继龙虾AI之后，这两天的AI圈又被Claude Code的意外开源刷屏了，虽然这只是一次事故并不是企业主动开源，但它的行业热度和一系列讨论，却引发了我们更深层次的思考：当一个产品的所有代码都被公开，它的真正竞争壁垒到底是什么？

<图片来源于网络，如有侵权请联系删除>

两个行业焦点事件，一个本就是开源产品，另一个则是被动开源，其实都有一个共通之处：模型可以开源，但高质量数据不会。在这个AI盛行的时代，模型的开源不稀奇，因为数据才是真正的护城河。

一、为什么模型能开源？

1. 技术层面：架构渐趋同质化

AI模型的核心架构越来越透明，从Transformer到Mixture of Experts，从RLHF到各种对齐技术，行业顶级的技术路线已经基本公开。曾经，DeepSeek的开源模型一出来就引发全球热议，性能可以和闭源模型比肩，更别提现在的通义千问、豆包、元宝等国产模型了。

无论是模型结构设计、训练策略还是推理优化，技术差距都在不断缩小。当所有人都在用同样的架构时，开源不仅不会失去竞争力，反而能借社区之力加速迭代。据相关数据显示，中国开源AI模型的周使用量占比已从2024年底的1.2%飙升至2025年后期的近30%，全球下载量正式超越美国。

<图片来源于网络，如有侵权请联系删除>

2. 商业层面：生态占位比变现更重要

对很多AI巨头来说，开源模型更像是一场长期投资的商业计划。你以为模型开源是在做慈善，其实是在为市场占位精打细算。模型开源可以带来巨大的开发者生态和应用落地场景，而这些生态一旦围绕技术栈构建起来，就会产生强大的网络效应。就好比龙虾AI，真正的变现其实发生在云服务、算力消耗等环节。可以说，模型开源就是一种更高明的商业模式。

二、高质量数据为什么不会开源？

1. 数据获取成本极其高昂

众所周知，数据是AI模型的燃料，现在这桶燃料越来越贵。以国产大模型为例，阿里 Qwen2.5的训练数据规模高达18万亿tokens，DeepSeek-V3的训练数据规模为14.8万亿tokens。这些数据的采集、清洗、标注成本动辄十几亿。更关键的是，随着模型能力的提升，对数据质量的要求也在急剧上升。

2. 数据隐私与合规红线

高质量数据往往涉及用户隐私、商业秘密和行业机密等，如医疗诊断数据、金融交易记录、法律合同文本等，这些数据不但无法开源，甚至于转让和共享都面临严格的法律约束。欧盟的GDPR、中国的《个人信息保护法》、《数据安全法》等法规，都对数据的采集、处理和流通设置了明确边界。

3. 数据是企业的“护城河”

Gartner在《2025 中国AI趋势》报告中明确指出：“模型趋于同质化后，独特、高质量的内部数据将成为核心竞争力。”当大模型的性能差距缩小到可以忽略不计的程度，决定一个AI产品好坏的不再是用了什么模型，而是用了什么数据。例如，一个金融风控AI系统的核心价值，不在于它底层用的是GPT-4还是DeepSeek，而在于它经过多年积累的真实金融交易数据、审批流程数据和异常检测数据。这些数据无法从开源世界中获得，也无法用货币化的方式简单购买。

三、模型开源但数据不开源，会带来什么变化？

1. 企业竞争逻辑转变

当模型性能不再是竞争的焦点，企业的战略重心将转向谁的数据更好，这意味着企业需要建立“采集-治理-训练-反馈”的完整数据闭环。从买模型到建数据，这是一个从消费者到生产者的身份转换。今天的AI赛道，比的不是能不能做出一个好模型，而是能不能持续生产高质量的行业数据。

2. 数据标注行业地位上升

去年Meta以近150亿美元巨资高调入股数据标注龙头Scale AI，这笔交易全面刺激了行业对数据服务的重新定价。IDC此前预计，2025 年中国人工智能数据采集、标注服务市场规模将达123.4亿元人民币，全球AI训练数据市场规模则突破240亿美元。由此可见数据标注已从低端劳动升级为AI时代的新基建。

3. 行业分层加剧，数据差距凸显

当模型越来越易获得，数据的贫富差距就越明显。头部企业拥有多年积累的行业专有数据，能够通过精细化的数据治理和标注，打磨出真正符合自身业务场景的垂直AI。而中小企业即使用着同样的开源模型，也很难弥补数据上的差距。这种分化将导致拥有数据优势的企业跑得越来越快，而没有数据积累的企业则很难达到同行效果。

4. “数据飞轮”成为核心竞争力

在这样的背景下，“数据飞轮”的概念被越来越多企业提出，所谓数据飞轮，就是一种通过数据积累与使用形成‌正向反馈循环‌的机制：更好的数据培养出更好的模型，更好的模型吸引更多用户，更多用户产生更多真实反馈数据，这些数据又用来提升模型能力。从数据标注到模型训练再到结果反馈，形成了完整的循环链路，这样可以将数据处理效率提升至少30%。因此谁能先建立起高效的数据飞轮，谁就能在真正的落地竞争中占据先机。

四、在模型开源的世界里找到你的数据伙伴

开源这个词已经是AI行业的网络热词，但开源的只是模型，不是数据。如今新的竞争环境下，每一个AI企业都应思考三个问题：有独特数据吗？数据质量足够高吗？提出的数据飞轮转起来了吗？

这个过程中，AI企业要找到一个懂业务、靠谱的数据标注合作伙伴，就显得尤为关键。优质的数据标注不需要简单的人力劳动，需要的是能深入理解业务场景、掌握行业知识、能够从数据采集到清洗、标注、质检提供全流程服务的专业团队。比如全知启航，可为企业提供覆盖AI全生命周期的数据服务，致力于为客户提供多类数据解决方案。

在这个模型开源的时代，真正决定企业AI能力上限的，很多时候不是模型本身，而是它背后那个默默转动的数据飞轮。只有选对数据合作伙伴，才是这场竞赛中的第一步！