Chatbot Arena 排行榜上，2024 年 1 月最強的閉源模型只領先最強的開源模型 8.04%，到了 2025 年 2 月，這個差距收斂到只剩 1.70%。多數人一聽到開源模型，直覺反應是「便宜但比較弱」，選型時想都不想就往閉源靠；但這組數字說明，效能上的差距正在快速拉近，選邊站的理由早就不只是「哪一種比較強」這麼簡單。
開源 AI 模型（open source AI model），指的是原始碼、模型權重甚至訓練細節都公開，任何人都能取得、研究、修改、再散布的模型；閉源（closed source）AI 模型則相反，通常只能透過 API 或商業授權存取，內部運作對使用者來說是一個黑箱。這不只是工程師才要關心的技術偏好，選錯一邊，輕則多花冤枉錢在用不到的功能上，重則讓機敏資料曝險，或是被單一供應商的升級節奏綁死。看完這篇，你會知道開源與閉源在成本、隱私、客製化與維護門檻上各自的取捨，也知道自己的團隊該往哪一邊靠。
這兩者的界線常常比想像中模糊，不少人看到模型權重能下載，就以為那是開源，其實授權條款才是真正的關鍵。先從「開源」實際上要符合什麼條件講起，再一路拆進成本、隱私、客製化與維護門檻這幾個決定怎麼選的關鍵。
開源 AI 模型是什麼？
國際開源倡議組織 Open Source Initiative（OSI）在 2024 年公布的《The Open Source AI Definition 1.0》，把「開源 AI 模型」的門檻訂得比一般人想像中更高。它不是「可以下載」「可以免費用」這麼簡單，而是要同時滿足四種自由：不必經過同意就能為任何目的使用、能研究模型如何運作、能修改模型，以及能自由散布，而且開發者要公開足夠的訓練細節，讓外部有能力實質重現這個模型，不是只丟出一個成品權重檔案了事。
這套定義之所以重要，是因為它替過去混亂的「開源」說法劃出一條線。DeepSeek 採用 MIT 授權釋出核心模型，就是符合這種高標準開源的例子（這裡只用來說明授權模式，不做任何模型效能上的比較）。不過開源不代表完全沒有商業考量，不少開源模型背後仍有公司在營利，也可能對訓練資料的來源避而不談，讓外界無法真正查核資料是怎麼蒐集來的。這正是開源社群裡持續有爭議的地方。
開放權重和真正開源，有什麼差異？
很多人看到 Llama 能免費下載，就直接把它歸類成開源，這其實是最常見的誤會。Meta 釋出的 Llama 系列權重確實公開，但它的社群授權條款附了幾個限制：月活躍使用者超過 7 億的公司，要另外向 Meta 申請特殊授權，能不能拿到、拿到什麼條件都由 Meta 自行決定；授權也對特定地區的使用者設有排除條款。OSI 在部落格上明確指出，Llama 的授權條款不符合開源定義，理由就是這些門檻與地區限制違反了「不必經過同意就能為任何目的使用」這條基本自由。相對地，DeepSeek 把核心模型用 MIT 授權釋出，幾乎沒有使用規模或地區上的限制，商業使用、修改、再散布都不需要另外申請，限制條件少了非常多。
閉源 AI 模型是什麼？
跟開源模型完全相反的，是閉源（closed source，也稱 proprietary）AI 模型。原始碼、模型權重、訓練資料一律不公開，使用者只能透過 API 呼叫或商業授權存取功能，模型內部怎麼運作，對外部來說是一個黑箱。GPT、Claude、Gemini 都是這種模式底下常見的例子（這裡同樣只當作閉源長什麼樣子的示範，不做誰比較強的排名）。維運、更新、資安防護全部由開發公司統一把關，使用者不需要、也沒辦法插手模型內部的運作方式。
這裡容易誤會的是，閉源不等於「封閉到不能用」，它其實非常好用，只是使用者能看到、能改動的範圍被鎖死在供應商開放的介面之內，核心的模型架構與參數完全碰不到。
開源與閉源的關鍵差異
定義釐清之後，真正影響選擇的是幾個實際會拿來衡量的面向。這幾關只要弄清楚，你手上的專案該往哪一邊靠，答案通常就浮現出來了，不是「開源比較自由、閉源比較方便」這種空泛的說法可以回答的。
建置與維護成本，誰比較划算？
麥肯錫在 2025 年的一份調查訪問超過 700 位跨 41 國的技術主管與資深工程師，發現 60% 的受訪者認為開源 AI 的導入成本比同類型的專屬工具低，46% 認為長期維護成本也比較低。不過同一份調查也顯示，有 48% 的受訪者認為閉源工具的見效速度更快，也就是從導入到真正產生效益所花的時間更短。這組數字合起來看，其實是同一件事的兩面：開源前期投入的金錢比較少，但要自己準備運算資源與工程人力才能撐起見效的速度；閉源前期不用買硬體，是用多少算多少的計費方式，只是用量一大，長期單價反而可能更貴。划不划算，其實要看自己團隊的用量規模，不是看哪一種聽起來比較省。
資料隱私與資料主權，風險有什麼差異？
