Przebudowanie Otwartego Oprogramowania w Erze Sztucznej Inteligencji

Model oprogramowania open-source – etos rozwoju oprogramowania, w którym kod źródłowy jest udostępniany bezpłatnie do publicznej redystrybucji lub modyfikacji – od dawna jest katalizatorem innowacji. Idea ta powstała w 1983 roku, kiedy Richard Stallman, programista, został zirytowany czarną skrzynką swojej drukarki z zamkniętym kodem źródłowym.

Jego wizja zaowocowała ruchem wolnego oprogramowania, który przyprowadził do powstania ekosystemu open-source, który napędza większość dzisiejszego internetu i innowacji oprogramowania.

Ale to było ponad 40 lat temu.

Dziś sztuczna inteligencja generatywna, ze swoimi unikalnymi wyzwaniami technicznymi i etycznymi, zmienia znaczenie “otwartości”, wymagając, abyśmy ponownie rozważyli i dostosowali paradygmat oprogramowania open-source – nie aby go porzucić, ale aby go dostosować.

Sztuczna Inteligencja a Wolności Open-Source

Cztery fundamentalne wolności oprogramowania open-source – możliwość uruchomienia, zbadania, zmodyfikowania i redystrybucji dowolnego kodu oprogramowania – są w sprzeczności z naturą sztucznej inteligencji generatywnej w kilku sposób:

• Uruchomienie: modele AI często wymagają bardzo wysokich kosztów infrastruktury i obliczeniowych, które ograniczają dostęp ze względu na ograniczenia zasobów.
• Zbadanie i zmodyfikowanie: modele AI są niezwykle złożone, więc zrozumienie i zmodyfikowanie ich bez dostępu do kodu i danych, które je informują, jest znacznym wyzwaniem.
• Redystrybucja: wiele modeli AI ogranicza redystrybucję ze względu na swoją konstrukcję, szczególnie te z wytrenowanymi wagami i własnościowymi zbiorami danych należącymi do dostawcy platformy.

Erozja tych podstawowych zasad nie wynika z złośliwych intencji, ale raczej z samej złożoności i kosztów nowoczesnych systemów AI. W rzeczywistości koszty szkolenia modeli AI na poziomie stanu techniki dramatycznie wzrosły w ostatnich latach – koszty szkolenia modelu GPT-4 firmy OpenAI miały wynieść do 78 milionów dolarów, bez wynagrodzeń dla pracowników, z całkowitymi wydatkami przekraczającymi 100 milionów dolarów. ​

Złożoność „Otwartego Oprogramowania” AI

Prawdziwie otwarty model AI wymagałby całkowitej przejrzystości kodu źródłowego inferencji, kodu źródłowego szkolenia, wag modelu i danych szkoleniowych. Jednak wiele modeli oznaczonych jako “otwarte” udostępnia tylko kod inferencji lub częściowe wagi, podczas gdy inne oferują ograniczone licencje lub ograniczają użycie komercyjne.

Ta bezstronna otwartość tworzy iluzję zasad open-source, podczas gdy w praktyce jest niewystarczająca.

Zastanów się, że analiza przeprowadzona przez Inicjatywę Otwartego Oprogramowania (OSI) wykazała, że kilka popularnych dużych modeli językowych oznaczonych jako open-source – w tym Llama2 i Llama 3.x (rozwijanych przez Meta), Grok (X), Phi-2 (Microsoft) i Mixtral (Mistral AI) – są niezgodne z zasadami open-source.

Wyzwania Zrównoważoności i Motywacji

Większość oprogramowania open-source została zbudowana na podstawie wysiłków wolontariuszy lub finansowanych grantami, a nie na kosztownych infrastrukturach. Modele AI są drogie w szkoleniu i utrzymaniu, a koszty te będą tylko rosły. CEO Anthropic, Dario Amodei, przewiduje, że może to kosztować do 100 miliardów dolarów, aby wytrenować model na poziomie stanu techniki.

Bez zrównoważonego modelu finansowania lub struktury motywacji, deweloperzy stają przed wyborem pomiędzy ograniczeniem dostępu za pomocą zamkniętego oprogramowania lub licencji niekomercyjnych, a ryzykiem bankructwa.

