美國的開源人工智能戰略：兩個實驗室，一個問題——美國能否參與競爭？

ceshi閱讀：2025-11-21 08:10:57

報道：

本周，兩家美國人工智能實驗室發布了開源模型，但各自采用截然不同的方法來解決同一個問題：如何與**在公共人工智能系統領域的統治地位競爭。

Deep Cogito 發布了 Cogito v2.1，這是一個擁有 6710 億個參數的龐大模型，其創始人 Drishan Arora 稱之為“美國公司**的開放權重 LLM”。

艾倫人工智能研究所反駁道：“別急。”奧爾莫 3Olmo 3 被譽為“****開源的基礎模型”，并擁有**的透明度，包括其訓練數據和代碼。

具有諷刺意味的是，Deep Cognito 的旗艦機型正是建立在……之上的。**基金會Arora 在 X 上承認，Cogito v2.1“從 2024 年 11 月起，基于開源許可的 Deepseek 基礎模型分叉而來”。

這引發了一些批評，甚至引發了關于微調**模型是否算作美國人工智能進步的爭論，或者這是否僅僅證明了美國實驗室落后了多少。

無論如何，Cogito 相對于 DeepSeek 的效率提升是真實存在的。

Deep Cognito 聲稱 Cogito v2.1 生成的推理鏈比 DeepSeek R1 短 60%，同時保持了具有競爭力的性能。

Arora 稱之為“迭代提煉和放大”——通過自我改進循環來訓練模型，使其發展出更好的直覺——這家初創公司僅用了 75 天就利用 RunPod 和 Nebius 的基礎設施訓練出了自己的模型。

如果基準測試結果屬實，這將是目前由美國團隊維護的**大的開源LLM。

為什么這很重要

到目前為止，**在開源人工智能領域一直處于**地位，美國公司為了保持競爭力，越來越依賴**的基礎模型——無論是悄悄地還是公開地。

這種動態存在風險。如果**實驗室成為全球開放人工智能的默認平臺，美國初創企業將失去技術獨立性、議價能力以及制定行業標準的能力。

開放權重人工智能決定誰控制著下游所有產品所依賴的原始模型。

目前，**開源模型（DeepSeek、Qwen、Kimi、MiniMax）主導全球采用因為它們價格低廉、速度快、效率高，而且不斷更新。.

圖片來源：Artificialanalysis.ai

許多美國初創公司已經在使用這些技術，即使它們公開場合避免承認這一點.

這意味著美國企業正在利用外國的知識產權、培訓體系和硬件優化技術來構建業務。從戰略角度來看，這使美國重蹈覆轍，再次面臨半導體制造領域的困境：越來越依賴他國的供應鏈。

Deep Cogito 的方法——從 DeepSeek 的一個分支開始——展現了其優點（快速迭代）和缺點（依賴性）。

艾倫研究所的做法——以**透明的方式構建 Olmo 3——展現了另一種選擇：如果美國想要在開放人工智能領域占據**地位，就必須從數據、訓練方案到檢查點，重建整個技術棧。這需要耗費大量人力物力，而且速度**，但卻能確保美國對底層技術的自主權。

理論上，如果您已經喜歡 DeepSeek 并在線使用它，Cogito 大多數情況下都能提供更好的答案。如果您通過 API 使用 Cogito，您會更加滿意，因為其效率更高，您只需花費更少的錢就能獲得高質量的回復。

艾倫研究所采取了截然相反的做法。Olmo 3 系列全系列產品均配備多爾瑪3一個從零開始構建的 5.9 萬億個 Token 的訓練數據集，以及每個訓練階段的完整代碼、配方和檢查點。

該非營利組織發布了三種模型變體——基礎模型、思考模型和指導模型——分別具有 70 億和 320 億個參數。

該研究所寫道：“人工智能領域的真正開放不僅僅關乎獲取途徑，更關乎信任、問責和共同進步。”

Olmo 3-Think 32B 是**個達到如此規模的**開放推理模型，它使用大約六分之一的類似模型（如 Qwen 3）的標記進行訓練，同時取得了具有競爭力的性能。

圖片：Ai2

Deep Cognito 已獲得1300萬美元該公司于8月份獲得由Benchmark領投的種子輪融資。這家初創公司計劃發布參數量高達6710億的前沿模型，這些模型將使用“更強大的計算能力和更好的數據集”進行訓練。

與此同時，英偉達為 Olmo 3 的開發提供了支持，副總裁 Kari Briski 也參與其中。稱之為對于“開發者而言，利用開放的、美國制造的模型來擴展人工智能至關重要”。

該研究所使用谷歌云的 H100 GPU 集群進行訓練，計算需求比 Meta 的 Llama 3.1 8B 減少了 2.5 倍。

Cogito v2.1 提供免費在線測試。這里該模型可供下載。這里但要注意：它需要一張非常強大的顯卡才能運行。

Olmo 可供測試這里這些模型可以下載。這里這些產品對消費者更加友好，具體取決于你選擇哪一款。

本文軟文網原創，轉載保留鏈接！網址：/qkl/170755.html

標簽:

聲明

1.本站遵循行業規范，任何轉載的稿件都會明確標注作者和來源；2.本站的原創文章，請轉載時務必注明文章作者和來源，不尊重原創的行為我們將追究責任；3.作者投稿可能會經我們編輯修改或補充。