Demis Hassabis 提出建立前沿人工智能标准机构，希望对达到特定能力门槛的模型进行发布前测试，并在必要时阻止高风险模型进入市场。这个方案关注的是最严重的一类问题：不能让某次未经充分评估的模型发布，给社会带来难以挽回的后果。（The Verge）

微软首席执行官萨提亚·纳德拉在转发文章时，把目标概括为建立一个同时促进“创新与选择”的前沿生态，并避免某一次模型发布“破坏世界”。这里的“model drop”更接近一次新模型发布，而不是服务宕机。萨姆·奥尔特曼则称其为一项经过认真思考的提案。两人的响应说明，主要模型企业开始接受更严格的前沿评估，但并不能据此推断它们已经同意哈萨比斯提出的机构权力、资金来源和市场准入方式。（X）

纳德拉所说的“选择”，也不应只理解成一个云平台里摆放更多模型。对于个人消费者和开发者，真正的选择还包括另一项能力：当模型涨价、改变规则、退役或者不再值得信任时，能否带着自己的数据和工作流程离开。

两条治理路线，最后落在同一个用户身上

哈萨比斯的方案代表一种前沿保护路线。模型能力越接近网络攻击、生物设计和自主行动等高风险领域，越需要在受控环境中测试。部分基准和攻击方法不能完全公开，模型是否发布也不能只由开发者自行决定。

WAIC 所承载的开放合作路线则把另一种风险放在前面：如果高性能模型、算力和基础设施长期集中在少数美国企业手中，其他国家、开发者和普通用户就只能持续购买访问权，而无法真正参与模型开发和本地化。2025 年 WAIC 发布的《人工智能全球治理行动计划》提出建设跨境开源社区，推动平台、技术文件和非敏感资源共享；2026 年的 WAIC 讨论仍在继续强调开源模型与全球南方的能力建设。（外交部）

两种路线分别防范两种不同的失败：

一边担心危险能力一旦公开便无法收回；另一边担心人工智能能力被少数平台永久封闭。

对个人而言，这不是抽象的国家路线之争。开放程度最终决定了模型消失时还有没有替代品，平台规则改变时能不能迁移，以及用户过去交给模型的知识是否只能留在原账户里。

开放与闭源，不是维护负担与使用便利的同义词

讨论开放模型时，最容易出现的偏差，是把它写成“用户必须购买显卡、配置环境并承担全部维护”。闭源模型则被描述成天然稳定、方便和适合普通人。

现实并非如此。

Qwen3 的多个版本以开放权重形式发布，用户既可以通过 vLLM 等工具部署在服务器上，也可以通过 Ollama、LM Studio 和 llama.cpp 在个人设备上执行。开放权重提供的是自行部署的可能，并不要求所有人都采用本地部署。（Qwen）

开放模型同样可以由云平台托管。Microsoft Foundry 的模型目录同时包含 OpenAI、Anthropic、Meta、DeepSeek、Hugging Face 等不同来源的模型，用户可以选择自行带入模型，也可以直接使用平台托管的版本。此时计算资源、扩容和基础运维仍然由云服务商承担。（Microsoft Learn）

因此，模型是否开放与服务是否托管，是两个不同问题：

开放模型可以自行维护，也可以交给平台维护；闭源模型可以由原厂提供，也可以通过多家云平台接入。

真正的差异在于，当托管服务结束后，用户是否还能取得模型，并换一种方式继续执行。

开放模型提供更多退路，但退路需要提前准备

对于个人用户，开放模型最直接的价值是保留一个平台之外的执行方式。

用户可以把需要保密的数据留在本地处理，可以保留一个已验证的模型版本，也可以在商业服务无法使用时，依靠性能较低但能够持续执行的本地模型完成基础任务。这里的意义不一定是追求最强性能，而是避免所有工作在一个账户失效后同时中断。

但开放权重不会自动带来独立性。

用户如果始终通过同一家云平台调用开放模型，没有存储数据、提示词和模型版本，仍然会形成平台依赖。开发者如果使用了平台专有的文件存储、智能体系统和向量数据库，即使底层模型可以下载，整个应用也未必能够轻易搬走。

开放权重也不必然等于完整开源。模型可能公开参数，却不公开训练数据、数据处理过程和完整训练代码。用户可以执行它，却未必能够完整理解它如何形成，更无法仅凭权重确认所有数据和安全问题。

所以，开放模型提供的是更多退路，而不是已经完成的迁移方案。

闭源模型承担更多服务责任，但模型仍不属于用户

闭源平台的优势同样真实。

个人用户可以直接使用文件分析、联网搜索、语音、记忆和跨装置同步，不必理解推理框架和硬件要求。开发者则可以把模型训练、推理集群、容量调度和安全更新交给供应商。

闭源模型也不一定绑定单一云平台。Anthropic 的部分模型同时通过其自有 API、Amazon Bedrock、Google Cloud 和 Microsoft Foundry 提供。这可以减少企业对某一家云基础设施的依赖。（Claude Platform Docs）

