为何开放模型是教授AI的唯一可持续方式

无人提及的课程缺口：AI消费者 vs AI构建者

越来越多的大学将AI纳入课程：新增模块、提示工程研讨会、或许还有关于最新工具的课程。看到学术机构积极行动，帮助学生跟上新技术，这令人鼓舞。但若这些机构能确保学生被教导理解创新，而不仅仅是信任新工具的输出，那将更加鼓舞人心。

使用AI和用AI构建之间存在差异，而目前大多数机构只教授前者。

使用AI意味着与已存在的事物打交道：提示ChatGPT、接入封闭的API、集成别人构建的工具。这对当今的劳动力有一定价值，但它并不能让你真正理解底层发生了什么。AI采用者依赖他人做出的决策，遵循他人设定的时间表，支付随时可能变动的价格。

用AI构建则不同。这意味着获取一个开放模型，亲手操作它，将其应用于自己的数据，部署它，并理解它为何如此表现。这意味着能够创建并使用最适合特定用例的最佳AI，而不仅仅是消费输出。从长远来看，这就是一个会被颠覆的职业生涯与一个能随技术不断演进的职业生涯之间的区别。

在Hugging Face，我们相信这是任何人可持续实施AI的唯一途径。

开源不仅是技术选择，更是教育选择

开源AI意味着你可以看到自己正在构建什么。你可以检查模型，了解其架构，审计其性能，并针对你的具体用例进行定制——无论你身处医疗、金融、法律、教育还是其他领域。你不会受制于供应商的路线图或定价。你无需在每次运行推理时将数据交给第三方。你拥有自己的技术栈。一个以这种方式工作过的学生，能理解一个只接触过封闭API的学生永远无法理解的东西：AI不是魔法。它是工程产物。它可以被审计、塑造和质疑。

这种从用户到构建者的理解转变，正是斯坦福大学的Victor Lee所主张的：学生需要培养开发者的视角，而不仅仅是用户和批评者的视角。

研究案例同样清晰：2025年《AI Magazine》上的一篇论文表明，在封闭模型上进行的实验（权重和训练数据不可访问）从根本上无法复现。这不是一个小众问题，而是一个削弱科学诚信基本标准的问题，并且该领域对此重视得太慢。开放模型不仅是教学偏好，更是进行经得起检验并可持续的研究的前提条件。

最具前瞻性的机构已经得出了这一结论。

2026年1月，斯坦福HAI、苏黎世联邦理工学院和洛桑联邦理工学院在达沃斯正式确立了一项跨大西洋合作伙伴关系，以开发优先考虑社会价值而非商业利益的开源基础模型；明确将其定位为学术界对一个日益被少数封闭玩家垄断的行业的回应。它们并不孤单：监管机构也得出了同样的结论——当前全球最重要的AI立法《欧盟AI法案》将开放、可审计的模型列为受保护类别，承认透明度和可复现性是公共产品，而不仅仅是技术偏好。Hugging Face与Mozilla基金会和Linux基金会共同撰写了关于其开源豁免的官方开发者指南。

方向很明确，市场数据也支持这一点。领先开放模型与封闭模型之间的性能差距已从2024年初的27周缩短到2025年中期的13周。转向开放替代方案每年可为AI行业节省约250亿美元，这不是因为开放模型是妥协，而是因为它们在大多数基准测试中现已达到或超越封闭模型的性能。

招聘你毕业生的雇主正在提高门槛

世界经济论坛《2025年就业未来报告》将AI模型与应用开发列为全球最难找到的技能。

具体表现是什么？微软在2025年5月裁员6000人，同时扩大其AI工程团队。总人数大致持平，但构成发生了变化：维护遗留产品的工程师减少，构建AI原生系统的工程师增多。谷歌、Meta和亚马逊也遵循了同样的模式。AI工程师职位薪资比同一公司同等软件职位高出20-35%。谷歌在2026年更进一步，招聘了前沿部署工程师，其全部工作就是嵌入客户组织内部，在生产环境中构建可运行的AI系统；因为他们得出结论，瓶颈不再是模型，而是“最后一英里”的集成，而这最后一英里需要能够构建的人。

率先弥合这一差距的机构将获得持续累积的声誉：吸引更优秀的学生、更强的研究合作伙伴关系、更多的行业资金。而不适应的机构将面临相反的结果：毕业生需要更长时间才能被录用、研究遇到可复现性天花板、以及越来越倾向于开放和可审计AI的资助机构开始转向别处。正如世界经济论坛直言不讳地指出：“我们不能继续为可能不再存在的岗位培养学生。”

开源AI拥有一个它已不再配得的复杂性名声

大多数愿意做出这一转变的机构往往不知从何入手，缺乏结构化路径。开源AI生态系统如此庞大，以至于看似难以渗透，这正是我们构建Academia Hub的原因。

Academia Hub是一项面向整个机构的订阅服务，专为学术界所有从事AI工作的人设计：初次学习构建的学生，以及推动前沿的研究人员。它为机构提供了开放模型生态系统、计算资源和协作基础设施，以完成实际工作：无论是学生微调他们的第一个模型并将其作为作品集项目部署，还是研究实验室在完全控制的开放模型上运行可复现的实验。

关于开源AI的常见担忧在Hugging Face上都有实实在在的答案：

- 关于质量：Hugging Face Open LLM Leaderboard在标准化测试中对数百个开放模型进行基准测试，为学生和教师提供可复现、可比较的分数，而非供应商营销。 - 关于安全性：Hub上的每个模型都通过我们与JFrog的合作自动扫描，消除超过96%的误报，同时捕获真正的威胁；包括其他扫描器遗漏的零日模型。 - 关于许可：OpenRAIL框架直接将负责任的使用条件嵌入模型许可中，Hub上的每个模型都清晰显示其许可，可按类型筛选。

在Hugging Face，我们相信当前正是一个关键节点：机构在AI教育方面做出的选择将塑造下一代实践者——谁构建AI、如何构建、以及是否负责任且可持续地构建。

世界上最大的雇主正在围绕一个单一问题重组其劳动力：谁能构建？

我们希望大学成为这个答案的一部分，不是作为其他地方构建的工具的被动采用者，而是作为开放、负责任的AI教育样式的积极塑造者。现在做出这一赌注的机构将培养出定义这个领域的毕业生。

开源是安全且可持续的AI采用方式，为你的学生、你的研究以及你机构的未来。