開源模型追得上 OpenAI 與 Anthropic 嗎？差距現況與台灣企業選型的意義
週一的選型會議開到一半，同事把兩個視窗並排投在螢幕上：左邊是你們目前付費的閉源模型，右邊是上週才釋出權重的開源模型。同一份客訴摘要，兩邊的答案看起來差不多。有人問：「那我們為什麼還要付錢？」
你需要的不是「開源已追上」或「閉源遙遙領先」這類口號。a16z 最近訪問 Nathan Lambert，談的正是開源模型能不能追上 OpenAI 與 Anthropic，他的回答細得多：開源與閉源的差距沒有消失，但也不是單一條線，而是兩條速度不同的軌道，值得替台灣企業拆開來看。
先看「資本」：算力、資料、人才
Lambert 談模型進步，是從三種資本講起：算力、資料、人才。他認為 OpenAI、Anthropic、Google 這幾家閉源前沿實驗室，三樣都握得最多；差別只在各家把這些資本組織起來的能力。他還提到，把組織調成「能做模型」的樣子非常難，有公司得從頭重來。
這個框架也能用來檢查任何模型選項：它背後的團隊，在這三樣上缺什麼？
中國實驗室：人才不缺，缺的是算力
講者對中國實驗室的評價相當直接。他認為說中國在人才上不是平起平坐，會「很難自圓其說」，因為那裡有大量高水準訓練出來的人。真正的落差在算力：他提到，自己曾對當地人說「聽說一般 OpenAI 研究員隨時能調用約 5,000 張 H100 等效算力」，對方（某實驗室的頂尖預訓練研究員）聽了驚訝不已，這樣的互動不只一次。這個數字是講者自己的「聽說」，不是查證過的統計，本文也不當作事實引用，但它點出了他認定的最大差距。
他同時澄清一個常見想像：這些實驗室釋出開放模型，不是出於利他，也不是政府指揮，而是很實際的商業決定。他舉例，若只從中國賣 API，幾乎沒有人會知道 Moonshot AI 或智譜；開放權重是一條快速擠進討論圈的捷徑。
對你來說，開源模型的更新節奏，取決於釋出者的商業算盤，而不是技術理想。
差距是怎麼縮小的：先行者花錢，追隨者撿便宜
主持人在訪談中提到，開源與前沿模型之間的時間落差，近年已縮短到大約兩到三個月（這是主持人的說法）。Lambert 的解釋偏向經濟面：閉源實驗室先砸錢買資料、探路，確定該做哪一種模型；一年後，賣資料的公司可能轉頭賣給所有人，追隨者就能用更低的成本跟上。這個循環持續的時間，也比他兩年前預期的長。
蒸餾是外界最常拿來解釋追趕的原因。Lambert 的態度謹慎：以公開文獻來看，他很難說蒸餾是推理時代後訓練的主要因素，開放社群連找到合適的「老師」模型都困難，所以誤差範圍很大。不過他也承認，代理轉售（例如有業者透過代理帳號大量取用閉源模型輸出）與大量使用閉源輸出的現象，仍值得追問；他也說，只要 API 對外開放，這類做法就很難被擋下。他並未說蒸餾不存在或不重要，而是認為以現有公開證據，還沒辦法把追趕主要歸因於它。
轉折：差距不在「現在誰比較強」，在「兩條路的速度不同」
這是整場訪談最值得停下來的地方。Lambert 認為，開源與閉源是在不同時間尺度上成長。閉源實驗室高度整合：推論效率高、準備好就能大規模供應、率先進入價值最高的市場，程式開發就是這一年的例子。開源這邊則是模型開發者、推論服務商、後訓練公司各自分工，客戶需要什麼的資訊不容易流回模型開發者，也缺乏規模經濟來壓低服務成本。
他預期這些階層會自然成形：最頂尖的閉源模型要求最高利潤，緊跟在後一步的近前沿模型則走開源。
所以那場會議上的兩個視窗，其實比的是「某一天」的答案，而訪談談的是「一條會持續錯開的軌道」。
對台灣企業的意思：選的是條件，不是陣營
以下是編輯推論，不是講者原話。
第一，Lambert 談到企業有些資料無法透過 API 送出去，若公司內部有能力，能建立對應營收的內部評測、再找專門的後訓練公司微調，最後得到的是模型權重的所有權、不受服務條款限制、可在自家硬體上跑。這條路慢、牽涉的角色多，但一旦走通，成本與合規是自己掌握的。對受個資或客戶契約約束的台灣企業，這是有意義的選項。
第二，閉源前沿仍有整合與規模的優勢，能先拿下高價值市場；但開源這條經濟鏈最後會吃掉多少市場，講者直言「還太早，說不準」，也預期會有很多贏家。
示意情境：客服分類與合約條款比對，兩邊都跑一遍再比；需要最新代理能力的流程，則不妨先看閉源模型。這只是舉例，實際要用你自己的資料跑。
於是選型的問題換了：不再問「該站哪一邊」，而是問每個任務要付多少、資料能不能出門、半年後換得動嗎。
回到那個會議室
散會前，你沒有在兩個視窗之間選邊。你把任務分成幾類，各用兩邊跑一次，再回頭比較帳單。下次再有人問「為什麼還要付錢」，你手上有的是自己的數字，不是口號。
若想把每一類任務的實際花費留下紀錄，AI Token King 的閘道讓多家模型共用同一把 API key，並提供模型清單、餘額與用量明細查詢；你想比的開源或閉源模型是否在列，以平台模型清單為準，本文不作保證。平台說明見 AI Token King 官網。
常見問題
Q1：開源模型追得上 OpenAI 與 Anthropic 嗎？
依訪談內容，Lambert 認為兩者在不同時間尺度上成長：閉源實驗室整合度高、先進入高價值市場，開源則分工分散。他預期會形成階層，最頂尖的閉源模型在前，近前沿的模型走開源。至於開源這條經濟鏈最後能吃下多少市場，他直言還太早、說不準，並預期會有很多贏家。
Q2：開源模型和閉源模型的差距有多大？
主持人提到時間落差近年已縮短到大約兩到三個月，這是主持人的說法，不是第三方基準測試結果。實際差距請用自己的任務與資料測試。
Q3：中國的開源模型是靠蒸餾追上來的嗎？
Lambert 的立場是，以公開文獻很難說蒸餾是推理時代後訓練的主要因素，誤差範圍很大；但他也承認代理轉售與大量使用閉源輸出的現象仍值得追查。
Q4：台灣企業資料不能送出去，開源模型是選項嗎？
這是編輯推論：若內部有能力建立評測並找後訓練公司微調，可取得權重所有權、不受服務條款限制、能在自家硬體上跑，但過程較慢、牽涉角色多。是否適合要依自家資料與契約條件評估。
資料來源與編輯註記
本文依據 a16z 於 YouTube 發布的訪談影片（來賓 Nathan Lambert；頻道：a16z；發布日 2026-10-14；連結 https://www.youtube.com/watch?v=BKuK0M6oDTI）重新組織、改寫，講者的話以轉述為主，直接引語僅少量保留。影片為英文自動字幕，專有名詞可能有轉錄誤差；文中論點皆屬講者個人判斷，並非第三方基準測試結果，「兩到三個月」之說為主持人所述。開場的會議場景為示意情境，並非真實事件；「台灣企業的意思」一節與示意情境屬編輯推論，不含任何價格、效能或準確率數字，也不構成採購或投資建議。產品名稱與細節請以各家官方公告為準。
留言