在技术日新月异的浪潮中，“开源”早已超越了单纯的技术选型，演变为塑造未来、驱动创新的核心力量与协作哲学。它如何从工程师的工具箱，跃升为抗衡科技巨头的战略杠杆？在生成式 AI 掀起颠覆性变革的今天，开源模式又将面临哪些前所未有的挑战与机遇？
在 6 月 27-28 日于北京举办的 AICon全球人工智能开发与应用大会上，InfoQ 在现场专访了 Linux 基金会人工智能与基础设施总经理 Mark Collier（柯理怀）。他在采访中详细分享了对 AI 时代开源的看法，如何构建团结多元化的社区，以及他眼中开源未来的样子。
部分精彩观点如下：
AICon 全球人工智能开发与应用大会将于 8 月 22-23 日首次落地深圳！本次大会以 “探索 AI 应用边界” 为主题，聚焦 Agent、多模态、AI 产品设计等热门方向，围绕企业如何通过大模型降低成本、提升经营效率的实际应用案例，邀请来自头部企业、大厂以及明星创业公司的专家，带来一线的大模型实践经验和前沿洞察。访问大会官网或点击文末【阅读原文】了解最新日程：https://aicon.infoq.cn/202508/shenzhen/schedule以下内容基于采访速记整理，经不改变原意的删减。
Q：从您的个人经历来看，是哪些具体的经历或转折点让您意识到开源不只是技术选择，而是一种值得长期投入的事业？Mark： 我最初从事的是技术岗位，但很快就转向了商业方向，开始专注于企业发展，主要是跨公司的战略合作。当时我的主要任务就是促成戴尔、雅虎两家公司之间的深度合作，帮助双方建立信任，我逐渐意识到：当两家公司深度合作、共同开发产品时，创造的价值会远超单打独斗。就在那时，我迎来了职业生涯的关键顿悟：两家企业协同合作所能产生的价值，胜过任何一方的孤军奋战。
在雅虎工作的后期，我与一位才华横溢的同事伊恩·罗杰斯（Ian Rogers）共事。尽管我早期对开源有过一些接触，但是伊恩让我真正理解了开源及其社区的重要性。当时我忽然“开窍”了：开源实际上是终极的业务发展与生态构建工具——它不同于传统的双边合作，而是“多边对多边”的协作模式，能让三家、三百家甚至更多主体共同参与。
也正是在这个关键时刻，我加入了 Rackspace。当时我参加了一个云计算会议，WordPress 的创始人 Matt Mullenweg 在台上说：“如果你想与 Amazon、Google 和 Microsoft 竞争，唯一能获得真正杠杆效应的方式就是开源。“这番话让我深受触动。我刚加入 Rackspace，就立刻提出：我们必须为云计算制定一个开源战略，这就是 OpenStack 项目的起点。
背后的信念其实很简单：如果你想要组织一支能与科技巨头抗衡的开发者大军，你不可能把他们全招进一家非万亿市值的公司。唯一的方式，就是共建一个开放的生态系统。这个系统由不同的公司、开发者、个体组成，他们有着共同的使命，想要一起构建一个完整的技术栈，解决同一类问题。正是这些瞬间，真正让我走上了这条探索生态系统协作和开放合作的道路。
Q：很多知名开源项目，比如 Kubernetes 最初只是为了解决企业内部需求，但开源后却带来了超出预期的影响力与价值。您怎么看 AI 时代的“开源”？它与传统软件时代相比，有哪些本质不同？Mark： 我认为传统开源软件与如今的 AI 系统，特别是生成式 AI 之间确实存在一些本质差异。我们在构建社区、促进交流等方面有很多相似的做法，但也必须承认，两者在核心机制上并不完全一致。最大区别之一在于，生成式 AI 往往是非确定性的。
传统软件的运作逻辑是这样的：你有源代码，将其编译成可执行程序，每次运行时的结果都应该一致。这也是为什么我们强调可重现构建，这构成了传统开源软件的供应链基础。然而，生成式 AI 尤其是大语言模型（LLM），本质上是为了每次运行都可能生成不同的结果，这种行为是设计使然，而非异常，这种“非确定性”是很难用传统软件工程的方式去理解或建模的。
所以当我们尝试将开源理念应用到 AI 时，就会发现这不是一种直接对应的迁移方式。从计算机科学或软件工程的角度来看，这是一个概念上的转变。它不再是一个“bug”，而是一种“特性”。我最近看到 Google DeepMind 的一次演示中提到，过去我们将模型产生的不准确输出称为“幻觉”，这在要求准确性的任务中确实是个问题。但在另一些领域，比如电影等艺术创作中，这种“幻觉”反而更像是一种创造力的体现。
因此，AI 系统与传统软件的这些差异，虽然带来了挑战，但同时也是它的魅力所在——它具备自发的、涌现式的行为。不过也因此，我们需要换一种思维方式来理解和应用它，而不能完全沿用传统开源软件的思路。
