AI 公司为什么不发论文了从 Science 封面文章看学术开放与商业闭源的撕裂引言一篇引发硅谷热议的封面报道如果你今天打开 Hacker News热度最高的话题不是什么新模型发布也不是谁又融了多少钱——而是一篇来自Science.org的封面报道《AI’s top startups are barely publishing their research》AI 顶级初创公司几乎不再发表研究论文。这篇文章上线不到 12 小时就获得了 439 个点赞和 229 条深度评论讨论从上午一直延续到现在还没停。事情要从头说起。Science杂志团队追踪了全球 100 家 AI 公司的论文发表数据得出了一个让人不舒服的结论AI 领域的商业化速度正在杀死学术开放精神。那些最有钱、最受关注的初创公司——特别是美国公司——发表的研究成果越来越少甚至完全不发了。不是说 AI 在进步吗为什么研究员们反而沉默了从开放到封闭AI 研究的「围城」时刻要理解这个变化得先看看 AI 领域早期的「黄金年代」。2017 年 Google 发表《Attention Is All You Need》Transformer 架构自此改变了整个 NLP 乃至 CV 领域OpenAI 在非营利阶段发布的 GPT、DALL·E 系列论文至今仍是学术界的核心参考文献。那时候发论文是 AI 公司的「标配」——既能招聘顶级人才也能在学术圈建立影响力。但事情在 2022-2023 年左右发生了变化。Science的数据显示2020 年之后以 OpenAI、Anthropic、Inflection 为代表的头部公司论文产出断崖式下降。原因并不复杂当你的模型足够强公开研究成果就不再是优势而是给竞争对手送弹药。AI 公司的论文产出在 2022 年后显著下降学术开放的传统正在被商业竞争击穿HN 上一条获赞极高的评论说得非常直白「一旦你能雇佣几乎所有你想要的人所有人都会主动给你打电话那么发表论文的唯一效果就是告诉竞争对手你试对了什么。」——sillysaurusx这话虽然扎心但确实是业界现实。当你的商业模式建立在训练数据和模型架构的领先优势上公开发表就等于告诉对手你走过的路径他们可以绕开你的弯路、直接抄近道。不仅不发论文还在销毁书籍讨论中另一个让人震惊的细节来自 Anthropic。Ars Technica 今年 6 月报道Anthropic 为了扫描训练数据购买了数百万本印刷书籍并直接销毁——拆掉书脊、撕开页面只为了高速扫描。有用户一针见血地评论「他们不是买一本然后销毁一本而是尽可能买断市面上能找到的所有副本全部销毁。」这种做法虽然可能在法律上满足「格式转换不增加副本数」的抗辩需求但对稀有书籍、绝版文献的破坏是不可逆的。HN 用户ComputerPerson提到Elon Musk 两天前也在 X 上说他要求 SpaceX AI 团队「用传统方式扫描稀有书籍而不是直接切掉书脊扫描」。这个话题在 HN 上延伸出了更广泛的讨论如果 AI 公司连训练数据的来源都要保密那学术开放的基础还在吗开源派的反击Cindy 和 Flawless不过也不是所有 AI 公司都在「闭源跑路」。今天 GitHub Trending 上出现了两个值得关注的开源项目代表了开源 AI 阵营的反击。Cindymakecindy/cindy是一个开箱即用的开源 AI Agent短短几天斩获 1147 个 Star。它的定位很明确「Consider it done. The open-source AI agent that works out of the box。」基于 TypeScript 构建支持 macOS、Windows、Linux、iOS、Android 全平台覆盖。如果你试过 Claude Code 或 OpenAI CodexCindy 的思路很类似——但它完全是开源的你可以自己部署数据不会流失到任何闭源平台。对于不想依赖每月 20 美元的 API 订阅的个人开发者来说这是个很香的替代方案。