Berapa Lama Sebelum Penindakan Nyata Terhadap Decensoring Model AI?

Jika Anda cukup tua untuk mengingat era warez sekitar 1995–2010, ketika koleksi besar perangkat lunak yang dibobol dan film yang dibajak (dibeli grosir di jalanan, atau disusun oleh bajak laut kasual setelah broadband berkecepatan tinggi membuat unduhan besar dan berkapasitas tinggi menjadi memungkinkan) menumpuk di berbagai koleksi DVD yang berderak, maka munculnya adegan model AI sumber terbuka yang ‘tidak disensor’ mungkin menimbulkan nuansa yang familiar.

Dari ‘zaman keemasan’ perdagangan jalanan kasual dalam perangkat lunak dan film. Kredit – Shankar.s. ‘DVD Bajakan di Pasar Jalan PP’ – Sumber / Lisensi

Pada masa itu, sebelum penyewaan perangkat lunak menjadi model konsumen yang umum, sekelompok kecil namun elit penggemar perangkat lunak ‘scene’ muncul untuk membobol aplikasi, yang kemudian dilepaskan ke dalam kelompok newsgroup ‘warez’, dan kemudian ke grup torrent. Pembatasan tersebut bisa jadi memberatkan atau sepele untuk ditembus, namun pelanggaran biasanya tak terhapuskan setelah tersebar.

Inilah yang terjadi sekarang dengan Large Language Models (LLM) sumber terbuka, yang secara rutin dan dalam skala besar dihilangkan filter keselamatan yang telah dilatih, sehingga model-model yang tidak disensor ini tersebar di begitu banyak tempat sehingga menutup sumber ‘crack’ di hulu tidak berpengaruh pada ketersediaan model tersebut.

Pemberi Manfaat atau Penjahat

Pertanyaannya: dalam cahaya apa Anda ingin melihat aktivitas ini? Tidak seperti era warez, tidak ada yang secara eksplisit kehilangan pendapatan sebagaimana produsen perangkat lunak kecil mungkin mengalami 20–30 tahun lalu.

Tentu saja, ketentuan lisensi asli sering dilanggar dalam kasus seperti itu*; namun, tidak seperti rilis bobot parsial dari produsen model genAI seperti Black Forest Labs, distributor asli tidak memperlakukan versi ‘kualitas lebih rendah’ sebagai jalur penjualan tambahan ke model API yang lebih kuat; mereka merilis model penuh secara langsung.

Dalam kebanyakan kasus, hampir tidak ada yang dapat menjalankan rilis awal ini secara lokal, karena parameternya terlalu besar bahkan untuk kartu GPU yang dilengkapi dengan VRAM 16–24 GB.

Karena itu, rilis awal dengan cepat diubah menjadi versi yang lebih ramping yang dapat dijalankan pada perangkat keras konsumen, melalui kuantisasi model, dan konversi bobot ke iterasi yang lebih ringan seperti GGUF, AWQ, PTQ, EXL2, atau MLX yang berfokus pada Apple.

Meskipun tidak seefisien model penuh asli (yang biasanya akan disajikan secara komersial dari berbagai farm GPU), setidaknya model ini berada di bawah kendali pengguna, dan dapat disesuaikan untuk pengguna tertentu dengan cara yang tidak dapat dilakukan model ‘lebih baik’.

Sesuaikan Sesukamu

Beberapa cara ini jelas sah, dan biasanya berada dalam ruang lingkup lisensi hulu, seperti fine‑tuning, sehingga bobot model secara khusus diarahkan pada tugas atau domain target yang dimasukkan pengguna. Dalam kasus seperti itu, bila ruang penyimpanan memungkinkan, seseorang bahkan dapat melakukan fine‑tuning pada beberapa instansi model sumber terbuka untuk beragam tugas, seperti rangkaian alat tradisional khusus – alih‑alih menggunakan ‘pisau Swiss Army’ dari model hulu yang penuh bobot.

Selain itu, model dengan pengaturan yang kompatibel namun data pelatihan berbeda dapat digabungkan; atau kemampuan tambahan dapat ditumpangkan pada model melalui filter LoRA ringan, tanpa berisiko merusak kemampuan asli model dasar melalui fine‑tuning.

Namun, modifikasi yang paling menarik banyak pengguna, dan yang menjadi lebih mudah dibandingkan metode di atas, adalah penghapusan filter keselamatan yang disebutkan sebelumnya, atau guardrail.

