不管开源战略背后的真正原因是什么，这一商业模式在AI领域的发展中的效果都是备受争议的。Bostrom 在2016年的一篇文章中说过，短期内，更高的开放度可能会加速 AI 的普及。软件和知识都是非竞争性商品，这也会让更多的人使用它。人们可以用最低的成本在此前顶级的应用和技术基础之上进行开发，或者修正bugs。对于大公司来说，这也是塑造品牌的一个良机。

　　但是，从长期来看，atv，由于都是免费的，我们可能会看到对于研究和发展投入的动力会变得缺乏。所以，应该有一种方法，可以让个人从自己的创意中获得垄断性的租金。从另一个方面来说，积极的一面是，开放式的研究被用于开发吸引力（例如，这是打造技术和与最新技术同步的一个手段）。这也可能会从补充性的资产带来额外的收益，通过新的技术和创意，这些价值会获得增长。最后，这一社区也会被那些希望展示自己的技术、建立自己声誉并最终提升自己市场价值的个人塑造。

　　结论

　　虽然本文就 AI 发展中短期和长期的开放研究效应进行了分析，开源会对这一技术有多大的推动，现在还不清楚。历史的发展中，创新和研究很多都是起源于大学校园，然后转到工业界。这不是一个新鲜的概念，但是在AI的语境下却显得尤为重要。它塑造了一个恶性的循环：学校的教师和研究者不断流失，因为公司会提供更高的薪资、更有趣的研究难题、相对更大的独家数据库和几乎无限的资源。这让学校在下一代人才的培养上会受限。

　　现在的解决方案是，建立一些纯研究性的机构（Open AI），甚至是研究型的公司（Numenta），避免丢失纯研究给整个行业带来的不可估量的价值。

　　目前来看，多数的讨论要么着眼于全部或者是几个巨头公司，但是没有讨论不同的创业企业模式。一个早期的公司需要面临大量的挑战，通常有：财政上的难题、商业化难题或者运营难题。

　　对于上述问题，AI领域有自己的特殊性：从财政上看，主要的问题是，缺乏具体的投资者，他们需要做的不仅是提升公司的价值，并且不仅仅从金钱上提升公司价值。商业化难题指的是很难定义目标消费者，尝试拒绝开源模式。产品虽然是很新的，但是并不容易被人理解，并且，在产品的发布上，还有更有利润的方法。

　　最终，运营上的问题更加棘手：正如上文提到的，大型数据库和持续地前沿投资是非常关键的，而这对短期变现却是非常不利的。数据上的难题，一个解决方案是“数据采集”策略。这个词来自风投Matt Turck，指的是，持续地发布新的产品，能够产生数据网络效应。另外，用户体验和设计对于AI来说也变得非常重要。对于仍处在早期且资源有限的公司来说，这会带来工程、商业和设计等领域上资源分配的矛盾。