Open-weight AI 的争论已经不能简单归结为“开放还是封闭”。对企业来说，更有用的问题是：哪些 workloads 应该继续使用 closed APIs，哪些可以转向 open-weight models，什么时候用 managed inference，什么时候才值得 self-hosting。

选择 open-weight AI、managed inference、self-hosting 和 closed APIs 的决策树

7 月 27 日，Dario Amodei 发布 Anthropic 的立场，回应外界关于 Anthropic 想禁止 open-weight models 的批评。Hacker News 讨论迅速升温；检查时 Firebase 显示 914 points 和 1,332 comments。背景还包括 Kimi K3、创业公司和大科技公司反对 broad restrictions 的公开信，以及开发者关于 open models 已经可用的实践文章。

Anthropic 的立场比社交媒体上的说法窄得多。Amodei 写道，Anthropic 从未主张禁止 open-weights models；没有 dangerous capabilities 的 open-weight models 是 public good。它担心的是强大模型被 authoritarian governments 使用、cyber 或 biological misuse、alignment failures、industrial-scale distillation，以及发布后无法收回的 weights。

开发者和创业公司支持 open weights，是因为它们解决实际问题：cost、control、latency、customization，以及减少对单一 API provider 的依赖。Managed open-weight endpoint 可能更便宜。Self-hosted model 可以把数据留在指定环境。小型 fine-tuned model 在狭窄任务上也可能胜过 frontier API，只要任务有清晰评分和足够 examples。

但 open weights 不是免费的。它把工作转移到 MLOps：GPUs、serving、quantization、logging、evaluation、security patches、access control、model provenance 和 fallback。API 账单可能变少，基础设施和工程时间会变多。

Closed APIs 仍适合 broad reasoning、general assistants、低频实验，以及需要 vendor controls 的 regulated workflows。Managed open-weight inference 适合 cost-sensitive products 和需要 portability 的团队。Self-hosting 只有在 data residency、latency、privacy 或 TCO 足够重要时才值得。

Governance 应从 provenance 和 license 开始，然后做 internal evals：quality、hallucinations、refusal behavior、latency、cost 和 failure modes。还要明确哪些数据可以给模型，inference 在哪里运行，谁能读 logs，保存多久。

正确答案不是反射式禁止，也不是盲目拥抱。Open-weight AI 已经是 procurement、architecture 和 operations 问题。应该按 workload 逐项决策，用证据说话。