企业官网建设流程全解析

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。

Cindy（makecindy/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 Codex，Cindy 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Flawless（William-Lu-stack/Flawless），858 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