为什么 OpenAI 应该害怕开源

摘要

• Robot Ventures 领投 Nous Research 的 9,000 万美元融资，押注 Hermes 能掌握 AI 的用户关系。 Tarun Chitra 将这一机会比作投资 Phantom 或 FOMO：智能体框架掌控用户偏好、上下文和触达，推理服务商则提供执行能力。若 AI 市场演化出加密行业的市场结构，他预计这两层能够捕获价值，而路由层和模型将面临压力。
• Hermes 的产品优势，来自多年研究积累并不断转化为更好的默认设置。 Tarun 认为，Nous 在训练、推理和上下文管理上的工作，让 Hermes 能替用户处理 OpenClaw 留给用户的各种决策。他用 OpenClaw 打比方：“这是造车所需的所有零件，自己把车造出来。”Hermes 则会学习用户偏好、生成技能，并支持跨模型工作。
• 加密行业真正值得借鉴的是节约资源的工程思路；以代币为先的项目则提供了反面教材。 Tarun 认为，中国模型公司采用了比去中心化训练团队更有效的优化方案，促使后者在 2024–2025 年转向。早期代币智能体虽然预判了需求，产品却很弱，往往只是“多绕了几道弯的 meme 币”。
• 机器人领域未经邀约的采用，比又一个变现故事更能证明产品价值。 Tarun 花了 3到4个月研究使用情况和代码分支，发现中国制造商在 Nous 不知情的情况下，就把 Hermes 集成进小型机器人。他将这些分支视为产品质量和品牌认同的证据；即使个别分支不产生收入，经济下行时“留存和黏性”也可能更重要。
• 企业定制让 Hermes 在消费者社区之外，多了一条分发路径。 企业可以叠加权限、合规、隐私保护和内部数据连接。Tarun 表示 Microsoft 和 NVIDIA 参与了本轮融资；他预计 Hermes 将成为 Microsoft 提供的开源智能体框架之一，并称 NVIDIA 已在 DGX Spark 机器上默认安装 Hermes。Tommy 认为，自有 AI 技术栈是企业资产；Tarun 则提醒他别过早认定现成的企业需求已经到手：“合同没签，一切都不算数”（“nothing’s in the bag until the contract’s signed”）。
• 推理报价看似很低，智能体的总账单却可能更高。 Tarun 以 GLM 5.2 为例：当缓存节省消失时，标称 95% 折扣的方案在 21 次查询后会花到 1.05 美元；报价更高、但缓存完美的服务商，总费用则略高于 1 美元。他称有统计证据显示服务商在利用这一机制：“你可能确实用了缓存，但服务商没有把缓存带来的价格优惠让给你。”
• 更长期的机会，是为其他公司的智能体提供底层框架。 Tarun 将 Hermes 称为“任何人都能用的白标智能体框架”，认为安全性、上下文管理和品牌可信度有助于推动采用。他的判断很明确：每家 SaaS 公司都需要智能体框架或路由器，才能参与 token 订单流；汇聚需求后，就有机会获得返利和收入分成。

精读

1. 加密行业的 AI 赢家，学会了放下代币

• Tommy 介绍了 Robot Ventures 领投 Nous Research 9,000 万美元融资一事，并称 Delphi 也是共同投资方。Tarun 更广泛的判断是，近期开源和开放权重模型的崛起，到处都能看到加密行业参与者留下的“指纹”；尤其是那些吸收了工程经验、却没有发行代币的团队。

• 2023 年的早期设想，往往是把挖矿基础设施稍作改造，就能变成 AI 网络。Tarun 认为，语言模型带来了图像模型没有的难题，而且似乎没人想要去中心化图像模型。代币也让项目能在证明效用之前先获得高估值。他把这类项目称为“多绕了几道弯的 meme 币”（“meme coins with more steps”），其中也包括一些出发点良好、但最终行不通的团队。

• Tarun 自己的立场也变过：他一度认为去中心化系统都是骗局，后来花了4到5年理解，为什么区块链能在传统分布式系统理论提出种种质疑的情况下运作。这让他愿意给去中心化训练留下大约“1% 的机会”，认为真正的架构创新或许能克服其中的问题。相比训练，他对推理更乐观。

• Nous 凭借具体研究脱颖而出：用于延长上下文的 YaRN、面向压缩的 embeddings，以及通过 DisTrO 实现的低带宽训练。Tommy 补充说，Nous 很早就做了合成模型评测，并回忆起一次分布式训练运行，“大概是 400 亿参数左右”；具体数字并不确定。Tarun 看重的是团队能围绕边界清晰的问题持续投入，不发行代币，也不承诺靠某一项发明解决所有问题。他还将 Nous 与 Prime Intellect 区分开来，称后者对训练的专注度较低，还通过转型成为 GPU 转售商来分散风险。

