Zuckerberg vil ha mer åpen kildekode-AI – forskjellen på lukkede og åpne modeller

Meta-sjef Mark Zuckerberg har fornyet sitt press for færre regulatoriske hindringer rundt åpen kildekode‑kunstig intelligens, og argumenterer for at USA trenger et mer åpent AI‑økosystem for å konkurrere effektivt med hurtigvoksende kinesiske rivaler.

Uttalelsene kom da Meta avduket Muse Glimmer, en ny open-weight‑modell designet for å kjøre direkte på forbrukerenheter i stedet for på kostbar skyinfrastruktur.

Zuckerberg ga også uttrykk for at Meta har til hensikt å slippe flere modeller i løpet av de kommende månedene, for å forsterke strategien om å gjøre AI bredere tilgjengelig.

Lanseringen skjer på et tidspunkt hvor Meta forsøker å gjenvinne momentum i AI‑kappløpet etter å ha satt sammen et dedikert superintelligens‑team i fjor, samtidig som bedrifter i økende grad søker billigere AI‑alternativer i møte med skyhøye beregningskostnader.

Samtidig har diskusjonen løftet fram en viktig distinksjon som ofte blir misforstått — forskjellen mellom lukkede AI‑modeller, open‑weight‑modeller og fullt åpne kildekode‑AI‑systemer.

Silicon Valley har lenge vært delt om hvordan avansert AI bør utvikles.

Noen selskaper mener at kraftige AI‑modeller bør forbli lukkede av sikkerhetsgrunner, mens andre mener at åpenhet er avgjørende for innovasjon og konkurranse.

For å forstå den debatten må man først se på hva lukkede modeller er, deretter open‑weight‑modeller, og til slutt hva som kjennetegner ekte åpen kildekode‑AI.

Hva er lukkede modeller?

Kunstig intelligens‑modeller lærer ved å identifisere mønstre i enorme mengder digital informasjon.

Når de trenes på bøker, nyhetsartikler, nettsteder og andre nettbaserte dokumenter, omdanner de disse mønstrene til milliarder av numeriske verdier kjent som «vekter».

Disse vektene avgjør til slutt hvordan en AI‑modell resonerer, svarer på forespørsler og genererer innhold.

De AI‑systemene de fleste forbrukere i dag interagerer med — OpenAIs ChatGPT, Anthropics Claude og Googles Gemini — er eksempler på lukkede modeller.

Selv om brukere kan få tilgang til disse systemene via nettsider eller API‑er, publiserer ikke selskapene bak dem de underliggende vektene som driver modellene.

Det betyr at utviklere ikke kan laste dem ned, installere dem på egne maskiner, inspisere hvordan de virker internt eller skreddersy dem for spesifikke bruksområder.

Anthropic og OpenAI har argumentert for at frontlinje‑/avanserte AI‑systemer bør forbli strengt kontrollert fordi stadig mer kapable modeller utgjør betydelige sikkerhetsrisikoer og bør utvikles i nøye kontrollerte miljøer.

Meta, Nvidia, Microsoft og Google har generelt inntatt en mer åpen holdning, og hevder at bredere tilgang stimulerer innovasjon og gjør det mulig for utviklere å bygge nye forretningsmodeller rundt AI‑teknologi.

Likevel advarer forskere om at lukkede modeller skaper sine egne risikoer.

Ifølge Stanford University's Institute for Human-Centered AI er ikke lukkede modeller nødvendigvis mindre trygge enn åpne alternativer, men de konsentrerer enorme maktressurser hos et fåtall selskaper.

Når avansert AI‑kapasitet leveres via API‑er, er det disse selskapene som bestemmer hvem som får tilgang, hva det koster, og hvilke verdier som blir innebygd i teknologi som i økende grad former hvordan folk arbeider, kommuniserer og skaper.

Hva er open‑weight‑modeller?

Open‑weight‑modeller befinner seg i mellomfeltet mellom fullt lukkede systemer og helt åpen kildekode‑AI.

Når utviklere beskriver en AI‑modell som open‑weight, betyr det at modellens trente vekter er gjort offentlige.

Det gjør det mulig for eksterne utviklere å laste ned modellen, kjøre den lokalt og finjustere den for spesifikke formål, som helsevesen, cybersikkerhet eller programvareutvikling.

Hvis vektene forblir private, må brukerne interagere med AI‑en akkurat slik skaperne har tiltenkt.

Likevel avslører ikke open‑weight‑modeller alt.

Selskaper publiserer typisk kun de trente parameterne, samtidig som de tilbakeholder opprinnelig treningskode, datasett, detaljer om modellarkitektur og mye av metodikken som ble brukt for å bygge systemet.

