Modele open-weight zbliżają się do AI z zamkniętej czołówki

Analiza State of Open Source AI przygotowana przez Mozillę stawia przed osobami kupującymi rozwiązania AI ważny wniosek: wybór nie sprowadza się już do „tanich modeli otwartych” albo „wydajnych modeli własnościowych”. Najlepsze systemy z otwartymi wagami szybko zbliżają się do zamkniętej czołówki. Firmy mogą więc kierować do nich wiele zadań, a droższe API modeli frontierowych zostawiać tam, gdzie przewaga jakości wyraźnie zmienia rezultat. 18

Dystans maleje — ale nie znika

Relacje opisujące ustalenia Mozilli wskazują, że najlepsze chińskie modele open-weight dzieliło od zamkniętej czołówki około 4,4 miesiąca w zastosowanym ujęciu wydajności. 18 To zupełnie inne warunki zakupowe niż sytuacja, w której otwarte modele z definicji nie nadawałyby się do pracy produkcyjnej.

Dobrym przykładem jest Kimi K3, choć nie należy traktować go jako ostatecznego rozstrzygnięcia. We wrześniowym zestawieniu Artificial Analysis Intelligence Index model uzyskał 59,7 pkt, czyli o sześć punktów mniej niż lider z wynikiem 65,7 pkt. Rok wcześniej różnica wynosiła 13 punktów. 17 Inne wersje raportów i migawki benchmarków porównują inne modele oraz podają odmienne wartości. Liczy się więc przede wszystkim kierunek zmian, a nie jedna liczba z rankingu.

Złożone benchmarki są przydatne do wstępnej selekcji, ale nie dowodzą, że dany model najlepiej sprawdzi się w konkretnym środowisku firmy. Łączą różne testy, podczas gdy o powodzeniu wdrożenia decydują też opóźnienia, obsługa długiego kontekstu, niezawodność, zabezpieczenia, integracja, wsparcie oraz warunki prawne.

Najlepsza praktyka: dobierać model do konsekwencji błędu

Kurcząca się różnica nie oznacza konieczności masowego porzucenia zamkniętych systemów. Przemawia raczej za podejściem portfelowym:

• Stawiaj na modele open-weight przy powtarzalnych zadaniach o dużej skali, gdy istotne są koszt, kontrola nad danymi, wdrożenie we własnej infrastrukturze lub dostosowanie modelu.
• Zachowaj dostęp do API modeli frontierowych dla trudnych zadań, w których zmierzona poprawa jakości ma skutki finansowe, operacyjne albo związane z bezpieczeństwem.
• Oceniaj cały system, a nie wyłącznie model bazowy: także wyszukiwanie wiedzy, narzędzia, bariery ochronne, prompty i nadzór człowieka.
• Regularnie powtarzaj testy na własnych zadaniach. Nowe wydania modeli mogą szybko przesunąć granicę opłacalności.

Taki jest praktyczny sens konwergencji: wyższa cena modelu zamkniętego jest uzasadniona wtedy, gdy można wykazać, że poprawia rezultat — nie tylko dlatego, że kiedyś był jedyną realną opcją.

Otwarte wagi to kwestia strategii, nie tylko ceny

Modele open-weight pozwalają organizacji uruchamiać i dostosowywać model we własnym środowisku, zamiast całkowicie polegać na usłudze prowadzonej przez dostawcę. CSIS, amerykański ośrodek analityczny zajmujący się m.in. polityką bezpieczeństwa, ocenia rozwój chińskiego ekosystemu open-weight jako wyzwanie dla przywództwa USA w AI. Według tej analizy łączy on uniezależnianie technologiczne w warunkach kontroli eksportu z celowym, szerokim udostępnianiem modeli możliwych do adaptacji. 5

Taka dystrybucja może wzmacniać ekosystem: wokół rodziny modeli rozwijają się programiści, integratorzy, narzędzia, wdrożenia i praktyki techniczne — nawet jeśli inna firma prowadzi w kategorii najbardziej zaawansowanych modeli zamkniętych. Pytanie konkurencyjne brzmi więc nie tylko: kto dziś wygrywa benchmark, ale także: czyja technologia stanie się powszechnie używaną warstwą platformową.