• Tarun 更广泛的观点是，分布式系统依靠的是一系列彼此独立的优化，而非单一突破。他以 Bitcoin 为例：哈希安全、难度调整、通胀和带宽都各有不同的技术难题，必须协同运作。他认为 Nous，以及在许多方面也包括 Prime Intellect，都是少数能把这种广度带到去中心化 AI 领域的团队。

2. 中国模型公司选对了更有效的约束条件

• Tarun 将去中心化训练团队与同期起步的中国模型开发商作比较。双方都面临资源约束，但类型不同：一边要应对参与者和带宽的不确定性、以及支付问题；另一边则受限于较弱的芯片和基础设施。中国公司还建立了成本更低、类似 Mercor 的数据采集业务。在数千种可能的优化方案中，“中国公司的那 100 种就是更好”。

• Tommy 反驳说，DeepSeek 的工作确实很有创新性。Tarun 认同这一点：他的重点在于，什么样的约束催生了有竞争力的结果。模型一旦达到足够好的水平，智能体化和递归式改进就能加快进展，后来者也更难追赶。这有助于解释为什么去中心化基础设施团队在 2024–2025 年开始转型。

• 早期加密智能体也重复了同样的模式：对智能体发展方向的判断大体正确，执行却很弱。它们达到高峰一年后，Claude Code 和 Codex 的能力与使用量都在扩张。Tarun 以 Nous 和理念上相近的 OpenRouter 为例，说明加密行业的优化思路如何在非代币 AI 项目中找到落点。他还说，Together AI 起初是去中心化推理网络，同时将 Corby 的做法与那些试图发行代币的团队区分开来。

3. OpenClaw 证明了需求，也暴露了执行短板

• Tarun 称 OpenClaw“产品方向是对的，执行却不对”。它像 Android 一样提供太多选择——模型、推理、上下文和基础设施——结果限制了能用它的人群。Tommy 也有类似体验：他用 n8n 搭过个人智能体，试用 OpenClaw 后又回到手动连接各项服务，因为它实在太难用。

• Tommy 强调，OpenClaw 应该因开创这一品类而受到肯定，Tarun 也表示赞同。问题在于，它没能把个人实验变成可以复制的产品。Tarun 在一场约于 2025 年末或 2026 年初、也就是 12 月或 1 月举办的 OpenClaw 活动上，看到一些不可靠的演示，配置也无法轻易下载复用。其中一个项目是猫咪喂食器，可以发送 USDC 付款。他的判断很直接：“这市场规模是不是只有 1 个人？是。”

• 这给后来者留下了空间。Tarun 认为，Claude 在 2025 年末至 2026 年初的采用率上升，部分源于更易上手，以及那些让非技术用户也能开发应用的人性化设计；他同时承认，OpenAI 随后也“强势反击”。他还将这一过程与 Z.ai、Kimi 和 MiniMax 对 DeepSeek 的借鉴相提并论：它们改进了推理、资源使用和注意力设计。

4. Hermes 的优势始于界面之下

• Hermes 最初是 Teknium 的副业项目，起因是他喜欢 OpenClaw 的概念，却觉得它难以使用。Tarun 认为，Nous 之前的研究为 Hermes 打下了基础：训练工作让团队发现数据采集问题，推理工作则让他们理解编排和上下文管理的难点。Tommy 提到，Nous 的模型已有数千万次下载。多年的研究让团队能够理解智能体界面之下的种种失灵。

• 上下文的可移植性是核心。Tarun 回忆说，市场原本预计 OpenAI 和 Anthropic 会通过专有上下文格式建立锁定效应。他表示，OpenAI 如今也支持在同一上下文中使用开放模型，这削弱了这一预期。Nous 早已专注于让上下文在不同模型和智能体之间共享；用区块链的话来说，“互操作性已经到来”。

• Tarun 的解释强调积累，而不是某项架构突破。成功的分布式系统需要“1,000 个小优化”；他也用“10,000 个诀窍”来形容不断叠加的复利效果。Hermes 的优势来自团队对产品底层的理解。OpenClaw 的理念则截然不同：把组件交给用户，“这是造车所需的所有零件，自己把车造出来”（“Here are all the parts to this car. Go build the car.”）。

5. 智能体框架成为 AI 的钱包和偏好引擎

• Tarun 的“算力需求马斯洛层级”从租用 GPU 开始，但之后还得自己处理环境配置、内存管理和 DevOps。Together、Modal、Baseten 和 Fireworks 让用户进一步接近托管模型端点。Tarun 将其对应到加密行业：这就像自己运行节点和使用 RPC 端点之间的区别。抽象层确实更高了，但距离易用的消费级产品仍有差距。

