Nathan Lambert (Interconnects) argumentiert auf Basis zweier aktueller Studien – von Ai2 (OLMo 3) und Epoch AI – dass etwa 80% der Gesamt-Compute-Kosten eines Frontier-Modells auf Forschung und Entwicklung entfallen, nicht auf das finale Training. Diese Erkenntnis ist zentral für sein Argument: Chinas KI-Ökosystem, in dem nahezu alle führenden Labore Modelle offen veröffentlichen und durch detaillierte technische Berichte Wissen teilen, ist strukturell darauf ausgelegt, genau diesen Kostentreiber zu senken. Durch gegenseitiges Lernen vermeiden chinesische Labs Doppelausgaben bei R&D und Infrastruktur. Lambert unterscheidet dabei klar zwischen Open-Source-Software (OSS) und Open-Source-AI: Während OSS durch Linus's Law von der Nutzerbasis profitiert (Bugs werden kollektiv gefixt), fällt in Open-AI fast die gesamte Entwicklungslast weiterhin auf den Modell-Entwickler. Offene Modelle reduzieren Kosten primär für künftige Iterationen des Ökosystems, nicht für sofortige Anwendungsfälle. Als konkretes Beispiel nennt Lambert das Fehlen eines wirklich offenen Rezepts für RL-Training großer MoE-Modelle. Tools wie Thinking Machine's Tinker oder Prime Intellect's Lab seien zwar offen-unterstützend, aber nicht vollständig offen genug. Lambert schlussfolgert, dass ein gemeinsames offenes Modell-Konsortium die einzige langfristig finanziell tragfähige Alternative zum Closed-Source-Modell sein könnte.