Åbne AI-modeller indhenter frontmodellerne

Mozilla's analyse State of Open Source AI peger på et væsentligt skifte for virksomheder, der køber AI: Valget står ikke længere blot mellem billige, åbne modeller og stærke, proprietære modeller. De bedste modeller med åbne vægte nærmer sig hurtigt den lukkede front, så organisationer kan sende mange opgaver til dem og kun bruge de dyreste front-API'er, når kvalitetsforskellen reelt ændrer resultatet. 18

Et mindre gab – men ikke ens resultater overalt

Ifølge omtalen af Mozilla-rapporten var de bedste kinesiske modeller med åbne vægte omkring 4,4 måneder efter den lukkede front målt på rapportens præstationsramme. 18 Det er et markant anderledes indkøbsscenarie end et marked, hvor åbne modeller grundlæggende ikke kan bruges i produktion.

Kimi K3 er et illustrativt eksempel, men ikke et endeligt facit. I et øjebliksbillede fra september placerede Artificial Analysis Intelligence Index Kimi K3 på 59,7, seks point efter den samlede leder på 65,7. Samme opgørelse angav, at afstanden var faldet fra 13 point året før. 17 Andre udgaver af rapporten og andre benchmark-øjebliksbilleder bruger andre modelsammenligninger og andre estimater for afstanden. Det centrale er udviklingsretningen – ikke et enkelt tal.

Sammensatte benchmarks er gode til at sortere kandidater, men de beviser ikke, hvilken model der fungerer bedst i en bestemt virksomhed. De kan samle meget forskellige test, mens reelle implementeringer også afhænger af svartid, håndtering af lange kontekster, driftssikkerhed, sikkerhedskontroller, integrationsarbejde samt support- og kontraktvilkår.

Den praktiske model: Send opgaverne det rigtige sted hen

Et mindre gab betyder ikke, at virksomheder bør skifte alt ud med åbne modeller. Det taler snarere for en porteføljetilgang:

• Brug fortrinsvis modeller med åbne vægte til opgaver med høj volumen og gentagelige arbejdsgange, hvor pris, kontrol over data, lokal drift eller tilpasning er vigtigt.
• Bevar adgang til front-API'er til vanskelige opgaver, hvor en dokumenteret kvalitetsforbedring har økonomiske, driftsmæssige eller sikkerhedsmæssige konsekvenser.
• Vurder hele løsningen – herunder søgning i egne data, værktøjer, sikkerhedsværn, prompts og menneskelig kvalitetssikring – ikke kun grundmodellen.
• Test løbende de konkrete arbejdsgange igen. Nye modeludgivelser kan hurtigt flytte grænsen mellem pris og ydeevne.

Det er den konkrete konsekvens af, at modellerne nærmer sig hinanden: En merpris for en lukket model er rationel, når den påviseligt forbedrer resultatet – ikke blot fordi den tidligere var den eneste realistiske mulighed.

Åbne vægte er også et strategisk spørgsmål

Modeller med åbne vægte kan køres og tilpasses i organisationens eget miljø frem for udelukkende at være afhængige af en leverandørs driftede tjeneste. CSIS vurderer, at Kinas voksende økosystem for åbne vægte udfordrer USA's AI-førerskab, fordi det kombinerer teknologisk selvforsyning under eksportkontrol med en bevidst satsning på at udbrede tilpasningsbare modeller bredt. 5

Udbredelsen kan skabe et økosystem. Udviklere, integratorer, værktøjer, implementeringer og tekniske normer kan samle sig om en modelfamilie, selv hvis et andet selskab fører an på den mest avancerede lukkede model. Det strategiske spørgsmål er derfor ikke kun, hvem der topper et benchmark i dag, men også hvis teknologi der bliver det bredt anvendte platformslag.