Q：在大模型时代，从实用角度看，许多团队认为用开源权重就能快速微调并商业化落地，哪怕没有数据或训练细节，也照样有效。您为什么仍坚持强调“完整开源（full open-source）”的重要性？
Mark： 我认为，目前开源软件与 AI 系统之间并没有一个完全契合的类比，这也解释了为什么“什么是开源 AI”以及“哪些算是真正开源”这类问题会引发如此多的争议。说实话，我自己也没有答案。这场讨论之所以还没有定论，正是因为 AI 系统本身的运作机制与传统软件确实不同。但基于我的经验，我始终相信：越开放，我们就能取得越多进展，这也是我坚定主张开放协作的原因。
我一直倡导应该开放数据集、分享训练代码。但与此同时，我并不是那种“教条式”的开源主义者，不会因为某项目只开放了模型权重，就全盘否定它的价值。哪怕只分享权重，也很有意义。我更倾向于一种务实的态度，把开源看作是一个光谱，而不是非黑即白的定义。
就我个人而言，我会鼓励更开放的数据共享，但我也理解在某些情况下企业无法这么做。比如数据中可能包含隐私信息，或者是用于医疗诊断的训练数据，这类数据公开会带来伦理或法律风险。但我们也不希望模型的能力因此受限，只因为我们拒绝使用那些真正有价值的数据。所以，这里确实还有很多讨论空间，我在这个问题上更愿意保持一种包容和现实的立场，而不是一味坚持“绝对开源”的立场。
Q：Meta 的 LLaMA 系列广受欢迎，但其许可协议对商业使用有限制。您如何评价 LLaMA 的这种“开源”形式？是否应该为这类模型设立新的标签，比如“开放可用”而非“开源”？Mark： 以目前的许可证形式来看，LLaMA 模型并不符合任何对“开源 AI”的合理定义。不过，这个问题的核心不只是代码本身，还包括训练数据的开放性。
数据是否开放，其实是目前讨论得还不够多的话题。所以，我很高兴你提到了“商业限制”这个角度。举个例子：如果你是一家公司，打算把某个开源模型的权重集成到产品中，那么你就必须非常注意它的许可证条款。假如许可证里写着“禁止商业用途”，即便我是个非律师，我也会非常犹豫要不要在商业产品中使用这样的模型。
从研究的角度看，LLaMA 模型的发布确实推动了进展。研究者们可以查看模型性能，与其他开源程度不同的模型进行对比和基准测试，这是好事。但我认为，商业限制实质上成了开源 AI 推广的一个障碍。它会阻碍企业采用，也妨碍整个生态的发展。
我经常呼吁 Meta 能在许可协议上走向更开放的方向，去除商业用途限制。但现实是——这是一个竞争激烈的世界。如果出现了像 DeepSeek 这样没有商业限制的模型，并因此获得大量关注和广泛应用，那些采用更严格许可协议的实验室和公司自然会面临压力。他们就需要作出选择：是顺应市场趋势更开放？还是继续坚持甚至收紧现有策略？这终究是各方的自由选择。
不过我确实认为，商业限制不利于构建开放生态。我们希望企业能在生产环境中使用这些模型，运行它、测试它、反馈问题，而不是仅仅当个旁观者。限制越多，参与越少，社区就越难壮大。
Q：随着 Agent 相关的技术堆栈逐渐形成新一层“基础设施”，它是否会像 Kubernetes 一样成为下一个开源平台？Linux 基金会准备如何参与？Mark： 最近我一直在思考一个比 Agent 更广的概念，那就是“AI 原生计算栈（AI-native computing stack）”，它包括训练、推理以及 Agent 等多个部分。我认为在 AI 系统中，推理是整个栈的核心。训练阶段虽然重要，但在部署和运行模型时，推理就是实际运行时的执行环境。而当你在做 Agent 系统时，其实这些 Agent 本质上正是基于正在运行的推理系统在工作。因此，这几个部分是无法被彻底分割的，尤其是 Agent 和推理之间的联系非常紧密。虽然在实际工作中，它们可能由不同团队负责，但从系统架构和思考方式上看，我们必须整体性地理解和设计这个系统。
关于你提到的 Linux 基金会可以扮演什么样的角色，我认为我们可以从 Kubernetes 所在的 CNCF（Cloud Native Computing Foundation）的发展中找到经验。当初 CNCF 在推动 Kubernetes、Prometheus 等项目的同时，也非常重视标准的建设，比如 OCI 容器格式等，这些标准在早期构建生态过程中起到了关键作用。