另一个是FlawlessWilliam-Lu-stack/Flawless858 Stars定位是「AI SRE AgenticOps for Kubernetes and cloud infrastructure」。它把 AI Agent 引入了 SRE 领域——自动排查 K8s 集群故障、分析日志、执行修复操作。这在很大程度上借鉴了 OpenAI Codex 和 Anthropic Claude 的工具调用能力但目标场景非常垂直。如果你管理着几十个 K8s 集群这种 Agentic 运维工具的价值是显而易见的。开源 AI Agent 生态正在快速补位从通用助手到垂直运维都有项目涌现深度分析当 AI 研究从「公共品」变成「竞争壁垒」Science 的这篇报道本质上触碰了一个更深层的问题AI 研究正在从科学行为变成商业行为。化学工业历史上发生过一模一样的事情。19 世纪化学家们自由发表研究成果学界共享知识。但到了合成染料产业形成后所有有价值的发现都锁进了公司实验室的保险柜。HN 用户sillysaurusx引用了这个类比「一旦某个领域从科学变成了工业论文就不出来了。」如今 AI 正站在同样的十字路口。Transformer 是学术界发论文发出来的但 GPT-4o、Claude 3.5、Gemini 2.0 是怎么做出来的外界几乎一无所知。有 HN 用户指出一个讽刺的现象这些靠公开学术论文包括大量来自非美国大学的研究成果搭建起来的商业帝国现在却拒绝向学术界回馈新知识。「如果你的商业模式完全依赖公开数据集和学术论文来训练模型却拒绝公开你自己的研究这难道不是一种自私」——teleforce但也有不同声音。有评论者认为Science 报道中定义的「publishing research」指的是走学术同行评审的正式论文发表流程。实际上这些公司可能通过博客、技术报告、开源代码等方式分享了很多内容——只是没走传统论文路径而已。这个辩解有一定道理。DeepMind 至今仍在发 Nature 和 Science 级别的论文NVIDIA 的 CUDA 生态和硬件架构论文也一直在出。但 OpenAI 从 GPT-3 之后就几乎不再系统性地发表研究Anthropic 也只选择性公开了方向性论文。这对中国开发者意味着什么对于国内开发者来说这场「开放 vs 封闭」的拉锯战其实影响很大第一如果美国头部 AI 公司持续闭关锁国国内的技术追赶会更难。过去我们还能通过论文复现来追赶 SOTA如果论文没了就只能靠逆向工程或者等开源实现出来。第二开源自研的窗口在扩大。像 Cindy 这样的开源 AI Agent 证明了不在 OpenAI 内部也能做出实用的 AI 产品。Flawless 更是说明在垂直场景如 K8s 运维中开源方案比闭源大模型更灵活、更可控。第三模型 API 的可及性变得至关重要。很多开发者需要同时调用多个模型来对比和实验——GPT、Claude、Gemini、本地 LLM 各有所长。这时候像 https://www.likeai520.cc 这样的 API 中转服务就成了实用选择。它支持接入 Claude、Codex、GPT-5.6 等多种模型国内网络直连不需要折腾网络环境适合做原型开发和多模型对比的场景。毕竟工具的丰富度比工具本身的品牌更重要。小结Science 这篇报道之所以能引发如此大的讨论不是因为它揭露了什么秘密——事实上这些都已经是业界公开的「不能说的秘密」。它之所以火是因为它把大家心知肚明但不愿明说的事情放到台面上讨论了。AI 从学术走向产业这是不可逆的趋势。但产业和学术之间不该是零和博弈。就像 HN 评论区说的「计算机行业一大部分价值是靠一群『还不错』聪明的人互相合作、把方法告诉别人创造出来的而不是靠独占第一份解法。」——fultonn当 AI 从探索走向应用如何保持知识流动的活力或许比下一个 benchmark 的 0.1% 提升更值得关注。本文信息综合自 Science.org 封面报道、Hacker News 讨论、GitHub - Cindy、GitHub - Flawless 及 Ars Technica 报道