Memang hal ini memungkinkan model menghasilkan konten pornografi dan pengembangan malware, namun juga menghilangkan apa yang banyak pengguna anggap sebagai sekumpulan pembatasan yang terlalu ketat (dan sering kali rawan kesalahan).

Salah satu dari banyak contoh lucu Llama-2-7b-chat menolak permintaan wajar atas dasar keamanan, tersedia di URL sumber. Sumber

Heretik

Dalam kasus Heretik, perangkat lunak yang belakangan merevolusi decensoring model, bahkan memungkinkan menurunkan tingkat bahasa ‘berbunga’ dan prosa bertele‑tele yang cenderung dimiliki model.

Heretik mulai bekerja mendecensor gpt-oss, meskipun pada mesin berspesifikasi tinggi yang tidak mungkin dimiliki rumah konsumen rata‑rata – meskipun dapat disewa secara murah daring, untuk durasi proses yang diperlukan. Sumber

Lebih penting lagi, Heretik – yang secara otomatis mencari abliterasi yang menekan penolakan, sambil meminimalkan kerusakan pada perilaku asli model – menyederhanakan tugas decensoring yang relatif menantang menjadi hanya satu perintah dari sudut pandang pengguna akhir.

Seperti yang terlihat pada tangkapan layar di atas, Heretik cenderung memanfaatkan GPU yang lebih kuat daripada yang biasanya ada di rumah konsumen; namun, pengguna tidak perlu menjalankannya pada perangkat keras rumah, sama seperti mereka tidak perlu membobol perangkat lunak secara pribadi pada tahun 2002; sebagaimana pada masa warez, penyedia scene hulu (penggemar kasual, biasanya non‑komersial) yang memiliki akses ke perangkat keras tersebut, atau bersedia mengeluarkan token untuk masalah ini, melakukan jailbreak dan merilis model yang tidak disensor ke dalam scene.

Di Titik Sasaran

Ketika tindakan digital yang ‘dipertanyakan’ tidak lagi sulit, biasanya melalui lonjakan kemampuan semalam (pikirkan Napster atau PopCornTime) yang secara tiba‑tiba memperbesar baik aktivitas itu sendiri maupun tingkat minat ‘resmi’ dalam mengekangnya.

Dikombinasikan dengan popularitas yang meningkat dan kemudahan penggunaan platform seperti Ollama, Heretik mulai membawa akses model yang tidak disensor ke jangkauan pengguna non‑teknis, meskipun metode yang benar‑benar ‘anti‑bodoh’ belum sepenuhnya tersedia.

Dan itu membawa saya kembali ke pertanyaan sebelumnya, apakah aktivitas ini merupakan ‘masalah’. Sebuah makalah yang muncul di Arxiv kemarin menunjukkan kepada saya, berdasarkan tren terbaru dalam pengetatan dan penindakan kebebasan konsumen teknologi, bahwa decensoring kemungkinan akan mendapatkan perhatian yang semakin besar, yang mengarah pada lebih banyak kasus legislasi yang bersifat pembatas di seluruh dunia.

Makalah baru, sebuah laporan dari 10a Labs, menggambarkan gerakan decensoring secara negatif, dan menyajikan sejumlah kecil kasus penyalahgunaan yang, menurut sejarah, dan tren saat ini meramalkan, akan mengarah pada pembatasan.

Studi tersebut menelusuri apa yang terjadi setelah model yang tidak disensor dirilis dan didistribusikan ulang, serta mengidentifikasi 1.643 aplikasi GitHub yang mengintegrasikan, merekomendasikan, atau secara default menggunakan model yang tidak disensor.

Model‑model yang dimaksud berkisar dari chatbot serbaguna dan alat pemrosesan dokumen, hingga roleplay NSFW dan penceritaan; layanan konten eksplisit; alat peretasan dan keamanan ofensif; serta aplikasi penipuan dan pembuat malware, dengan 25 % rilis diklasifikasikan oleh studi sebagai ‘sangat berbahaya’:

Rincian bagaimana model AI yang tidak disensor digunakan setelah dirilis. Studi melacak 1.643 aplikasi GitHub yang mengintegrasikan, merekomendasikan, atau secara default menggunakan model yang batasan keamanannya telah dihapus, menemukan bahwa 37 % adalah chatbot tidak disensor serbaguna, sementara alat keamanan siber dan pemrosesan dokumen masing‑masing menyumbang 16 %, bersama kategori kecil lainnya seperti asisten suara, roleplay NSFW, penulisan kreatif, pemrograman dan penggunaan lainnya. Makalah menemukan bahwa sekitar 25 % aplikasi yang diidentifikasi dapat diklasifikasikan sebagai ‘sangat berbahaya’. Sumber

