AI 閉源：為什麼 OpenAI 不公開技術
二、OpenAI 不公開技術的六大理由
把閉源簡單歸因於「貪婪」或「背信」，其實是偷懶的解釋。OpenAI 的決策背後，至少交織著六種不同性質的力量，有些是商業的，有些是技術的，有些則帶有政治與法律色彩。
一、商業護城河：API 經濟學
OpenAI 的營收主力不是賣模型，而是賣「呼叫模型的權利」。企業客戶付錢，換取的是透過 API 使用 GPT 系列模型的能力，而不是取得模型本身。在這個模式下，模型權重就是資產，公開權重等於把資產免費送人。
更現實的是競爭壓力。Meta 的 Llama 系列、法國的 Mistral、中國的 DeepSeek，都在以開放權重的方式搶佔市場。一旦 OpenAI 也公開權重，它的技術領先就無法轉換成定價能力，客戶可以自己架設、自己微調，甚至拿去蒸餾出更小的模型。這對一家估值高達數千億美元、每年算力支出以數十億美元計的公司來說，是難以承受的風險。
值得注意的是，這裡有一個微妙的循環：越是不公開，外界越難評估 OpenAI 究竟領先多少；越難評估，市場就越容易相信它領先很多。不透明本身，就構成了一種品牌溢價。
二、安全論述：權重一旦放出就收不回來
OpenAI 最常拿出來的理由是安全。這個理由並非全然虛構。模型權重和程式碼不同：程式碼可以打補丁，權重一旦公開，就永遠留在網路上，任何人都可以下載、微調、移除安全對齊，然後用在原本設計者不樂見的地方。
過去幾年已有大量研究示範這件事有多容易。學術界多次證明，開源模型的安全微調可以被相對低成本地繞過；也有研究展示如何用少量惡意資料，讓一個原本拒絕回答危險問題的模型「解除武裝」。對 OpenAI 來說，這種風險是單向的：它可以選擇不公開，但無法在公開之後把東西收回來。
不過，批評者也指出，安全論述有一個明顯的漏洞：如果模型真的危險到不能公開權重，那為什麼可以透過 API 讓全世界使用？「不能給你看，但可以賣你用」的邏輯，在本質上是把風險外部化，把控制權集中在少數公司手上。這使安全論述的道德正當性大打折扣。
三、算力與資料的競爭優勢
大型模型的競爭，很大程度上是「規模」的競爭：誰有更多算力、更多高品質資料、更多人力做資料清理與標註，誰就能訓練出更好的模型。而這些東西，恰好是最容易被複製、也最難被複製的。
說容易複製，是因為訓練方法本身在學術界已大致公開：Transformer 架構、預訓練加微調、人類回饋強化學習（RLHF），這些都是公開知識。說難複製，是因為真正的門檻不在「知道怎麼做」，而在「做得起」與「做得細」。資料如何清洗、如何配比、如何過濾、如何設計獎勵模型，這些細節決定了模型品質的差距，而它們幾乎不會出現在論文裡。
奧特曼曾公開表示，GPT-4 的訓練成本超過一億美元。在這種量級的投入下，OpenAI 自然不願意把「配方」公開，讓競爭對手用十分之一的成本複製成果。這不是單純的自私，而是任何一家資本密集企業都會做的選擇。
四、法律與版權風險
還有一個較少被討論、但愈來愈關鍵的理由：訓練資料本身可能就是法律風險的來源。2023 年底，《紐約時報》對 OpenAI 與微軟提起訴訟，指控其未經授權使用大量新聞內容訓練模型。類似訴訟在全球各地陸續出現，涉及書籍、圖片、音樂、程式碼等各種作品。
在這種情況下，公開訓練資料的完整組成，等於主動提供原告一份「侵權清單」。即使 OpenAI 主張合理使用，公開細節也只會讓自己在訴訟中處於更不利的位置。因此，「不公開資料細節」不只是保護技術優勢，也是一種法律上的自我防禦。
五、不可解釋性：連自己都不知道
這一點常被忽略，但可能是最誠實的理由：大型語言模型的內部運作，連開發者自己也無法完整解釋。我們知道模型有數千億個參數，知道它透過大量文字預測下一個詞，但沒人能用自然語言完整說明「為什麼這個輸入會得到那個輸出」。
在可解釋性不足的前提下，「公開技術」這件事本身就有點尷尬：OpenAI 能公開的是架構圖和訓練流程，但真正決定模型行為的那些權重與資料交互作用，是無法被「解釋」的。這也是為什麼「開源就能被檢驗」這個論點，其實比想像中脆弱——把權重交出來，並不等於把理解交出來。
六、敘事與監管的主導權