• 智能体框架更像 Phantom 或 FOMO 这样的钱包：它管理状态、历史记录、偏好和敏感凭证，并通过默认设置减少用户犯错。Tarun 认为，OpenClaw 更接近 MetaMask 或 MyEtherWallet，因为配置它仍然需要用户作出大量判断。这决定了产品能触达多大规模的用户群，正如使用钱包与通过 Etherscan 手动提交交易并非一回事。

• Hermes 会学习用户行为、根据使用情况生成技能，并管理模型选择和推理支出。Tarun 说，Hermes 从设计之初就考虑到了模型路由器的存在。Tommy 提出的现实问题是：多数用户无法分辨推理设置或模型选项，却能察觉答案不好；随后他们会以为是智能体本身坏了。

• 理念差异会改变产品架构：哪些选择交给用户、学习哪些偏好，以及何时需要向用户澄清。Tarun 将其称为“产品工程与后端工程的区别”。除了技术深度，Nous 的产品审美也很重要。这个曾被嘲讽为“只会卖高价周边”的团队，其实早就很关注受众的喜好。

6. 打包后的开源产品扩大了可触达市场

• Tommy 将 Hermes 描述为消费者智能体市场中，非实验室所有的开源替代品。Tarun 补充说，DIY 竞品并不少，但 Hermes 属于“开源，却已经打包成产品”。他的类比是 Ubuntu：提供默认设置和更新，同时兼容闭源组件。类似地，Hermes 接受 Claude 和 OpenAI 的 API key，并不要求用户对底层模型保持意识形态上的纯粹。

• Tarun 认为，Pi 已经接管了 DIY 社区，“分支数量可能最多”。它足够简单，适合用来教学智能体框架设计，包括他弟弟提到的一门计算机科学入门课；但开发者需要自己提供适配器。Hermes 则面向专业消费者，并逐步拓展到更广泛的用户，同时保留可扩展性。Tarun 仍希望看到开发者实际使用它的源代码：如果只有开源标签、却没有人复用，他会感到担忧。

7. 机器人领域的代码分支提供了最有力的尽调信号

• 在3到4个月的尽调期间，Tarun 结合 OpenRouter 使用数据和对 Hermes 代码分支的检查。公开的应用和模型排行榜，让分析过程有点像研究区块链数据。代码分支则回答了另一个问题：开发者是否认可 Hermes 的构建方式？他把这视为通过工程选择表达的品牌认同，与收入或眼下的变现潜力不同。

• 最有力的例子来自中国的小型机器人制造商，它们把 Hermes 当作嵌入式接口使用。这些企业必须控制成本，因为硬件已经占用了预算，也希望尽量压低推理成本。一台走到烘干机旁并折叠衣物的机器人，可能需要分别使用负责移动、空间规划和灵巧操作的模型；每项任务所需的推理和动作能力都不同。Tarun 说，评测显示，把任务分配给不同模型通常比依赖单一模型表现更好。

• 制造商把 Hermes 改造成适配具体设备的工具调用接口，例如控制机器人的手或头部。Nous 甚至不知道有些分支已经存在：“我们根本不知道这个人 fork 了它。”Tarun 将这种未经邀约的采用视为产品和品牌契合度的证明。在他所说的“ARR 数字有一半是假的”这样的市场里，这种认同格外重要，因为经济下行时，“留存和黏性”可能更有价值。

8. 企业拓展增加了定制能力和分发渠道

• Tommy 认为，企业的架构、数据、记忆、托管方式和交互方式会不断累积成资产，而定制化可以带来差异化结果。Tarun 则具体介绍了 Nous 的企业业务：企业可以克隆 Hermes、连接数据库，并叠加隐私、合规和权限管理。企业保留共同的基础框架，同时按内部要求进行调整。

• Tommy 认为，庞大的消费者社区能在企业内部培养倡导者，等于把 go-to-market“收入囊中”。Tarun 立刻补充：“合同没签，一切都不算数”（“nothing’s in the bag until the contract’s signed”）。他同意内部支持者有帮助，但强调个人用户广泛采用与企业业务正式签约之间仍有区别。Nous 正在推进企业拓展，同时经营消费者和开源社区。

• Tarun 表示，Portal 订阅量和 OpenRouter 使用量都在增长；Nous 通过 OpenRouter 上的应用处理的 token 已超过 2 万亿。他还提到有数千万用户，并说“如果我没记错”，每天有数千万个独立 GitHub 账户访问这些应用。他承认一个人可能有多个账户，因此 GitHub 身份只是一个不完美的衡量指标。

• Tarun 说 Microsoft 和 NVIDIA 都参与了本轮融资。他预计 Hermes 将成为 Microsoft 提供的主要开源智能体框架之一，并称 NVIDIA 已在 DGX Spark 机器上默认安装 Hermes。这些合作关系为企业拓展提供支持，而社区则继续从消费者端带来采用。

