技术深度解析
AI捕获的架构在多个技术层面运作，每一层都旨在围绕前沿能力构建护城河。最明显的是 API 关卡。OpenAI、Anthropic 和 Google 等公司已从提供开放模型转向严格控制的 API 端点。模型权重——即实际的神经网络参数——从不发布。这意味着没有人可以独立审计、微调或运行模型。技术术语是'黑箱AI即服务'。模型的推理逻辑是商业机密，任何通过模型提取（查询API以训练替代模型）等技术进行逆向工程的尝试，都被服务条款明确禁止，并可能引发法律诉讼。
第二个更精妙的层面是基于权重的许可。对于已发布的模型（例如 Meta 的 Llama 2 和 3），其许可并非传统意义上的开源。它施加了使用限制：如果你的应用每月活跃用户超过7亿，你需要从 Meta 获得特殊许可。这实际上阻止了除最大竞争对手之外的所有人规模化使用该模型。技术执行机制？没有——它纯粹是合同性质的。但对初创企业的寒蝉效应是真实存在的。
第三，我们拥有监管计算阈值。欧盟AI法案根据训练所使用的计算量（以FLOPs衡量）来定义'高风险'和'系统性风险'AI系统。使用超过10^25 FLOPs训练的模型被推定具有系统性风险。其技术含义是，只有少数组织（Google、Microsoft、Meta、少数国家支持的实验室）能够负担得起如此规模的模型训练。该法规实际上将计算寡头垄断合法化了。为了合规，较小的参与者必须要么使用较小的模型（能力较弱），要么从巨头那里购买访问权限。
开源抵抗力量的相关GitHub仓库：
- Hugging Face Transformers（13万+星标）：访问开放模型的事实标准库。然而，许多前沿模型在此并不可用。
- LLaMA-Factory（3万+星标）：用于微调Llama及其他开放模型的框架，但它依赖于日益受限的权重。
- RedPajama（5千+星标）：一个旨在创建完全开放训练数据集的项目，试图打破数据垄断。
- CivitAI：一个面向开放扩散模型的社区中心，通常采用知识共享许可。它代表了真正开放生成式AI的最后堡垒。
基准数据：合规成本 vs. 开放性
| 模型 | 训练计算量 (FLOPs) | 开放权重？ | API 成本 (每百万token) | EU AI 法案风险等级 |
|---|---|---|---|---|
| GPT-4o (OpenAI) | ~2e25 | 否 | $5.00 | 系统性 (推定) |
| Claude 3.5 Sonnet (Anthropic) | ~1e25 | 否 | $3.00 | 系统性 (推定) |
| Gemini Ultra (Google) | ~2e25 | 否 | $10.00 | 系统性 (推定) |
| Llama 3.1 405B (Meta) | ~3e25 | 是 (受限许可) | 不适用 (自托管) | 系统性 (推定) |
| Mistral Large (Mistral AI) | ~1e24 | 是 (Apache 2.0) | $2.00 | 高风险 (可能) |
| Phi-3 (Microsoft) | ~1e23 | 是 (MIT) | 不适用 | 有限风险 |
数据要点： 该表格揭示了一个清晰的关联：能力最强的模型（计算量最高）要么是封闭权重的，要么处于受限许可之下。唯一真正开放的模型（Mistral, Phi-3）则明显能力较弱。这并非巧合——它是偏向捕获的监管与经济激励的结构性结果。
关键参与者与案例研究
AI捕获游戏拥有动机各异的明确参与者。
国家行为体：
- 欧盟：欧盟AI法案是最全面的监管框架。虽然它声称保护公民，但其分层合规结构造成了巨大的官僚负担。欧洲的AI初创企业已在抱怨合规成本（审计、文档、风险评估）高得令人望而却步。赢家是那些有能力负担合规团队的大型美国科技公司。欧盟实际上是在将AI创新外包给美国，同时通过本地监管将其扼杀。
- 中国：中国政府采取了不同的方法：它强制要求所有生成式AI模型必须'本质上是社会主义的'并接受安全审查。这是最纯粹的国家捕获形式。模型必须预先获得批准，任何批评政府的输出都会被屏蔽。结果是形成了一个强大但在政治上被阉割的国内AI生态系统。
- 美国：拜登政府的AI行政令及随后的NTIA报告强调'安全测试'和'模型报告'。虽然不如欧盟强硬，但实际效果相同：只有财力雄厚的公司才能驾驭监管迷宫。美国还积极使用出口管制阻止先进芯片（NVIDIA H100/B200）进入中国，实际上是将硬件用作捕获机制。
企业巨头：
- OpenAI：这家公司从非营利开源使命起步，如今已成为封闭、高利润API服务的典范。其'安全'叙事被用来证明日益严格的访问控制是合理的，同时通过企业订阅和定制模型交易积累权力。