文档。成本下降不是靠算法，是靠社区分工。

原文链接：https://www.ithome.com/0/977/281.htm