如今，在 Agent 领域我们也看到类似趋势。例如 MCP，以及 Google 推出的 Agent-to-Agent（A2A）协议等标准。在 A2A 的案例中，他们几天前刚刚宣布将该协议纳入 Linux 基金会旗下。Linux 基金会在推动标准制定、搭建中立治理结构、构建开放社区等方面经验丰富，并且致力于打造一个“人人可参与”的大平台。
所以我认为，Linux 基金会未来将在 AI Agent 和推理系统标准化方面发挥越来越重要的作用。我们目前正在积极倡导这一方向，也邀请更多人加入这项工作。当然，还有很多事情要做，但 A2A 纳入基金会的消息是一个积极信号，说明我们已经迈出了正确的第一步。希望接下来能形成滚雪球效应，逐步构建起一个更有凝聚力和影响力的全球协作生态。
Q：百度、智谱、阿里等陆续开源大模型，但目前海外社区参与度仍有限。你怎么看中国在大模型开源方面的进展？要走向国际，最需解决的挑战是什么？Mark： 回顾我们过去的经验，可以带来一些启发：构建一个真正全球化、具有多样性的开源社区至关重要，这样人们才有机会在一个中立的平台上平等参与。这些做法和策略在过去已经被验证有效，我相信我们可以再次复用。归根结底，这一切都与“信任”有关，而“透明”是建立信任的基础。若能为这些合作活动提供一个中立的归属平台，将有助于进一步强化这种信任关系。
我在全球各地走访时，能感受到外界对中国 AI 创新的高度认可。黄仁勋前几天也说过，现在全球一半的 AI 研究人员都在中国。尤其是中国的一些开源模型，无论是开放权重还是开放接口，都让全球研究者和开发者得以使用和研究，这本身就是一个非常好的开端。
关键是：我们如何在已有势能的基础上继续推动？我没有全部的答案，但历史经验已经告诉我们，如果一个项目虽然“开放”，但只由单一厂商主导，虽然比闭源强，但仍然难以实现真正的全球参与。所以我们必须想办法让更多外部贡献者加入进来——不只是别的公司，也包括来自其他国家的参与者。
只要起步了，就可以逐步扩大。如果模型只是由一个公司在内部开发，然后发布出来，比如放到 GitHub 或 Hugging Face 上，这样确实会带来使用者，但不会带来开发者和贡献者。我们称这种方式为“把东西扔过墙”，它并不利于建立参与感。因此，如果我们能朝着更开放的设计、更开放的开发流程，以及更多企业间协作的方向迈进，就会看到哪怕是微小的进展，也可能迅速演化为真正的全球生态系统，关键是要迈出第一步。
Q：在大模型时代，很多“开源”项目其实难以复现、难以修改，门槛很高。你会给年轻开发者或学生什么建议？他们该如何从使用者成长为贡献者，甚至核心维护者？Mark： 在开源社区中，其实有很多种方式可以参与贡献。从小处开始非常重要，不管是提交一个 Bug 修复，还是参加一次社区活动、认识其他开发者，都是参与的起点。很多社区都有导师计划，比如 OpenInfra Foundation 就设有连接导师与学员的项目，我们也看到不少参与者在掌握了基本的开源协作技能后，成功找到了工作。这类项目，尤其是与大学合作的计划也很多，OpenInfra Foundation 现在也已经并入了更大的 Linux Foundation，他们也在推动类似的大学合作计划。
参与的方式也不局限于编程。有时只要在 Discord、IRC 或 Slack 这些线上社区中露个面，甚至到线下的技术聚会去，就能有很好的交流机会。其实，比起那些动辄上千人的大型会议，有时候本地的小型聚会反而更容易建立真实的连接。例如全球范围内举办的 Kubernetes Community Days 或 OpenInfra Days，都是很好的参与场景。
很多时候，一个小小的贡献就足以打开参与之门，比如整理文档就是一个极好的例子。对于开发者来说，代码审查的需求也非常大——在你还不熟悉项目结构、不准备提交代码之前，完全可以先试着参与代码审查，这其实也是一种极其重要的贡献。我们称这种基础性的工作为“砍柴挑水”，听起来不起眼，却是维系社区健康运转的关键。找准一个你能帮上忙的点，抱着“我来帮忙”的态度进入社区，大家通常都会非常欢迎你。哪怕是最小的贡献，在刚起步阶段也绝不微不足道，而且它是一个可以逐步积累并扩展的开始。
首届 AICon 全球人工智能开发与应用大会（深圳站）将于 8 月 22-23 日正式举行！本次大会以 “探索 AI 应用边界” 为主题，聚焦 Agent、多模态、AI 产品设计等热门方向，围绕企业如何通过大模型降低成本、提升经营效率的实际应用案例，邀请来自头部企业、大厂以及明星创业公司的专家，带来一线的大模型实践经验和前沿洞察。一起探索 AI 应用的更多可能，发掘 AI 驱动业务增长的新路径！
