企业获取AI的方式正在发生一个值得关注的变化

NVIDIA总部建筑外景，现代玻璃幕墙建筑前研究者讨论场景，广角拍摄

过去两年，企业对AI模型的选用逻辑其实很简单：闭源模型能力最强，直接调用API，不操心底层。开源模型也不差，但需要自己部署、自己调优，算力成本摆在那里。问题的核心不是哪个更好，而是企业有没有选择权。

最近NVIDIA的Nemotron Labs发布了一组新的开源模型，从它的发布方式看，事情有点不一样了。

闭源模型给企业设置了一堵墙

目前大多数企业使用AI的标准路径是调用闭源模型的API。这条路简单直接，但企业慢慢发现了一些问题。

第一个是数据主权。调用API意味着数据会经过第三方服务，对于医疗、法律、金融这类对数据安全敏感的行业，这条路走不通。过去一年有好几个案例，金融机构因为合规要求不得不放弃某些闭源API方案，转而寻找能在内部部署的替代方案。

第二个问题更隐蔽：企业很难对API背后的模型做深度定制。一个面向通用场景的模型，在企业特定业务上的表现往往不够。企业需要的是能理解自己领域知识的模型，而不是一个什么都懂一点的通用模型。

第三个问题是成本控制。API调用按量计费，业务量大了之后，成本曲线很快变得陡峭。如果企业能在自己的环境里运行定制模型，推理成本会是另一种计算方式。

NVIDIA在博客中提出的一个观点值得注意：企业AI竞争力的差异，越来越多地体现在"如何用现有模型构建自己的系统"，而不是"选择了哪个模型"。换句话说，模型本身的价值壁垒在下降，模型之上的定制能力才是真正的分水岭。

Nemotron Labs这次发布的模型，核心不是技术指标有多强——坦白说，在通用能力上它未必比闭源前沿模型好——而是在于企业可以对这些模型进行完整的检查、修改和优化。

NVIDIA称之为"多模型协同架构"：前沿推理模型处理复杂规划，更小的开放模型负责具体的专业任务。这种架构的好处是企业可以根据场景灵活分配计算资源，不必为了一个简单任务调用大模型。

从实际使用角度来看，这意味着几个变化：

当然，这并不是说所有企业都应该放弃API方案。对于起步阶段或需求简单的团队，调用API依然是最高效的方式。但当一个企业的AI应用深入到核心业务流程时，没有控制权的模型会越来越难用。

值得关注的是，开放模型的选择正在变多，但"如何定制"的能力并没有普及。一个模型开放了权重，不等于企业就有能力把它调好。微调需要数据、需要工程经验、需要持续的评估迭代。

NVIDIA的Nemotron Labs显然意识到了这一点，所以它的发布不只是模型本身，还包括配套的训练工具链和评估方法。这其实反映了开放模型生态正在经历的一个转变：从"开放模型"到"开放可用的模型"，中间还有一个不小的工程鸿沟需要填补。

对开发者来说，这个变化意味着什么？三年前，企业想用一个定制模型，基本上只有找AI公司做私有化部署这一条路。今天，一个中型团队可以下载开放模型，在自己的服务器上做微调，逐步构建自己的AI能力。门槛在降低，但选择也在变复杂。

接下来的竞争，可能不是模型对模型的竞争，而是谁能帮企业更好地用上这些模型。

维基框架关注企业应用开发中的长期维护问题。在实际项目中，业务系统往往同时涉及权限、微服务、接口协议、部署环境等复杂因素，因此我们希望提供一套更容易扩展和维护的基础框架。