Eksportkontrol er en del af baggrunden. Forskning i det foreliggende materiale beskriver en stigning i Kinas brug af åben AI efter USA's eksportkontrol med chips og viser, hvordan begrænsninger også kan tilskynde til hjemlige alternativer og udvikling af åbne økosystemer. 11

Påstande om distillation skal omtales præcist

USA's National Security Agency, FBI og CISA skrev i en advarsel fra september, at kinesisk-baserede AI-selskaber gennemførte kampagner i industriel skala for at udtrække begrænsede, proprietære evner fra amerikanske AI-frontmodeller til træningsformål. 1 Omtalen af advarslen nævnte Moonshot AI blandt de virksomheder, som de amerikanske myndigheder navngav. 3

Der er tale om myndighedernes anklager – ikke en offentligt afgjort sag. Kinas udenrigsministerium afviste beskyldningerne som grundløse. 4 Det er desuden vigtigt at skelne mellem påstanden om uautoriseret udtræk og det bredere tekniske begreb distillation, hvor en mindre model lærer af output fra en stærkere model. CSIS beskriver distillation som en almindelig træningspraksis med betydelige strategiske implikationer. 12

Et alternativ kræver mere end endnu en model

Mozilla CTO Raffi Krikorians sammenligning med Android handler om økosystemer. En bredt distribueret og tilpasningsbar model kan tiltrække udviklere og supplerende infrastruktur på samme måde, som en operativsystemplatform kan skabe værdi langt ud over den oprindelige producent.

Mozilla fremhæver selv, at åben AI kræver holdbar infrastruktur ud over modeludgivelser. I en tidligere rapport pegede organisationen på et schweizisk offentligt konsortium, der brugte offentlige supercomputere og frigav vægte, data og træningskode. 11 Den bagvedliggende politiske idé er at investere i offentlig regnekraft, neutrale institutioner, troværdige data og evaluering samt værktøjer til udviklere – ikke kun at finansiere endnu en lukket modelkonkurrent.

Kan åbenhed og sikkerhed gå hånd i hånd?

Open Secure AI Alliance er et bud på svaret. Nvidia lancerede koalitionen i juli sammen med teknologi- og sikkerhedspartnere for at udvikle og dele værktøjer til AI-sikkerhed og cybersikkerhed, særligt omkring software og AI-agenter. Initiativet afspejler synspunktet, at gennemsigtige og fælles sikkerhedsværktøjer kan være en del af svaret på AI-risici.

Det fjerner ikke de reelle risici ved bredt tilgængelige modeller. Åben distribution kan gøre det sværere at forebygge og styre misbrug. Men det politiske valg er ikke så enkelt som åben eller sikker – eller lukket eller sikker. Det handler om, hvilke sikkerhedsforanstaltninger, adgangskontroller, evalueringer og ansvarsmekanismer der følger den enkelte implementeringsmodel.

Spørgsmålet for købere og politikere

For virksomheder er det umiddelbare spørgsmål enkelt: Hvornår retfærdiggør en proprietær models ekstra kvalitet dens ekstra omkostning og leverandørafhængighed? Svaret afhænger af opgaven. Organisationer, der gør modelvalget målbart, tester på repræsentative opgaver og bevarer muligheden for at skifte leverandør, står stærkere end dem, der låser sig til én modelkategori.

For politikere er afvejningen vanskeligere. Førerskab på frontmodeller, sikkerhed og begrænsning af misbrug betyder noget, men det gør robuste åbne økosystemer og global udbredelse af troværdig AI-infrastruktur også. CSIS advarer om, at en strategi, der kun fokuserer på proprietært førerskab på frontmodeller, kan tabe terræn til billigere, åbne alternativer. 15

Det mindre modelgab gør debatten mere presserende. Når modeller med åbne vægte bliver stærkere, afgøres AI-konkurrencen i stigende grad ikke kun af den bedste model i et laboratorium, men af hvem der leverer det mest nyttige, tilpasningsbare og troværdige økosystem omkring den.