开源与闭源之争
在部署大型语言模型时，团队面临一个重要抉择：是否向全世界公开系统的运作机制，包括参数、训练数据和权重输入的细节，还是对这些信息进行保密？这种"开源"与"闭源"的争论，在政府和企业讨论人工智能时经常出现。
企业的战略选择
战略与国际研究中心的达尔格伦（Masao Dalhgren）指出，围绕人工智能安全，特别是开源基础模型的讨论值得特别关注。与GPT-4等闭源模型不同，猎豹（Llama）、蜂鸟（Mistral）或轻问（Qwen）等开源基础模型会公开其底层参数，允许用户进行检查、修改和操作。随着开源模型性能逐渐接近闭源模型，这引发了关于潜在风险和收益的激烈讨论。
信任与合作机制
专家马赫什瓦里（Dinesh Maheshwari）强调，开源本质上是关于信任的建立。这不仅包括开放权重，还包括数据、模型架构和元参数的开放，确保系统可以被复制和审计。深度探索（DeepSeek）虽被称为开源系统，但实际上是半开放的，因为其训练数据并未公开。
商业价值与数据主权
在商业层面，企业客户往往倾向于选择闭源系统，这在企业对企业（B2B）领域可能更具盈利性。但查尔斯·范（Charles Fan）指出，记忆系统的开源对于确保数据所有权至关重要，使用户可以在不同模型间自由迁移其数据。
全球化与本土化的平衡
关于人工智能主权，专家们警告要警惕技术民族主义的陷阱。布莱特查询（BrightQuery）正在开发美国国家安全数据服务，这是首个面向全球的中央化政府数据生态系统。与此同时，希腊等国家也在发展本土化的人工智能系统，以保护其语言和文化特性。
专家普莱恩（Plehn）强调，虽然前沿AI公司可能会保护其模型和权重，但开放数据才是未来发展的关键。随着新模型在全球范围内不断涌现，如何平衡开放与保护将继续成为业界关注的焦点。