Dengan memperhatikan pembatasan yang baru‑baru ini diterapkan di Inggris terhadap akses web (dan niat yang kini ditunda untuk juga membatasi akses VPN yang melewatinya); persyaratan California tahun 2027 bagi sebagian besar sistem operasi untuk mengumpulkan rentang usia pengguna dan menyediakannya ke aplikasi; skema UE untuk verifikasi usia dalam mengakses konten dewasa daring; serta larangan Australia terhadap akun media sosial bagi mereka yang di bawah enam belas tahun; makalah baru tampaknya sesuai dengan pola di mana peningkatan perhatian pada akhirnya memicu peningkatan pengawasan, regulasi, dan mungkin larangan selektif atau total.

Tidak Mungkin Terjadi Di Sini

Tidak, ini jelas bisa terjadi di sini, sebagian karena persentase penggunaan jahat yang tinggi, seperti yang diperkirakan penulis studi baru; dan, dapat diperdebatkan, karena kontrol akan menambah pembatasan pada tren AI yang dijalankan secara lokal, yang mungkin dipandang pemerintah dan institusi sebagai ancaman – terutama ketika model‑model tersebut dibebaskan dari kendali.

Dengan menggambarkan aktivitas decensoring sebagai ‘memfasilitasi’ output NSFW dan peretasan jahat, dapat dipresentasikan bahwa decensoring adalah proposisi biner yang keliru: karena dapat digunakan untuk hal buruk, maka harus tunduk pada regulasi. Dalam praktiknya, tampaknya tidak ada cara realistis untuk mengatur fungsi ini kecuali melarangnya secara total, mengingat banyaknya kemungkinan penggunaan.

Selain itu, dalam kasus di mana decensoring LLM dapat memungkinkan model menghasilkan (misalnya) fiksi CSAM, regulasi ketat tampaknya menjadi proposisi yang pasti, karena siapa pun yang menentangnya dapat secara diam‑diam dianggap ‘mendukung’ penggunaan jahat model yang tidak disensor, bukan penggunaan yang wajar.

Hal ini mengabaikan fakta bahwa model yang telah di‑fine‑tune atau dipengaruhi LoRA dapat jauh lebih efektif menghasilkan domain spesifik yang ingin diterapkan pengguna, karena bobot dasar model menjadi sangat terdistorsi ke arah tugas sehingga sepenuhnya meniadakan perlindungan yang dilatih sebelumnya.

Semua Tentang Kemudahan

Kemudahan penggunaan adalah pemicu adopsi secara luas, dan adopsi secara luas memicu tekanan pada pemerintah untuk membuat regulasi (baik dari kelompok tekanan publik, lobi industri, atau melalui tekanan antar‑pemerintah).

Walaupun fine‑tuning dan LoRA hampir pasti menghasilkan hasil yang lebih terarah dibandingkan hanya membuka kunci model fondasi FOSS, metode ini memerlukan disiplin dan upaya tertentu untuk diterapkan.

Setelah menjalankan model yang tidak disensor/terkuantisasi secara lokal benar‑benar menjadi urusan beberapa klik (karena pengguna hampir pasti mengunduh model ‘pra‑bebas’ daripada membobolnya sendiri dengan Heretik), aktivitas tersebut keluar dari kerahasiaan kalangan geek dan masuk ke domain publik, di mana penyalahgunaannya kemungkinan menjadi perdebatan politik.

Musim panas ini NVIDIA memimpin sekelompok mitra teknologi berat dalam mengantisipasi pembatasan pemerintah terhadap model sumber terbuka, melalui surat terbuka yang kembali menegaskan bahwa penyalahgunaan teknologi oleh minoritas tidak seharusnya mengancam manfaat umum potensialnya. Namun, pandangan ini terbukti tidak populer dalam beberapa tahun terakhir.

* Apakah pembuat model sungguh‑sungguh dalam keinginan mereka yang dinyatakan untuk membatasi aktivitas pengguna sering dipertanyakan, dengan perlindungan guardrail bahkan dibuang sebagai ‘teater’.