最後一個理由比較少被明說，但影響深遠：誰掌握了模型的內部資訊，誰就掌握了關於 AI 風險的敘事權。OpenAI 可以自行決定何時發布系統卡（system card）、公布哪些評測、用什麼標準定義「危險能力」。外部研究者只能針對公開的部分進行研究，難以全面檢驗。
這種資訊不對稱，也延伸到監管領域。當各國政府制定 AI 法規時，最常諮詢的對象往往是這些前沿實驗室。閉源讓 OpenAI 在政策討論中佔據了一個特殊位置：它是唯一能說「我們知道裡面有什麼」的一方。這不是陰謀，而是結構性的權力。
三、閉源的代價：學術、生態與信任
如果閉源只有好處，爭論早就結束了。問題在於，閉源確實解決了 OpenAI 的某些問題，卻也製造了另外一些問題，而這些問題的成本，往往由整個社會共同承擔。
可重現性危機與學術研究的困境
科學的核心是可重現性：同一個實驗，別人按照你的描述做一遍，應該得到相近的結果。閉源模型讓這件事變得幾乎不可能。研究者無法確認 GPT-4 的某項能力，究竟是來自架構創新、資料品質，還是單純的規模堆疊；也無法設計對照實驗，因為他們連基準模型的細節都不知道。
更實務的困難是成本。過去研究者可以在自己的實驗室跑模型，現在卻得靠 API 呼叫，按次計費，還受制於服務條款。這使得AI 研究逐漸從「開放科學」轉向「平台依賴」，資源較少的學校與研究機構，愈來愈難參與前沿研究。這對知識生產的多樣性，是長期的傷害。
開發者生態的依賴與鎖定
對企業開發者而言，閉源 API 帶來的是便利，也是風險。便利在於：不用自己養 GPU、不用自己調模型，只要幾行程式碼就能接入強大能力。風險在於：你的產品建立在一個你無法控制、無法檢視、也無法替換的基礎上。
當模型版本更新、價格調整、服務條款變更，甚至服務中斷時，開發者只能被動接受。這是一種典型的「平台鎖定」：遷移成本隨著整合深度增加而上升。對新創公司來說，這可能意味著整個商業模式都建立在別人的黑箱之上。
透明度赤字與公眾信任
還有一個更難量化的代價：信任。當一家公司同時主張「我們的 AI 很強大」「我們的 AI 很安全」「但我們不能告訴你為什麼」，公眾的合理反應就是懷疑。安全如果無法被外部驗證，就只是一種宣稱，而不是一種保證。
這也是為什麼近年來「第三方評測」「獨立審計」的呼聲愈來愈高。問題是，在模型完全閉源的情況下，外部機構能做的審計相當有限：你可以測試輸入輸出，卻無法檢查權重、資料與訓練過程。這種「黑箱審計」能發現問題，卻很難證明沒有問題。
四、開源陣營的反擊：Llama、Mistral 與其他路線
閉源不是唯一的路。過去兩年，開放權重陣營快速壯大，形成了對 OpenAI 模式的實質挑戰。
Meta Llama 的「開放權重」策略
Meta 自 2023 年起陸續釋出 Llama 系列模型，2024 年的 Llama 3.1 更把參數量推到 4050 億，並允許一定程度的商業使用。這套策略刻意被稱為「開放權重」（open weight），而不是「開源」（open source），因為 Meta 並沒有公開訓練資料，授權條款也附帶使用限制，並不符合開放源碼倡议（OSI）對開源的嚴格定義。
但即使如此，開放權重已經徹底改變了市場結構。開發者可以在自己的機器或雲端上跑模型、微調、部署，不必把資料送到別人的伺服器。對注重資料主權的企業與政府單位來說，這是非常重要的差異。
Mistral、DeepSeek 與其他路線
法國的 Mistral 以小型高效模型起家，早期以 Apache 2.0 授權釋出部分模型，後來較大型的模型則轉為研究或商業授權，路線介於開源與閉源之間。中國的 DeepSeek 在 2025 年初以寬鬆授權釋出推理模型，更直接撼動了「前沿模型一定要閉源」的假設，也引發華語圈大量討論。
這些案例說明一件事：開源與閉源不是技術高低的問題，而是策略選擇的問題。有些團隊選擇用開放換取生態、人才與影響力；有些團隊選擇用閉源換取利潤與控制權。兩種策略都可能在特定條件下成立。
開源真的比較安全嗎？
這是爭論中最容易被情緒淹沒的部分。支持開源的人常說「透明帶來安全」，但這句話只對了一半。透明讓弱點更容易被發現，也讓弱點更容易被利用。開源模型可以被任何人下載、移除安全限制、用於惡意用途，這是真實存在的風險，不能因為理念而否認。
反過來說，閉源也不等於安全。封閉系統的漏洞可能被少數人掌握很久而不被發現，使用者只能相信廠商沒有隱瞞。真正的差異或許不在開源或閉源，而在有沒有健全的漏洞回報機制、有沒有獨立的安全研究社群、有沒有負責任的釋出流程。把開源等同於安全、把閉源等同於危險，都是一種過度簡化。