Som et resultat får brukerne større fleksibilitet uten full åpenhet.

Open‑weight‑modeller har også en tendens til å være betydelig billigere enn avanserte AI‑systemer levert av selskaper som OpenAI og Anthropic, fordi de ofte kan kjøres lokalt uten kostbar skybasert datakraft.

Selv om flere amerikanske selskaper publiserer open‑weight‑modeller, kommer mange av de mest utbredte systemene i dag fra Kina, inkludert Alibabas Qwen‑familie, DeepSeek‑modellene, Moonshot AIs Kimi‑serie og Zhipu AIs GLM‑serie.

Deres popularitet har vokst raskt ettersom bedrifter søker lavere driftskostnader for AI samtidig som de beholder større kontroll over distribusjon.

Hva er egentlig åpne kildekode‑modeller?

Zuckerbergs gjentatte oppfordringer om åpen kildekode‑AI har også gjenopplivet debatten om hvorvidt dagens såkalte «åpne» AI‑modeller faktisk er open source.

Det er en viktig forskjell mellom å frigjøre en AI‑modell med åpne vekter og å frigjøre den som fullt åpen kildekode.

Åpne vekter innebærer å publisere kun de forhåndstrente parameterne som bestemmer hvordan nevrale nettverket oppfører seg.

Dette gjør det mulig for utviklere å kjøre modellen og finjustere den for underliggende applikasjoner.

Likevel forblir avgjørende elementer utilgjengelige, inkludert treningskoden, opprinnelige datasett, modellarkitektur og den prosessen som ble brukt for å trene modellen.

Å gi ut AI på denne måten utvider tilgangen, men begrenser samtidig gjennomsiktighet, reproduserbarhet og uavhengig verifisering.

Utviklere som bruker open‑weight‑modeller må i siste instans stole på vurderingene og representasjonene lært av de opprinnelige skaperne uten å kunne gjenskape eller fullt revidere dem.

En virkelig åpen kildekode‑AI‑modell går mye lenger.

Den inkluderer alt som kreves for å reprodusere modellen fra bunnen av — kildekode, arkitektur, treningsmetodikk, hyperparametere, datasett og støttende dokumentasjon.

Et slikt nivå av åpenhet gjør det mulig for forskere ikke bare å kjøre modellen, men også å inspisere den, forbedre den og bygge helt nye systemer på samme grunnlag.

«Det er et stort gap mellom open‑weight‑AI og open source‑AI,» sa James Landay, Denning‑direktør ved Stanford Institute for Human‑Centered AI, i en uttalelse.

«Open weights svarer på ‘Kan jeg kjøre dette?’ Open source svarer på ‘Kan jeg stole på dette, forbedre det, og bygge neste ting på toppen av det?’ Akkurat nå svarer nesten alle – både amerikanske og kinesiske laboratorier – på det første spørsmålet, men er langt fra å svare på det andre.»

Metas satsing på åpen kildekode‑modeller

I forbindelse med modellutgivelsen publiserte Zuckerberg et 14‑siders essay som skisserer hans visjon for kunstig intelligens fremover.

I dokumentet, med tittelen The Future is for Everyone, argumenterte han for at AI bør ses som et verktøy for bred samfunnsnytte snarere enn som en teknologi som må være strengt begrenset.

Han understreket også at USA må beholde sitt lederskap over Kina i det globale AI‑kappløpet.

Uten å navngi konkurrenter som Anthropic og OpenAI, kritiserte Zuckerberg tilnærminger som taler for strengere kontroll over avanserte AI‑systemer.

Han hevdet at konsentrasjon av teknologien i hendene på noen få selskaper i seg selv kan skape risiko.

«I stedet for å sentralisere superintelligens, bør vi distribuere den,» skrev Zuckerberg, 42, i essayet. «Dette kan potensielt starte en ny æra av personlig myndiggjøring.»

Selskapet var blant de tidligste store AI‑aktørene til å offentliggjøre en stor språkmodell, LLaMA, i februar 2023. Meta publiserte både inferenskode nødvendig for å kjøre modellen og vektene som ble lært under trening.

Likevel har organisasjoner som Open Source Initiative hevdet at LLaMAs lisensbegrensninger — særlig de som regulerer kommersiell gjenbruk — hindrer at den oppfyller den aksepterte definisjonen av genuin åpen kildekode‑programvare.

I stedet klassifiserer mange eksperter den som en open‑weight‑modell.

Likevel mener mange utviklere at ekte åpen kildekode‑AI ikke bør begrense seg til kode og vekter, men også omfatte datasettene som ble brukt under trening, slik at det blir fullstendig innsyn i hvordan disse stadig mer innflytelsesrike systemene er bygget.