源信息经过deepseek翻译并总结
摘要：
企业AI战略需权衡开源与闭源模型的总拥有成本（TCO）。闭源模型（如OpenAI）易用但成本高且定制受限；开源模型（如Meta Llama）可定制但需自担工程成本。建议根据用例需求混合使用：闭源适合标准化场景，开源适合定制化需求。TCO需综合计算托管、微调及维护成本，临界点决定经济性。未来趋势是通过智能体自动路由任务。企业应评估能力与需求，构建混合策略以实现最优成本效益。
以下为翻译后的简体中文内容，严格保留原始Markdown格式及超链接，已去除广告部分：
为何企业AI战略需同时采用开源与闭源模型：TCO现实考量
作者：Sean Michael Kerner@TechJournalist
2025年6月27日 下午1:00
本文为VentureBeat专题“AI的真实成本：规模化下的性能、效率与投资回报”的一部分。阅读更多专题内容。
过去二十年间，企业始终面临开源与闭源专有技术的选择。
最初的选择集中于操作系统领域，Linux作为开源的替代方案与微软Windows分庭抗礼。在开发领域，Python和JavaScript等开源语言占据主导，而Kubernetes等开源技术已成为云计算的标准。
如今，企业AI同样面临开源与闭源模型的选择。闭源阵营包含全球使用最广泛的模型，如OpenAI和Anthropic的产品；开源阵营则包括Meta的Llama、IBM Granite、阿里巴巴的通义千问和深度求索。
理解何时采用开源或闭源模型，将成为2025年及以后企业AI决策者的关键选择。这一选择将直接影响财务成本与定制化能力，需慎重权衡。
理解开源与闭源许可的核心差异
围绕开源与闭源的争论已持续数十年，但对企业用户而言究竟意味着什么？
以OpenAI的GPT-4o为例，闭源专有技术不公开模型代码、训练数据或权重，难以进行微调，且实际企业使用通常需要付费（虽然ChatGPT提供免费版，但无法满足真实企业级需求）。
而如Meta Llama、IBM Granite或深度求索等开源技术，其代码完全公开。企业可自由使用模型，包括微调与定制，通常不受限制。
德勤（Deloitte）负责人Rohan Gupta向VentureBeat表示，开源与闭源之争并非AI领域独有，且短期内难以定论。
Gupta解释道，闭源供应商通常围绕模型提供多种封装，便于使用、简化扩展、无缝升级降级及持续功能增强。他们还提供全面的开发者支持，包括文档和实操指导，并与基础设施及应用深度集成。作为交换，企业需为这些服务支付溢价。
“开源模型则能提供更高可控性、灵活性和定制选项，并拥有活跃的开发者生态支持。”Gupta说，“这些模型正通过云厂商的托管API广泛分发。”
企业AI模型的选择策略
许多企业用户可能想问：开源还是闭源更好？但答案并非非此即彼。
安永美洲（EY Americas）生成式AI负责人David Guarrera告诉VentureBeat：“我们视之为流动的设计空间——模型选择或自动编排应基于工作流中不同环节对准确性、延迟、成本、可解释性及安全性的权衡。”
Guarrera指出，闭源模型限制了行为优化与适配的深度。专有模型供应商常限制微调、收取高价，或将流程封装为黑箱。虽然API工具简化了集成，但也削弱了控制力，难以构建高度定制或可解释的系统。
相比之下，开源模型支持针对性微调、防护栏设计及特定场景优化。这在“智能体未来”中尤为重要——模型不再是通用工具，而是动态工作流中的可互换组件。当部署任务型智能体或受严格监管的解决方案时，低成本、全透明的模型行为精细调控将成为关键竞争优势。
“实践中，我们预见模型选择将被抽象化的智能体未来。”Guarrera举例说，用户可能用一个AI工具起草邮件，用另一个总结法律文件，通过微调的开源模型搜索企业文档，再通过本地LLM与AI交互，全程无需知晓具体模型。
“核心问题在于：哪种模型组合最能满足工作流的特定需求？”
总拥有成本（TCO）的考量
开源模型看似免费可用，而闭源模型始终收费，但TCO的现实更为复杂。
Insight Partners董事总经理Praveen Akkiraju向VentureBeat解释，TCO包含多个层面。关键考量包括基础设施托管成本与工程投入：开源模型由企业自托管还是云提供商托管？微调、防护栏设计及安全测试等工程投入有多大？
Akkiraju强调，微调开源模型可能非常复杂。闭源前沿模型公司投入巨大工程资源确保多任务性能。除非企业具备同等工程能力，否则微调时将面临复杂权衡，从而影响部署策略的成本。例如，企业可针对不同任务微调多个模型版本，或使用单一API处理多任务。
云原生服务商Caylent数据与应用主管Ryan Gross认为，除边缘场景外，许可条款影响有限。最严格的限制常与数据驻留要求相关——此时在Amazon SageMaker等平台部署开源模型可能是唯一合规方案。Gross指出，TCO的平衡点在于按token计费与托管维护成本的取舍。
“存在明显的经济临界点，使得开源模型更划算。”Gross表示。他认为，对多数组织，闭源模型因托管与扩展由供应商解决而TCO更低；但对需求量大但场景简单的大型企业、SaaS公司或AI产品公司，托管精简开源模型可能更具成本效益。
某企业软件开发者的评估实践
Second Front Systems首席技术官Josh Bosquez分享了其评估经验：“我们根据用例、安全需求和战略目标混合使用开源与闭源模型。”
Bosquez解释，开源模型使其能快速集成前沿能力，省去从头训练的耗时与成本。对于内部实验或快速原型开发，开源模型助力高效迭代并受益于社区创新。
“闭源模型则适用于数据主权、企业级支持和安全担保至关重要的场景，尤其是客户面应用或涉及敏感/受监管环境的部署。”他说，“这些模型通常来自可信供应商，提供稳定性能、合规支持和自托管选项。”
Bosquez强调，模型选择需跨部门协同和风险评估，综合考量技术适配性、数据处理政策、集成需求和长期扩展性。关于TCO，他表示两种模型各有优劣，需结合部署范围和组织成熟度评估，且“成本不应仅以美元衡量，还需考虑交付速度、合规风险和安扩展能力”。
对企业AI战略的启示
2025年的技术决策者需建立战略组合，而非二元选择。具体行动包括：
- 审计现有AI工作负载，根据专家框架评估各用例的准确性、延迟、成本、安全与合规需求
- 客观评估组织的模型微调、托管与维护能力，这将直接影响真实TCO
- 尝试模型编排平台，实现任务自动路由至最优模型（无论开源或闭源），为“智能体未来”布局
最终，模型选择将如同电力——用户只需确保“开关”可靠，而无需关心背后的发电方式。### 你所需的AI洞察
提交
感谢订阅。查看更多VB新闻简报请点击此处。
发生错误。