Valódi nyílt forrású AI kell a tudománynak — nem csak nyílt súlyok, állítja Landay
James Landay, a Stanford HAI igazgatója szerint a nyílt súlyú AI-modellek, mint a kínai Kimi K3 és Qwen3.8-Max, ugyan fejlődnek, de nem elegendőek a tudományos kutatáshoz. Valódi nyílt forrású AI-ra van szükség, amely magában foglalja a kódot, az adatokat és az eszközöket is.
A kínai AI-fejlesztések gyorsulása miatt az Egyesült Államokban egyre élesebb vita folyik a nyílt súlyú modellek körüli szabályozásról. James Landay, a Stanford Human-Centered AI (HAI) igazgatója szerint azonban a jelenlegi vita rossz irányba mutat, mert a „nyílt súlyok” nem jelentenek valódi nyíltságot a tudományos kutatás és a társadalom számára.
A kínai AI-cégek, mint a DeepSeek és az Alibaba, jelentős fejlődést értek el az elmúlt hónapokban. A Stanford HAI AI Indexe szerint az amerikai és kínai modellek közötti teljesítménybeli különbség tavaly mindössze néhány százalékpontra csökkent. A Moonshot AI Kimi K3 modellje (2,8 billió paraméter, egymillió tokenes kontextusablak) és az Alibaba Qwen3.8-Max (2,4 billió paraméter) a legerősebb nyílt súlyú modellek közé tartoznak, és ráadásul olcsóbbak is, mint a vezető amerikai modellek.
A nyílt súlyok korlátai
Landay szerint a nyílt súlyok előrelépést jelentenek, mivel lehetővé teszik a modellek letöltését és saját gépen való futtatását, de ez nem egyenlő a valódi nyílt forráskóddal. „Nem láthatod, hogyan épült fel a modell, min edzett, vagy miért viselkedik úgy, ahogy. Ez nem nyílt modell, ez csak nyílt terjesztés” — fogalmazott Landay.
A valódi nyílt forráskódú AI-nak a Linux Alapítvány „Open Science” osztályának követelményeit kellene teljesítenie: a kódon, a képzési adatokon (vagy azok dokumentált, ellenőrizhető leírásán) és az eszközökön túl a súlyokat is közzé kell tenni, lehetővé téve a kutatók számára a modell letöltését, futtatását, tanulmányozását, módosítását és fejlesztését.
Miért fontos a valódi nyíltság?
Ennek hiányában olyan kutatási területek maradnak blokkolva, mint a képzési adatok kulturális hatásainak vizsgálata, a modellek méltányosságának auditálása, vagy új architektúrák tesztelése nagy léptékben.
Landay emlékeztetett, hogy a modern AI legfontosabb áttörései, mint a transformer architektúra, a publikált kutatásokon alapultak, amelyeket más laborok is megvizsgálhattak és továbbfejleszthettek. „A nyílt súlyok arra válaszolnak, hogy ’Futtathatom ezt?’ A nyílt forráskód arra, hogy ’Bízhatok ebben, fejleszthetem, és építhetek rá?’ Jelenleg szinte mindenki csak az első kérdésre válaszol” — mondta.
A zárt AI kockázatai
A zárt modellek — legyen szó amerikai vagy kínai fejlesztésről — a koncentráció kockázatát hordozzák magukban. Ha néhány cég birtokolja a legfejlettebb AI-képességeket, akkor ők dönthetik el, ki fér hozzá, milyen áron, és kinek az értékei épülnek be a mindennapi életünket egyre jobban befolyásoló eszközökbe.
Landay ezt az „enshittification” jelenségéhez hasonlítja, ahol a platformok fokozatosan az értékteremtésről az értékbeszedésre váltanak. A zárt modellek biztonsági kockázatot is jelentenek, mivel a hibák, visszaélések vagy meghibásodások kívülről nem észlelhetők, és a vakfoltok is koncentrálódnak.
Az amerikai politika és a nyílt AI
Az amerikai kormányzat egyre inkább a kiberbiztonsági és nemzetbiztonsági kockázatokra összpontosít. A „DeepSeek” és az „Alibaba” modelljeihez hasonló kínai nyílt súlyú modellek fejlődése miatt az adminisztráció fontolgatja a szigorúbb ellenőrzés kiterjesztését ezekre a modellekre is.
Válaszként az Nvidia, a Microsoft, a Meta és több mint 20 másik cég nyílt levélben figyelmeztette Washingtont a nyílt súlyú AI-modellekre vonatkozó „előrehozott korlátozások” ellen, hangsúlyozva a globális versenyben való részvétel fontosságát. Landay szerint az Anthropic legújabb modelljeinek leállítása egy kereskedelmi vita vagy exportellenőrzési harc előfutára lehet, ahol a felhasználók rekednek középen.
Landay szerint a megoldás három részből áll: decentralizált AI futtatása helyben vagy saját szervereken, adat-hordozhatóság a platformok között, és ellenőrizhető AI-ügynökök. Ezek azonban nem működnek, ha az alapul szolgáló modellek továbbra is zárt ajtók mögött készülnek. Landay szerint az egyetemek feladata lenne ezt a szakadékot áthidalni, mivel hosszabb távú kutatási céljaik vannak, és képesek megkérdőjelezni a zárt rendszereket. A Stanford HAI igazgatója hangsúlyozta, hogy az Anthropic modelljeinek leállítása jelezheti a közelgő kereskedelmi és exportellenőrzési konfliktusokat.