Kinas AI-mirage: Hvordan “open source” skjuler, hvad der betyder mest

Med Big Tech-spillere som Google, Microsoft og Meta, der kæmper for at dominere AI-markedet, har Kinas High Flyer, Baidu, Moonshot og Alibaba lavet overskrifter med deres DeepSeek, ERNIE 4.5, Kimi K2 og Qwen3 store sprogmodeller, som åbne kilder. Dette skift fra at udgive beskyttede, proprietære GenAI-modeller er blevet modtaget som et tegn på, at Kinas AI-industri omfavner kraften af åbne kilder til at demokratisere AI-udvikling og fremme innovation.

Ligesom mange spillere, der præsenterer deres tilbud som åbne kilder og endda sætter det i deres virksomhedsnavne, har High Flyer, Baidu og Moonshot dog ikke faktisk delt kritiske dele som datasæt i hjertet af deres modeller. Da disse store modeller søger at blive varer, som udviklere kan stole på, er gennemsigtigheden af sande åbne kilder, der kan testes, undersøges og itereres over, afgørende for at skabe upartisk, etisk og nyttig teknologi, som vi alle kan stole på. Alle disse “åbne kilde”-modeller er faktisk “åbne vægte”, hvilket betyder, at de kan downloades og bruges, men de kan ikke undersøges på nogen meningsfuld måde uden data.

Da U.S.-spillere som Open AI og Meta synes at trække sig tilbage fra åbne kilder, kan Baidus åbne invitation til at udnytte dens frit tilgængelige samling af ERNIE 4.5-modeller faktisk fremme innovation og samarbejde med udviklere, der søger at skabe mindre, kraftfulde applikationer. Samtidig har virksomheden, der er lignende med Kinas Google, givet sig selv en konkurrencemæssig fordel ved at opmuntre til adoption og fastlægge sine modeller i den voksende AI-økosystem.

Dette kan siges om DeepSeek, den billige Kimi K2 og den opdaterede Qwen3 – som har benchmark, der udfordrer lukkede modeller som Claude Opus 4 og GPT-4o-0327.

Disse AI-spillere har positioneret sig godt i kapløbet om at blive den mest brugte model og Qwen3’s seneste innovative opdatering var endda inspireret af åbne kilde-samfundets feedback.

Ligesom mange, der præsenterer deres store AI-model som åbne kilder, deler den kinesiske AI-samfund dog ikke faktisk data eller andre kritiske dele af deres AI-systemer. I stedet beder de globale udviklere om at blinde tro på modeller, som de ikke rigtigt kan forstå eller undersøge.

At gøre krav på fremtiden med åbne kilde-AI-modeller

Da iPhone burst på markedet i 2007, antog nogen, at Mac ville herske over smartphone-spillet med iOS, men åbne kilde-deltagelse er afgørende for startups, samtidig med at det fremmer entreprenørisk og økonomisk vækst verden over – og Android, en startup, der blev erhvervet af Google i 2005, fulgte denne vej til sejr.

Ved at udgive åbne kilde-software, der kunne ses, modificeres, adopteres og deles, inviterede Android akademikere, udviklere og endda konkurrenter til at samarbejde om softwaren. Dette accelererede innovationsprocessen, demokratiserede spillefeltet og reducerede priserne. Android kom på markedet et år efter den første iPhone, og ved årets begyndelse havde det 71,88 procent af det globale marked sammenlignet med iOS’ 27,65 procent.

I en teknologisk revolution, der syntes at ske over natten, blev smartphones almindelige, og selvom software-, hardware- og brugergrænseflade-forbedringer fortsætter, er industrien vokset langt ud over at revolutionere, hvordan smartphones fungerer. Med mobiltelefoner som en vare, er innovationen i gang i app’erne, der kører på dem, og for at være medspillere må smartphone-udbydere opretholde et økosystem, der inviterer udviklere ind.

Ikke tre år efter lanceringen af ChatGPT finder AI-industrien sig på en lignende skillevej. Hver spiller i den globale AI-industri er med til at gøre deres modeller til den næste Android eller endda iOS, og ved at gå åbne kilder med DeepSeek-, ERNIE 4.5- og Kimi K2-modellerne søger kinesiske innovatører at gøre krav på et voksende økosystem.

Selvom dette kan fungere til deres fordel, fremmer det dog ikke den sande gennemsigtighed af åbne kilder, der har været afgørende for ikke blot at fremme innovation, men også innovation, som vi kan stole på.

Data er den manglende del i de fleste åbne kilde-AI

Med AI-modeller, der er meget mere komplicerede at skabe og dele end traditionel software, er opfordringen til fuldt åbne kilde-AI ikke en lille ordre. I stedet for kun en simpel kildekode består AI-systemer af syv komponenter – herunder kildekoden, modellens parametre, datasættet, hyperparametrene, træningskilden, tilfældigt nummergenerering og software-rammer.

