本週，兩家美國人工智能實驗室發佈了開源模型，但各自採用截然不同的方法來解決同一個問題：如何與中國在公共人工智能系統領域的統治地位競爭。
Deep Cogito 發佈了 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“美國公司最好的開放權重 LLM”。
艾倫人工智能研究所反駁道，事情並非如此簡單。該研究所剛剛發佈了Olmo 3 ，並稱其為“最佳完全開源的基礎模型”。Olmo 3 標榜完全透明，包括其訓練數據和代碼。
具有諷刺意味的是，Deep Cognito 的旗艦模型卻是建立在中國的技術基礎上的。Arora 在 X 大會上承認，Cogito v2.1 “從 2024 年 11 月起，基於開源的 Deepseek 基礎模型進行了分支”。
這引發了一些批評，甚至引發了關於微調中國模型是否算作美國人工智能進步，或者這是否僅僅證明了美國實驗室落後了多少的爭論。
無論如何，Cogito 相對於 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最強大的開源LLM。
到目前為止，中國在開源人工智能領域一直處於領先地位，美國公司為了保持競爭力，越來越依賴中國的基礎模型——無論是悄悄地還是公開地。
這種動態存在風險。如果中國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，中國開源模型（DeepSeek、Qwen、Kimi、MiniMax） 在全球範圍內佔據主導地位，因為它們價格低廉、速度快、效率高，並且不斷更新。
許多美國初創公司已經利用了這些技術，即使他們公開否認這一點。
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——以完全透明的方式構建 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佔據領先地位，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，而且耗時較長，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 並在線使用它，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覆。
艾倫研究所採取了截然相反的做法。Olmo 3 系列模型全部與Dolma 3一同發佈，Dolma 3 是一個從零開始構建的包含 5.9 萬億個標記的訓練數據集，此外還包括完整的代碼、配方以及每個訓練階段的檢查點。
該非營利組織發佈了三種模型變體——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 是第一個達到如此規模的完全開放推理模型，它使用大約只有 Qwen 3 等類似模型六分之一的標記進行訓練，同時取得了具有競爭力的性能。
Deep Cognito 於 8 月獲得由 Benchmark 領投的1300 萬美元種子輪融資。這家初創公司計劃發佈參數量高達 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稱其對於“開發者利用開放的、美國製造的模型來擴展 AI”至關重要。
該研究所使用谷歌雲的 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。