錢的問題算完，另一個同樣現實的考量，是資料要不要離開自己能掌控的範圍。開源模型可以整套部署在自己的機房或私有雲裡，資料不必離開公司範圍，資料主權比較好掌握；閉源模型使用時，資料多半得傳到供應商的伺服器上處理，等於把處理過程交給第三方。中華民國個人資料保護法規定，蒐集個資時要告知資料利用的地區與對象，非公務機關持有的個資也必須採取適當的安全維護措施，防止被竊取、竄改、毀損或洩漏。假設一家機構平常要處理病歷或財務紀錄這類敏感資料，選擇把模型部署在自己能控管的環境裡，會比把資料整批送到境外的 API 更容易符合這些規範。
客製化彈性，能改到什麼程度？
資料放不放心交出去是一關，更多企業實際上在意的，是這個模型能不能照自己的需求調整。開源模型因為權重完全公開，企業可以針對自己的資料做深度微調（fine-tuning），甚至進一步調整模型架構，或是把大模型蒸餾成更輕量的專用版本；閉源模型的客製化通常被鎖在供應商開放的微調 API 範圍內，能調的參數有限，改不到模型底層的架構與權重。舉例來說，一家電商如果想拿自己過去累積的客服對話紀錄，訓練出一個懂自家商品與話術的專屬客服模型，開源模型能讓工程團隊直接動到權重層級去調整，閉源模型則只能在供應商設計好的微調介面裡，把自己的資料餵進去做有限度的調整。
便利性與維護門檻，誰要自己扛系統？
客製化做得到多深，只是選擇的其中一環，另一個常被忽略的面向是日常維運本身的負擔。閉源模型多半即開即用，供應商包辦更新、除錯與服務等級協議（SLA），特別適合沒有機器學習工程資源的團隊；開源模型部署之後，監控、除錯、模型更新都得自己扛，維護門檻明顯高上一截，需要投入實際的工程人力才撐得住。這也呼應前面提到閉源見效速度較快的調查結果，見效快的原因之一，就是團隊不必自己養一組維運人力。同一份調查也發現，企業在評估 AI 工具時最常提到的顧慮依序是資安（62%）、法規遵循（54%）與智慧財產權侵權風險（50%），這些顧慮不管選開源或閉源都存在，只是自己維運的開源模型，資安責任更直接落在自己團隊身上。
效能與更新速度，差距還剩多少？
撇開維護與客製化的差異，回到文章開頭提到的效能數字，史丹佛大學人本人工智慧研究所（Stanford HAI）在《2025 AI Index Report》裡分析 Chatbot Arena 排行榜的資料，2024 年 1 月最強閉源模型領先最強開源模型 8.04%，到 2025 年 2 月只剩 1.70%。目前最頂尖的閉源模型仍然小幅領先，但這個差距正在急速收斂，「開源比較弱」已經不是能一概而論的結論。企業實務上也不是選定一種就從一而終，a16z 一份訪問百家大型企業科技主管的年度調查發現，81% 的企業會同時在測試或正式環境中使用三個以上的模型家族，一年前這個比例只有 68%。換句話說，效能好壞早就不是靠一個模型打天下，而是視任務同時測試多種選擇。
什麼情況該選開源 AI 模型？
把前面幾個面向整理成具體的判斷情境，以下幾種狀況比較適合開源模型。資料本身敏感、又受金融、醫療或個資相關法規規範的團隊，通常需要地端或私有雲的掌控權，這時開源模型能整套部署在自己能管的環境裡，資料不必外送。手上已經累積了大量自有數據，想針對特定任務做深度客製化甚至調整模型架構的團隊，也比較適合走開源這條路，才有辦法拿到權重直接調整。另外，團隊本身具備機器學習工程資源，能長期自己維運部署、監控與更新，而且用量大到用 API 計費會不划算的情況，開源模型長期下來反而比較省。
什麼情況該選閉源 AI 模型？
對應的另一組情境，則是閉源模型比較吃香的地方。團隊沒有機器學習工程能力、需要盡快把功能上線的專案，閉源模型即開即用，不必自己維運底層系統，能明顯縮短從導入到見效的時間。任務本身對前沿效能要求很高，例如複雜的多步驟推理或多模態理解，目前最頂尖的表現仍集中在幾個閉源模型上，這種情境選閉源比較容易一次到位。資料本身不敏感、不涉及法規限制，而且團隊重視供應商提供的正式技術支援與服務品質保證的話，閉源模型的省心程度通常更高。
多數企業不是二選一，而是開源閉源混搭
實務上，多數企業並不是押寶其中一種模式，而是依任務類型混著用。核心、需要立即戰力的任務交給閉源模型處理，牽涉客製化或資料敏感的場景則交給開源模型，兩種模式各自負責自己擅長的部分。前面提到企業同時測試三個以上模型家族的比例還在持續往上走，麥肯錫的同一份調查也顯示，76% 的受訪企業預期未來會增加開源 AI 的使用量，而且多半是跟既有的閉源工具並存，不是取代。不少企業也會在開源與閉源模型之上，另外架一層可以彈性切換供應商的模型抽象層，降低整個系統被單一供應商綁死的風險。
開源或閉源從來不是信仰題，誰的陣營比較多人選，不代表誰就比較適合你的團隊。真正該做的，是把成本、資料隱私、客製化彈性、維護門檻與效能這五個面向，一項一項拿來對照自己團隊現在的狀況，資料敏不敏感、有沒有工程人力長期維運、用量大不大、任務對前沿效能的要求高不高。把這張盤點做完，答案通常會比看哪個模型當紅來得清楚，而且這個答案也不是一次定案，值得隨著團隊規模與任務變化，每隔一段時間重新盤點一次。