但多云接入并没有改变模型所有权。

Anthropic 明确设置了模型的活跃、弃用和退役周期。模型退役后，依赖该版本的应用必须迁移，否则请求将无法继续执行；合作云平台的退役时间还可能与原厂 API 不同。（Claude Platform Docs）

这意味着开发者可以更换云平台，却未必能够保留模型。只要权重没有开放，模型公司仍然掌握版本更新、停止服务和最终退役的决定权。

个人产品的数据导出也只能解决一部分问题。ChatGPT 允许用户导出聊天历史和账户数据，这使用户能够存储自己的文字记录。（OpenAI Help Center）但导出的对话不能把原来的模型行为、记忆方式、文件工具和产品环境一起复制到另一个平台。

闭源服务交给平台的因此不只是维护工作，也包括连续使用权。

选择很多模型，不等于真正摆脱平台

纳德拉强调的“创新与选择”，符合微软发展多模型平台的商业路线。一个开发者可以在同一云平台中比较闭源模型、开放模型和不同厂商的服务，这确实比只能使用单一模型更灵活。

但这里还存在两层不同的集中。

第一层是模型集中：应用只能使用某一家实验室的模型。

第二层是平台集中：应用虽然可以选择多个模型，但身份、数据、日志、部署和计费全部留在同一个云生态中。

从第一种集中转向第二种集中，可以降低单一模型退役带来的冲击，却没有完全消除平台锁定。

真正的迁移能力不能只看模型目录数量，而应看四件事：

模型权重或者替代模型能否取得；

用户数据和业务记录能否导出；

提示词、工具和评估方法能否在其他环境复用；

应用是否能够在不重建全部基础设施的情况下切换供应商。

一个平台提供一千个模型，却不允许带走数据和业务逻辑，选择仍然只发生在平台内部。

反向信息悖论：模型越了解你，离开时要重新交代得越多

在“反向信息悖论”中，用户为了获得更好的模型输出，需要持续提供背景数据、写作偏好、项目规则和判断标准。

模型越了解用户，服务通常越顺手。但平台中积累的信息越多，用户转向其他模型时需要重新整理和解释的内容也越多。

个人用户可能逐渐把文章草稿、数据分析、长期计划和重要判断全部留在聊天记录中。开发者则可能把系统提示词、工具定义和业务判断写成只适合某个模型的形式。

这时，模型依赖已经不只是技术依赖，而成为一种信息依赖。平台不仅提供计算能力，也逐渐成为用户组织个人知识和理解现实的入口。

“不要依赖单一模型”并不意味着每一个问题都要同时询问三家平台。日常润色、摘要和低风险创作，完全可以主要使用一个顺手的模型。

真正需要第二条路径的，是那些后果较大的任务：医疗、法律、财务、公共事件、历史争议、求职决定和关键技术配置。这时至少应当返回原始数据，或者使用另一个模型和不同地区的信息来源进行比较。

不能让同一个模型负责提供事实、解释争议、响应质疑，最后再由它自己证明原先的答案没有问题。

对个人与开发者，退出能力可以具体实现

个人用户不需要建立复杂的本地模型集群，但重要数据不应只存储在聊天平台中。

长期项目背景、写作规则和常用提示词可以整理为普通文本或 Markdown 文件；重要结论应与原始来源一起存储；敏感数据只提供完成任务所需的最少部分。与此同时，可以保留一个不同平台或本地开放模型作为备用入口。

开发者需要做的也不是同时接入所有模型，而是把可替换性写进架构。

用户文件和业务数据应存储在自己能够控制的存储中；系统提示词、工具定义和测试样例需要纳入版本管理；不同供应商的界面差异集中放在适配层；每次模型升级或切换，都用自己的业务评估集重新测试，而不是只看公开排行榜。

开放模型不必承担全部生产任务。它可以只作为隐私任务、本地测试或服务中断时的备用方案。闭源模型也可以继续作为主要服务，只要应用没有把全部数据和工作流程锁在供应商内部。

真正的选择，是仍然可以离开

哈萨比斯担心某一次危险模型发布给世界带来不可逆后果。纳德拉则强调一个同时支持创新与选择的前沿生态。WAIC 路线进一步提出，人工智能能力不能长期由少数国家和闭源平台控制。

三种主张并不必然冲突。

前沿模型可以接受严格的发布前测试；非敏感的安全工具、评估方法和基础模型应保持开放；个人用户需要数据导出和迁移能力；开发者需要多供应商和自托管路径；监管机构也不能以安全为由，把技术审查无限扩大成市场封锁和身份限制。

一个健康的人工智能生态，不是要求所有人拒绝闭源模型，也不是要求所有模型立即公开权重。

它应当允许用户享受托管服务的便利，同时不失去带走数据的权利；允许开发者依赖性能最好的商业模型，同时保留替换它的技术条件；允许政府限制真正危险的能力，同时要求限制依据、期限和复核程序保持透明。

开放与闭源最重要的区别，最终不在宣传口号，而在模型和平台发生变化之后，用户还剩下多少选择。

真正的选择权，不是页面上能够点击多少个模型，而是当其中一个模型改变、关闭或者不再值得信任时，个人和开发者仍然可以带着自己的数据与工作继续离开。