W tym kontekście istotne są kontrole eksportu. Badanie przywołane w dostępnym materiale opisuje wzrost zainteresowania otwartą AI w Chinach po amerykańskich ograniczeniach eksportu zaawansowanych chipów. Pokazuje to, że restrykcje mogą jednocześnie zachęcać do budowy krajowych alternatyw i otwartych ekosystemów. 11

Zarzuty dotyczące destylacji wymagają precyzji

We wrześniowym komunikacie amerykańskie NSA, FBI i CISA — agencje odpowiedzialne odpowiednio za wywiad sygnałowy, śledztwa federalne i cyberbezpieczeństwo infrastruktury — oświadczyły, że firmy AI z siedzibą w Chinach prowadzą kampanie na skalę przemysłową, mające wydobywać ograniczone, własnościowe funkcje modeli frontierowych z USA na potrzeby treningu. 1 Relacja dotycząca tego ostrzeżenia wymieniała wśród wskazanych przez amerykańskie instytucje firm Moonshot AI. 3

Są to zarzuty władz USA, a nie prawomocnie rozstrzygnięta publiczna sprawa. Chińskie ministerstwo spraw zagranicznych odrzuciło je jako bezpodstawne. 4 Trzeba też odróżniać zarzut nieuprawnionego pozyskiwania możliwości od samego technicznego pojęcia destylacji. W tej powszechnie stosowanej metodzie mniejszy model uczy się na odpowiedziach silniejszego; CSIS wskazuje, że praktyka ta ma istotne znaczenie strategiczne. 12

Alternatywa dla zamkniętych platform to więcej niż jeden model

Porównanie do Androida, użyte przez CTO Mozilli Raffiego Krikoriana, dotyczy przede wszystkim ekosystemu. Szeroko rozpowszechniony i dający się dostosować model może przyciągać twórców aplikacji oraz uzupełniającą infrastrukturę — podobnie jak system operacyjny tworzy wartość wykraczającą poza jego pierwotnego autora.

Własne materiały Mozilli podkreślają, że otwarta AI potrzebuje trwałej infrastruktury, a nie tylko kolejnych premier modeli. Wcześniejszy raport organizacji wskazywał szwajcarskie publiczne konsorcjum, które wykorzystało publiczne superkomputery i udostępniło wagi, dane oraz kod treningowy. 11 Z perspektywy polityki publicznej oznacza to inwestowanie w moc obliczeniową dostępną dla sektora publicznego, neutralne instytucje, wiarygodne dane i ewaluację oraz narzędzia dla deweloperów — a nie wyłącznie finansowanie kolejnego konkurenta z zamkniętym modelem.

Czy otwartość i bezpieczeństwo mogą iść w parze?

Jedną z odpowiedzi ma być Open Secure AI Alliance. Nvidia uruchomiła tę koalicję w lipcu wraz z partnerami z branży technologicznej i bezpieczeństwa, aby rozwijać oraz udostępniać narzędzia związane z bezpieczeństwem AI i cyberbezpieczeństwem, zwłaszcza w obszarze oprogramowania i agentów AI. Inicjatywa odzwierciedla pogląd, że możliwe do sprawdzenia, współdzielone narzędzia bezpieczeństwa mogą stanowić część odpowiedzi na ryzyka AI.

Nie usuwa to realnych zagrożeń wynikających z szerokiej dostępności modeli. Otwarta dystrybucja może utrudniać zapobieganie nadużyciom i egzekwowanie kontroli. Wybór nie przebiega jednak prostą linią „otwarte albo bezpieczne” czy „zamknięte albo bezpieczne”. Kluczowe jest to, jakie zabezpieczenia, zasady dostępu, testy i mechanizmy odpowiedzialności towarzyszą danemu modelowi wdrożenia.

Co z tego wynika dla firm i decydentów

Dla przedsiębiorstw pytanie jest proste: w jakich zadaniach dodatkowa jakość modelu własnościowego uzasadnia jego dodatkowy koszt i zależność od dostawcy? Odpowiedź będzie różna dla każdego przypadku użycia. Lepiej przygotowane będą organizacje, które mierzą efekty wyboru modelu, testują go na reprezentatywnych zadaniach i zachowują możliwość zmiany dostawcy, niż te, które z góry standaryzują się na jednej kategorii modeli.

Dla decydentów publicznych kompromis jest trudniejszy. Ważne są przywództwo w modelach frontierowych, bezpieczeństwo oraz ograniczanie nadużyć, ale liczą się także odporne otwarte ekosystemy i globalne upowszechnienie zaufanej infrastruktury AI. CSIS ostrzega, że strategia skoncentrowana wyłącznie na przewadze własnościowych modeli frontierowych może tracić grunt na rzecz tańszych otwartych alternatyw. 15

Malejący dystans między modelami sprawia, że ta debata staje się pilniejsza. O rywalizacji w AI będzie coraz częściej decydować nie tylko najlepszy model w laboratorium, lecz także to, kto dostarczy najbardziej użyteczny, elastyczny i godny zaufania ekosystem wokół niego.