原文摘要
文 | 阿里研究院人工智能治理中心主任、电子科技大学公共管理学院协议副教授 傅宏宇；阿里研究院人工智能治理中
进一步信息揣测
- 开源模型的实际风险被低估：尽管文章强调开源AI未比闭源带来更多风险，但实践中开源模型的滥用（如生成恶意代码、虚假信息）因技术门槛降低而更易发生，且监管追溯困难。
- 欧盟“开源豁免”的隐藏门槛：欧盟《人工智能法案》中开源豁免需满足严格协议（如署名权、分发条款），且商业化模型（即使部分收费）会被排除，实际能享受豁免的开源项目极少。
- 系统性风险的灰色地带：高影响力开源模型（如DeepSeek）若被认定存在系统性风险，仍需遵守严格义务，但“高影响力”标准模糊，可能成为监管打压竞争性技术的工具。
- 开源生态的不可控性：模型一旦开源，即使官方删除也无法阻止传播（如通过镜像站、私有部署），企业需提前制定“防扩散”策略（如许可证限制）。
- 国际组织的定义博弈：国际组织试图通过重新定义“开源边界”维护自由，实则是为规避监管，例如将部分核心代码闭源仍自称“开源”。
- 商业公司的开源动机：阿里等企业推动开源实为生态布局，通过免费模型吸引开发者绑定其云服务（如模型微调、部署需依赖原厂工具链）。
- 数据透明度陷阱：欧盟要求开源模型提供训练数据概要，但实践中企业可能仅披露无关紧要的元数据，关键数据（如用户隐私数据来源）仍隐藏。
- 版权合规的潜在风险：开源模型若训练数据含未授权内容（如爬取书籍、论文），即使声明“免责”，下游开发者仍可能面临诉讼（如Getty Images诉Stability AI案例）。
- 社区治理的虚设性：开源社区宣称“共同维护安全”，但实际关键漏洞修复依赖核心团队，社区贡献者缺乏权限和激励，导致响应滞后。