Zuckerberg chce więcej otwartej SI: czym różnią się modele zamknięte od otwartych

Dyrektor generalny Meta, Mark Zuckerberg, odnowił swoje starania o ograniczenie barier regulacyjnych wobec otwartej sztucznej inteligencji, argumentując, że Stany Zjednoczone potrzebują bardziej otwartego ekosystemu SI, by skutecznie konkurować z szybko działającymi chińskimi rywalami.

Komentarze padły w czasie, gdy Meta zaprezentowała Muse Glimmer — nowy model AI typu open-weight zaprojektowany do działania bezpośrednio na urządzeniach użytkowników, zamiast w kosztownej infrastrukturze chmurowej.

Zuckerberg wskazał też, że Meta zamierza udostępnić więcej modeli w nadchodzących miesiącach, wzmacniając strategię uczynienia AI bardziej powszechnie dostępną.

Debiut ma miejsce w czasie, gdy Meta próbuje odzyskać impet w wyścigu o AI po utworzeniu w zeszłym roku wyspecjalizowanego zespołu ds. superinteligencji, podczas gdy firmy coraz częściej szukają tańszych alternatyw AI wobec rosnących kosztów mocy obliczeniowej.

Równocześnie dyskusja uwypukliła ważne rozróżnienie, które często bywa źle rozumiane — różnicę między zamkniętymi modelami AI, modelami open-weight i w pełni otwarto-źródłowymi systemami AI.

Dolina Krzemowa od dawna jest podzielona co do tego, w jaki sposób należy rozwijać zaawansowane systemy AI.

Niektóre firmy twierdzą, że potężne modele AI powinny pozostać zamknięte ze względu na obawy dotyczące bezpieczeństwa, podczas gdy inne uważają, że otwartość jest kluczowa dla innowacji i konkurencji.

Aby zrozumieć tę debatę, najpierw należy przyjrzeć się, czym są modele zamknięte, potem modelom open-weight, a na końcu — co oznacza prawdziwe otwarto‑źródłowe AI.

Czym są modele zamknięte?

Modele sztucznej inteligencji uczą się poprzez rozpoznawanie wzorców w ogromnych ilościach danych cyfrowych.

Ponieważ trenują na książkach, artykułach prasowych, stronach internetowych i innych dokumentach online, przekształcają te wzorce w miliardy wartości numerycznych znanych jako "wagi".

To właśnie wagi ostatecznie decydują o tym, jak model AI rozumuje, odpowiada na polecenia i generuje treści.

Systemy AI, z którymi najczęściej mają do czynienia konsumenci — ChatGPT firmy OpenAI, Claude firmy Anthropic i Gemini firmy Google — są przykładami modeli zamkniętych.

Choć użytkownicy mogą korzystać z tych systemów przez strony internetowe lub interfejsy API, firmy stojące za nimi nie udostępniają bazowych wag, które napędzają modele.

Oznacza to, że deweloperzy nie mogą ich pobrać, zainstalować na własnych komputerach, sprawdzić działania wewnętrznego ani dostosować ich do konkretnych zastosowań.

Anthropic i OpenAI argumentowały, że systemy osiagające graniczne możliwości powinny pozostać ściśle kontrolowane, ponieważ coraz bardziej zaawansowane modele niosą istotne ryzyko bezpieczeństwa i powinny być rozwijane w starannie zarządzanych środowiskach.

Meta, Nvidia, Microsoft i Google generalnie zajęły bardziej otwarte stanowisko, argumentując, że szerszy dostęp sprzyja innowacji i pozwala deweloperom budować nowe biznesy wokół technologii AI.

Nawet tak jednak badacze ostrzegają, że modele zamknięte generują własne ryzyka.

Według Instytutu ds. Sztucznej Inteligencji Skoncentrowanej na Człowieku Uniwersytetu Stanforda, modele zamknięte nie są automatycznie bezpieczniejsze od otwartych alternatyw, ale koncentrują ogromną władzę w rękach niewielu firm.

Gdy graniczne możliwości AI są udostępniane przez API, to te firmy decydują, kto uzyskuje dostęp, ile to kosztuje i które wartości zostaną wbudowane w technologię, która coraz bardziej kształtuje sposób pracy, komunikacji i tworzenia.

Czym są modele open-weight?

Modele open-weight zajmują środkowe miejsce między systemami całkowicie zamkniętymi a w pełni otwarto-źródłowymi rozwiązaniami AI.

Kiedy deweloperzy opisują model AI jako open-weight, mają na myśli, że wytrenowane wagi modelu zostały upublicznione.

To pozwala zewnętrznym deweloperom pobrać model, uruchomić go lokalnie i dopracować pod kątem konkretnych zastosowań, takich jak opieka zdrowotna, cyberbezpieczeństwo czy rozwój oprogramowania.

Jeśli wagi pozostają prywatne, użytkownicy muszą korzystać z AI dokładnie tak, jak przewidzieli to jego twórcy.

Jednak modele open-weight nie ujawniają wszystkiego.

Firmy zwykle publikują jedynie wytrenowane parametry, zatrzymując oryginalny kod treningowy, zbiory danych, szczegóły architektury modelu oraz dużą część metodologii użytej do zbudowania systemu.