五、台灣與華語世界的處境
對台灣的開發者、企業與政府單位來說，OpenAI 閉源這件事的意義，和美國本地開發者並不完全相同。這裡有幾層額外的考量。
API 依賴與資料主權
台灣多數企業在導入生成式 AI 時，走的是 API 路線：接 OpenAI、接微軟 Azure、接 Google，速度快、成本低、技術門檻低。但這也意味著敏感資料必須離開本地，送到境外伺服器處理。對金融、醫療、政府等行業來說，這是實質的合規問題，而不只是技術偏好。
這也是為什麼開放權重模型在台灣特別有吸引力：可以在本地機房部署，資料不出境，模型可以針對繁體中文與本地知識微調。國科會推動的 TAIDE、學界與業界合作的多個本土模型專案，某種程度上都是在回應這個需求。
華語語料的弱勢
還有一個結構性問題：繁體中文在主流大模型的訓練資料中，本來就佔比較低。當模型不公開訓練資料時，我們很難知道繁體中文的資料量、品質與來源，也難以要求改善。這種資訊不對稱，讓華語使用者在模型品質問題上，缺乏談判的籌碼。
相對地，開放權重模型至少讓本地團隊可以自行補充語料、自行評測、自行改進。這不是萬靈丹，但至少是一條可行的路。
六、閉源與開源不是二選一：光譜與折衷方案
討論到這裡，如果結論是「OpenAI 就是壞」或「開源就是正義」，那這篇文章就白寫了。比較誠實的結論是：這是一個沒有單一正确答案的權衡問題，而我們需要的是更細緻的制度設計，而不是道德審判。
分層開放：不是只有全開與全關
「開源」與「閉源」之間，其實存在很多中間狀態。可以只開放權重、不開放資料；可以開放小型模型、保留大型模型；可以開放架構與評測方法，但不開放訓練配方；也可以對研究者開放受控存取，讓學術界能在監管下檢驗模型。
這些折衷方案各有優缺點，但至少提供了一條出路：與其爭論「該不該全開」，不如討論「哪些部分應該開、對誰開、在什麼條件下開」。歐盟 AI 法案與各國監管框架，某種程度上也是在處理這個層次的問題。
第三方評測與監管沙盒
另一個關鍵是外部驗證機制。如果模型真的不能公開，那至少應該讓獨立機構能在保密協議下進行深度評測，並公開評測方法與部分結果。這需要法律框架、技術標準與產業意願三方配合，難度很高，但這是目前唯一能同時兼顧安全與問責的路徑。
對台灣而言，這也意味著政策重點不該只放在「補助買算力」，而該包括建立本地評測能力、培育獨立安全研究人才、以及制定資料治理規則。否則我們永遠只能被動接受別人定義的「安全」與「可用」。
七、結論：OpenAI 真正的護城河是什麼？
回到最初的問題：OpenAI 為什麼不公開技術？
表面上的答案是商業競爭、安全風險、法律壓力、技術不可解釋性。這些都是真的，也都有其合理性。但如果只停在這裡，就會漏掉一個更根本的事實：OpenAI 的護城河，從來就不只是技術本身，而是「技術＋資本＋敘事」的組合。
技術可以被追趕，Llama 與 DeepSeek 已經證明這一點；資本可以被複製，中東與中國的資金並不缺；但「誰能定義什麼是前沿、什麼是安全、什麼是負責任的 AI」這種敘事權，卻很難被取代。閉源，正是維持這種敘事權的工具之一：當沒有人能完整檢驗你的模型時，你就擁有了解釋自己模型的壟斷權。
這不代表 OpenAI 的每一個決策都是陰謀。在一個技術發展速度遠超過監管與倫理框架的領域裡，所有參與者都在摸著石頭過河。閉源有它的現實理由，開源也有它的現實風險。真正值得我們警惕的，不是某一家公司選擇了閉源，而是整個社會是否具備足夠的獨立能力，去檢驗、質疑與監督這些掌握關鍵技術的機構。
對台灣與華語世界的讀者來說，這個問題尤其切身。我們可以是 API 的消費者，也可以是模型與評測能力的建設者。差別不在於我們支持開源還是閉源，而在於我們是否願意投入資源，讓自己有能力在別人的黑箱之外，建立自己的判斷基準。
AI 的發展不會等人。與其期待 OpenAI 哪天突然全面開源，不如務實地問：在這個不透明的時代，我們能為自己建立多少透明度？這個問題，值得在每一次模型發布、每一場政策討論、每一筆研發預算裡，反覆追問。
以上是對 OpenAI 閉源策略的整理與分析，歡迎在雅寶社區・頂客論壇的 AI 趨勢版繼續交流你的觀察與經驗。