Hver del må fungere i harmoni for, at en model kan levere de ønskede resultater, hvilket betyder, at udviklere har brug for fuld indsigt for at dele, modificere og adoptere et system og forstå, hvad der sker. Med reproducerbarhed som grundlag for den videnskabelige metode har AI-industrien dog en vane med at bruge begrebet åbne kilder til at henvise til gratis eller billige udgivelser, der er tilgængelige med adgang til nogle få dele af puslespillet.

Baidu har f.eks. gjort ti ERNIE 4.5-modeller frit tilgængelige. Sammen med at dele modellen og parametrene har virksomheden også åbent udgivet ERNIEKit og FastDeploy-deployment-værktøjerne. Disse giver udviklere mulighed for at bygge kraftfulde AI-applikationer ved at tilbyde industriel-klassens funktioner, ressource-effektive trænings- og slutningsarbejdsgange og multi-hardware-kompatibilitet.

Med andre ord har Baidu givet udviklere spændende værktøjer, der giver dem mulighed for at frigøre innovation hurtigere, hvilket de håber vil tiltrække dem til at vælge ERNIE 4.5 frem for konkurrenterne.

Udviklere, der udnytter ERNIE 4.5, bedes dog om at blinde tro på modellen, fordi Baidu har holdt meget skjult, herunder datasættene, der underretter og lærer dens modeller.

Kraften af gennemsigtige åbne kilde-AI-modeller

Selvom hver del af AI-puslespillet er kritisk for at gøre en model fungerende, 80 procent af AI-projekterne fejler, og data er i hjertet af problemet. Upræcise, ufuldstændige og fordomsfulde datasæt fører til modeller, der ikke opfører sig forudsigeligt eller som ønsket.

Det nyligt udgivne dødelige 2023 Tesla Full-Self-Driving (FSD)-kollisionsvideo er f.eks. et eksempel på, hvad der kan ske, når et datasæt og en model ikke lever op. Da Tesla Model Y kørte ind i en lys, solnedgang, kunne det delvist automatiserede system ikke forstå eller reagere passende på, hvad dets kameraer så – eller ikke så. Mens biler kørt af mennesker slowed og trak over, resulterede FSD’s forvirring i en kvindes død.

Dette ødelæggende fejlreflekterede ufuldstændige visuelle data samt manglen på en sikkerhedsmechanisme, der tog højde for sådanne blinde pletter. Når udviklere ikke har indsigt i deres data, kan de ikke se, hvordan det interagerer med modellen, hvilket betyder, at de ikke kan afsløre sådanne fejl og iterere for robust ydeevne.

Endnu mere bekymrende er, at uden data, der driver modellen, er de tvunget til at blinde tro på den.

Når datasæt er åbne kilder, har AI-samfundet dog bevist, at det vil afsløre bekymrende problemer, som det gjorde ved at afsløre over 1.000 URLs, der indeholdt verificeret barnemishandling i LAION 5B. Med datasættet, der blev brugt til AI-tekst-til-billede-modeller, som er grundlæggende i at skabe apps som Stable Diffusion og Midjourney, ville det have været ødelæggende for AI-industrien, hvis brugerne startede med at producere ulovlige fotorealistiske billeder. I stedet tillod det åbne datasæts natur, at samfundet kunne afsløre det farlige indhold og motivere en løsning, Liaison B.

Desuden var meget af det første datasæt baseret på web-skrapning udført af den enorme Common Crawl, der også blev udnyttet til ChatGPT- og LLAMA-modellerne. Selvom AI-crawlers fortsat rejser bekymringer om ophavsret, privatliv og fordomsfuld og racistisk mærkning, arbejder udviklere i AI-samfundet dog på at rense dele af Common Crawls voksende åbne kilde-datasæt for sikrere brug.

Da udviklere søger at bygge ikke blot kraftfuld AI, men også AI, som vi kan stole på, beskyttes både brugere og industrien af gennemsigtigheden og samarbejdet i sande åbne kilder.

At omfavne den åbne kilde-vej

Med mange stadig forsigtige over for denne voksende teknologi er kapløbet om at blive den næste iOS eller Android af store AI-varemodeller i gang – og da den globale AI-samfund næsten bogstaveligt bygger, hvad der vil blive standarden for fremtiden, og AI-systemer allerede kører biler og tilbyder medicinske vurderinger, er det aldrig været mere kritisk at etablere tillid ved at skabe upartisk, pålidelig og sikker AI.

Med Kinas AI-samfund, der søger at positionere sig som championer for åben innovation, er vejen til sikker AI kun at finde i gennemsigtigheden af sande åbne kilder, der er bevist gennem årtiers software-innovation. At kaste begrebet på systemer, der ikke deler kritiske dele som data, tillader ikke udviklere at undersøge, gentage og iterere. Selvom tiltrækningen af klar tilgængelige modeller som DeepSeek, ERNIE 4.5, Kimi K2 og Qwen3 er uimodståelig, handler udviklere, der udnytter dem, gennemsigtigheden, der fremmer samarbejde og innovation, for komfort.

AI-samfundet må vælge: omfavne radikal gennemsigtighed gennem ægte åbne kilder eller risikere at bygge morgendagens kritiske systemer på i dagens sorte kasser.