开源与闭源：AI基建的双轨现实

开源与闭源不是选择题，是分工

OpenClaw、Llama、Qwen 这类开源模型和 GPT、Claude、Gemini 这类闭源服务同时存在，不是偶然。它们解决的问题不同，服务的对象不同，承担的角色也不同。操作系统里 Linux 内核开源，但 Adobe Photoshop 闭源；数据库里 PostgreSQL 开源，但 Oracle 闭源——AI 模型生态也正沿着这条老路走稳。

开源模型提供可验证的基座、可修改的接口、可审计的逻辑；闭源模型交付开箱即用的性能、受控的服务 SLA、合规的数据流。两者不互斥，而是像齿轮咬合：一个转动创新，一个传递价值。

开源模型：跑得快、改得动、接得上

快速迭代靠社区，不是靠单点突破

OpenClaw 的 GitHub 提交记录里，每周都有来自不同时区的 PR 合并：有人修复 tokenizer 在中文标点上的边界 case，有人把推理内存峰值压低 12%，还有人把 LoRA 微调脚本适配到国产显卡驱动。这些改动不会等“版本发布”，直接进主干。没有中心化决策，但迭代节奏比多数闭源模型的季度更新更密。

# OpenClaw 支持一键量化 + 推理
git clone https://github.com/openclaw/openclaw
cd openclaw && pip install -e .
claw-cli run --model openclaw-7b --quantize awq --prompt "解释Transformer的注意力机制"

门槛低，不等于没深度

开源模型免费，但真正降低门槛的是配套工具链。AutoClaw 提供 WebUI 和 CLI 双入口，NanoClaw 把 7B 模型压缩到 3GB 以内，能在 24GB 显存的消费级显卡上跑满 batch_size=4。文档里没有“欢迎来到 AI 世界”的铺垫，只有 requirements.txt、docker-compose.yml 和真实用户报过的 CUDA 版本兼容问题清单。

中小企业用 NanoClaw+RAG 搭建客服知识库，三周上线；高校实验室拿 OpenClaw 做多模态对齐实验，复现论文时直接 fork 已有 checkpoint。没人从零写 DataLoader。

定制不是口号，是文件系统里的操作

开源模型的定制化发生在具体路径下：

• 修改 modeling_claw.py 中的 attention 实现，替换为 FlashAttention-2；
• 替换 tokenizer_config.json 指向自定义词表，支持方言或行业术语；
• 在 examples/finetune.py 里注入领域数据集路径，启动 LoRA 微调。

模块化不是设计文档里的词。claw.model、claw.tokenizer、claw.quant 是独立 import 的包，可以单独升级或替换。你不需要理解整个模型，只要清楚自己改的那一层输入输出格式。

闭源模型：稳、准、专

工程优化藏在看不见的地方

GPT-4 Turbo 的上下文窗口拉到 128K，不是靠堆参数，是靠 kernel fusion、PagedAttention 内存管理、以及训练时就注入的 token 位置感知。这些优化不公开，但效果可测：同等硬件下，吞吐量高 3.2 倍，首 token 延迟稳定在 180ms 内（99 分位）。

闭源模型的工程价值不在“能不能跑”，而在“能不能扛住”。某银行用闭源金融大模型做财报分析，日均请求 200 万次，错误率 <0.001%，背后是自动降级策略、流量熔断、GPU 故障时秒级切换备用实例——这些能力不会出现在 Hugging Face 模型卡里。

安全与合规是硬接口，不是软承诺

闭源服务把安全机制做成 API 的一部分：

• 输入过滤：自动拦截 prompt injection 尝试，返回 {"error": "unsafe_input", "blocked_tokens": ["<script>"]};
• 输出水印：响应末尾附带加密签名，供下游校验是否被篡改；
• 数据隔离：企业版默认关闭训练数据回传，所有 infer 请求走 VPC 内网，日志留存符合等保三级要求。

GDPR 不是文档章节，是每个请求头里强制携带的 X-Consent-ID 字段，是审计日志里精确到毫秒的用户授权时间戳。

垂直场景交付，意味着去掉通用性

IBM Watsonx for Healthcare 不提供“写诗”或“解数学题”能力，但能解析非结构化病理报告，提取 TNM 分期字段，映射到 SNOMED CT 代码，并生成符合 HIPAA 的摘要。它的 API 文档只有 7 个 endpoint，每个都带临床术语表和 FHIR 格式示例。

这类模型不追求 MMLU 高分，而追求在特定数据分布上 99.2% 的实体识别准确率——这需要和医院 HIS 系统联调半年，采集真实误判 case 反哺标注，再微调。开源模型做不到，也没必要做。

双轨如何咬合：不是共存，是互相喂养

开源为闭源提供弹药

Llama 2 发布后三个月，多家闭源厂商的模型开始支持 Llama tokenizer；Qwen 的多语言对齐方法被某云厂商集成进其商用模型训练 pipeline；OpenClaw 的量化方案成了某芯片公司 NPU SDK 的默认参考实现。开源项目不直接变成闭源产品，但它的技术路径、失败经验、benchmark 结果，持续降低闭源团队的试错成本。

闭源反哺开源的确定性需求

当某闭源服务宣布支持“函数调用”，Hugging Face 上立刻出现 12 个开源项目对齐该协议；当企业客户要求模型输出必须符合 JSON Schema，transformers 库迅速合并了 generate_json 参数。闭源产品的市场反馈，正在加速开源工具链的收敛。

国产 Claw 生态的真实节奏

AutoClaw 提供基础模型和训练框架，但没做部署服务；某云厂商基于 AutoClaw 推出托管微调平台，按 token 计费；医疗 SaaS 公司采购该平台，接入 PACS 影像系统，把 NanoClaw 微调成放射科报告生成器——整条链路上，开源部分可审计，闭源部分可计费，最终客户只关心“报告生成时间是否 <3 秒”。

没有“生态大会宣布共建”，只有 GitHub issue 里开发者问：“AutoClaw 的 flash-attn 补丁能否合入 v0.4？” 和云厂商工程师回复：“已测试，下周发 patch。”

落地建议：别站队，看接口

• 用开源模型时：检查 model card 里的硬件依赖、量化支持、许可证限制（比如某些模型禁止商用）；别只跑 demo，测满载时的显存泄漏和 OOM 频率。
• 选闭源服务时：跳过宣传页，直奔 API 文档看 rate limit、SLA 承诺、错误码定义、数据主权条款；用 curl 测三次 curl -X POST https://api.xxx/v1/chat/completions，看 p99 延迟是否达标。
• 做集成时：在开源模型上预置闭源服务的 fallback 逻辑（例如 OpenClaw 返回空结果时自动切到 GPT-4），用统一 adapter 层屏蔽底层差异。
• 贡献开源时：优先提交 CI 脚本、显存监控工具、真实场景 benchmark（比如“在 3090 上跑 1000 条法律文书摘要的耗时”），而不是新功能。

AI 基建不是拼图游戏，不需要凑齐所有碎片才开工。现在就能用 OpenClaw 做原型，用闭源 API 过合规关，用两者混合架构跑通第一个付费客户。