W efekcie użytkownicy zyskują elastyczność bez pełnej przejrzystości.

Modele open-weight zwykle są też znacznie tańsze niż graniczne systemy AI oferowane przez firmy takie jak OpenAI i Anthropic, ponieważ często można je uruchamiać lokalnie bez kosztownych zasobów chmury obliczeniowej.

Chociaż kilka amerykańskich firm publikuje modele open-weight, wiele z najbardziej rozpowszechnionych systemów pochodzi obecnie z Chin, w tym rodzina Qwen firmy Alibaba, modele DeepSeek, linia Kimi firmy Moonshot AI oraz seria GLM firmy Zhipu AI.

Ich popularność gwałtownie wzrosła, gdy przedsiębiorstwa szukały niższych kosztów eksploatacji AI przy jednoczesnym zachowaniu większej kontroli nad wdrożeniem.

A czym są modele otwarto-źródłowe?

Powtarzające się wezwania Zuckerberga do otwarto-źródłowej AI na nowo rozpaliły debatę, czy dzisiejsze tak zwane „otwarte” modele AI rzeczywiście są open-source.

Istnieje istotna różnica między udostępnieniem modelu z otwartymi wagami a wypuszczeniem go jako w pełni otwarto-źródłowego projektu.

Otwarte wagi oznaczają publikację jedynie wstępnie wytrenowanych parametrów, które decydują o zachowaniu sieci neuronowej.

To umożliwia deweloperom wykonywanie wnioskowania (inference) i dopracowywanie modelu do zastosowań końcowych.

Jednak kluczowe elementy pozostają niedostępne, w tym kod treningowy, oryginalne zbiory danych, architektura modelu i proces użyty do jego wytrenowania.

Udostępnianie AI w ten sposób poszerza dostęp, ale ogranicza przejrzystość, powtarzalność i niezależną weryfikację.

Deweloperzy korzystający z modeli open-weight muszą ostatecznie ufać osądom i reprezentacjom wyuczonym przez pierwotnych twórców, nie mając możliwości ich odtworzenia ani pełnego audytu.

Prawdziwie otwarto-źródłowy model AI idzie o wiele dalej.

Zawiera wszystko potrzebne do odtworzenia modelu od zera — kod źródłowy, architekturę, metodologię treningu, hiperparametry, zbiory danych oraz dokumentację pomocniczą.

Taki poziom otwartości pozwala badaczom nie tylko uruchamiać model, ale też go badać, ulepszać i budować na tej samej podstawie zupełnie nowe systemy.

„Istnieje duża przepaść między open-weight AI a open-source AI,” stwierdził James Landay, dyrektor Instytutu ds. Sztucznej Inteligencji Skoncentrowanej na Człowieku na Stanfordzie.

„Open weights odpowiada na pytanie 'Czy mogę to uruchomić?' Open source odpowiada na pytanie 'Czy mogę temu zaufać, to ulepszyć i zbudować na tym kolejną rzecz?' Obecnie niemal wszyscy — zarówno laboratoria amerykańskie, jak i chińskie — odpowiadają na pierwsze pytanie, ale w ogóle nie zbliżają się do drugiego.”

Dążenie Meta do modeli otwarto-źródłowych

Wraz z publikacją modelu Zuckerberg opublikował też 14-stronicowy esej przedstawiający jego wizję przyszłości sztucznej inteligencji.

W dokumencie zatytułowanym The Future is for Everyone argumentował, że AI powinna być postrzegana jako narzędzie przynoszące szerokie korzyści społeczne, a nie technologia, którą należy ściśle ograniczać.

Podkreślił również, że Stany Zjednoczone muszą utrzymać przewagę nad Chinami w globalnym wyścigu o AI.

Nie wymieniając bezpośrednio konkurentów, takich jak Anthropic i OpenAI, Zuckerberg skrytykował podejścia opowiadające się za surowszą kontrolą nad zaawansowanymi systemami AI.

Twierdził, że skoncentrowanie tej technologii w rękach kilku firm może samo w sobie stwarzać zagrożenia.

„Zamiast centralizować superinteligencję, powinniśmy ją rozproszyć,” napisał Zuckerberg, lat 42, w eseju. „To ma potencjał zapoczątkować nową erę osobistego wzmocnienia.”

Firma była jednym z pierwszych dużych deweloperów AI, który publicznie udostępnił duży model językowy — LLaMA — w lutym 2023 r. Meta opublikowała zarówno kod potrzebny do uruchomienia modelu, jak i wagi zdobyte podczas treningu.

Jednak organizacje takie jak Open Source Initiative argumentowały, że ograniczenia licencyjne LLaMA — zwłaszcza te dotyczące komercyjnego ponownego wykorzystania — uniemożliwiają zakwalifikowanie go jako autentycznego oprogramowania open-source.

Zamiast tego wielu ekspertów klasyfikuje LLaMA jako model open-weight.

Mimo to wielu deweloperów uważa, że prawdziwe otwarto-źródłowe AI powinno obejmować nie tylko kod i wagi, ale także zbiory danych użyte podczas treningu, umożliwiając pełną przejrzystość w kwestii tego, jak powstają te coraz bardziej wpływowe systemy.