9. 缓存机制被做手脚，低价推理也会变贵

• OpenRouter 将需要模型的应用与服务商连接起来，服务商会分别报出输入、输出和缓存 token 的价格。Tarun 将应用比作钱包、路由器比作交易所或 DEX 聚合器、模型比作协议、服务商比作验证者或流动性提供方。由于无需重复计算，缓存 token 的成本可能比普通 token 低“数百倍甚至数千倍”。

• 服务商并非只按最低价选出。Tarun 介绍，分配概率会综合报价和质量评分，质量指标包括正常运行时间和吞吐量。他想弄清楚的是，服务商能否先报出诱人价格争取流量，再虚报缓存量。由于缓存核算缺乏加密验证，客户最终能获得多少缓存优惠，取决于服务商如何报告。

• Tarun 以 GLM 5.2 为例：Z.ai 对每百万 token 报价 1 美元，缓存 token 则只收 0.001 美分。若缓存完美，21 次查询的总成本约为 1 美元、略高于 1 美元。另一家服务商宣传每百万 token 只要 5 美分，表面便宜 95%，但把每次重复请求都按未缓存计费：21 × 0.05 美元 = 1.05 美元。对于智能体不断追加的后续请求，这个看似划算的报价反而更贵。

• Tommy 问，问题是否体现在记忆能力变差或回答质量下降。Tarun 澄清，问题出在价格：“你可能确实用了缓存，但服务商没有把缓存带来的价格优惠让给你。”他说，跨服务商实验中已有统计证据显示这一现象。服务商可能在第一次查询时亏钱，却通过后续重复查询赚回来。Tarun 也强调，这不应被过度类比为加密行业的抢跑或 MEV，但它确实属于市场操纵。

10. 智能体框架和推理服务商可能捕获市场价值

• Tarun 的投资逻辑来自这种市场结构：“钱都流向顶端和底端。”他认为，在加密行业，钱包以及验证者或流动性提供方获得了更强的议价能力，聚合器和协议则受到挤压。映射到 AI，最有利的位置是智能体框架和推理服务商。用他的话说，“Hermes 就像是投资 Phantom 或 FOMO”。

• 模型可以尝试通过许可条款变现。Tarun 介绍了类似 BSL 的条款：收入超过门槛后就必须付费。Tommy 提到 Kimi；Tarun 补充说 GLM 也加入了类似条款，只是具体条件不同。他认为 Kimi 的收入上限尤其低。但路由器门槛不高，Vercel 和 Ramp 等 SaaS 公司都在推出市场。路由器可以成为成功的生意，但竞争者众多，利润率仍会受到挤压。

• Tarun 强调，OpenRouter 设有准入控制，因此它不是无需许可、也不是完全去中心化的市场；一旦获准接入，服务商就在开放市场中竞争。这与捆绑式服务不同：用户看不到底层基础设施供应商，也看不到分配决策。开放模型让用户可以拆分中央集成式编程产品打包在一起的智能体框架、模型选择、路由和推理服务。

11. Hermes 可能成为其他公司智能体之下的基础设施

• 钱包类比也有局限：Hermes 不一定要成为最终面向消费者的界面。Tarun 的“猜测”是，智能体框架会成为应用底层的“安全与品牌”层以及上下文管理层，消费者机器人 Instinct 也包括在内。公司可以继承共享基础设施，同时打造有差异化的体验。机器人领域的例子已经表明，开发者会把 Hermes 当作底座，而非最终产品。

• 汇聚 token 需求提供了一种潜在的收入来源。Tarun 表示，推理服务商已经在提供类似订单流付费的返利：“如果你能保证我每天获得 X × 10⁹ 个 tokens”，服务商就可以返还部分费用。Tommy 问个人用户能否控制路由。Tarun 说，用户可以直接选择服务商；Portal 等其他接入方式则提供了不同的需求管理安排。

• 展望一年后，Tarun 的判断是明确的：“每家 SaaS 公司要么必须有自己的智能体框架，要么就得做路由器”，因为参与 token 订单流就能创造变现机会。Hermes 可以成为“任何人都能用的白标智能体框架”。现有公司能带来用户和数据，无需从零开始；同时，底层框架的安全声誉也像钱包一样重要。

• Tarun 最后用金融科技公司与底层银行分成作类比。他说，Muse 将采用类似加密行业的方式变现：对应用内购买收取交易费，并与 Stripe、Shopify 等公司分成。在 Tarun 看来，交易对手彼此竞争、同时共享订单流，让这些系统呈现出加密市场的特征。因此，企业部署、消费者使用，以及基于 Hermes 构建的应用，是同一底层智能体框架可能发展的不同路径。