Wprowadzające w Błąd Pojęcia „Otwartych Wag” i Licencjonowania

Dostępność modeli AI stała się coraz bardziej niejasna, z wieloma platformami, które reklamują się jako “otwarte”, podczas gdy wprowadzają ograniczenia, które fundamentalnie sprzeczne są z prawdziwymi zasadami open-source. Ten „sztuczny trik” objawia się na wiele sposobów:

• Modele oznaczone jako “otwarte wagi” mogą całkowicie zabronić użycia komercyjnego, utrzymując je raczej jako akademickie ciekawostki niż praktyczne narzędzia biznesowe dla publiczności do eksploracji i rozwoju.
• Niektórzy dostawcy oferują dostęp do wstępnie wytrenowanych modeli, ale gorliwie strzegą swoich zbiorów danych szkoleniowych i metodologii, uniemożliwiając w ten sposób poważne odtworzenie lub weryfikację ich wyników.
• Wiele platform nakłada ograniczenia redystrybucji, które uniemożliwiają deweloperom budowanie lub ulepszanie modeli dla ich społeczności, nawet jeśli mogą w pełni „dostęp” do kodu.

W tych przypadkach “otwarte dla badań” to po prostu eufemizm dla “zamkniętego dla biznesu”. Wynikiem jest nieuczciwa forma blokady dostawcy, gdzie organizacje inwestują czas i zasoby w platformy, które wydają się otwarte, aby odkryć krytyczne ograniczenia, gdy próbują skalować lub komercjalizować aplikacje.

Rezultatem jest nie tylko frustracja wśród deweloperów, ale także podważanie zaufania w ekosystemie AI. Tworzy niewłaściwe oczekiwania wśród stakeholderów, którzy słusznie zakładają, że “otwarte” AI jest porównywalne z społecznościami oprogramowania open-source, gdzie przejrzystość, prawa modyfikacji i swoboda komercyjna są utrzymane.

Prawny Opóźnienie

Szybki postęp sztucznej inteligencji generatywnej już teraz wyprzedza rozwój odpowiednich ram prawnych, tworząc skomplikowaną sieć wyzwań własności intelektualnej, które nasilają już istniejące obawy.

Pierwsze główne pole bitwy prawnej dotyczy użycia danych szkoleniowych. Modele głębokiego uczenia się korzystają z dużych zbiorów danych z Internetu, takich jak publicznie dostępne obrazy i teksty stron internetowych. Ten ogromny zbiór danych wywołał gorące debaty na temat praw własności intelektualnej. Firmy technologiczne twierdzą, że ich systemy AI studiują i uczą się z chronionych prawem autorskim materiałów, aby tworzyć nowe, transformatywne treści. Właściciele praw autorskich twierdzą jednak, że te firmy AI nielegalnie kopiują ich prace, generując konkurencyjne treści, które zagrażają ich źródłom utrzymania.

Własność dzieł pochodnych wygenerowanych przez AI reprezentuje kolejną niejasność prawną. Nikt nie jest do końca pewien, jak klasyfikować treści wygenerowane przez AI, poza Urzędem Praw Autorskich w USA, który stwierdza, że “jeśli AI w całości generuje treści, nie mogą one być chronione prawem autorskim”.

Prawna niepewność wokół sztucznej inteligencji generatywnej – szczególnie w odniesieniu do naruszeń praw autorskich, własności dzieł pochodnych wygenerowanych przez AI i nieautoryzowanego korzystania z danych szkoleniowych – staje się jeszcze bardziej skomplikowana, gdy modele AI podstawowe stają się narzędziami o znaczeniu geopolitycznym: Narody rywalizujące o rozwój lepszych możliwości AI mogą być mniej skłonne do ograniczania dostępu do danych, stawiając kraje z surowszymi ochronami własności intelektualnej w niekorzystnej pozycji.

Czym Musi Stać się Otwarte Oprogramowanie w Erze Sztucznej Inteligencji

Pociąg sztucznej inteligencji generatywnej już odjechał i nie wykazuje oznak zwolnienia. Chcemy zbudować przyszłość, w której AI zachęca do innowacji, a nie ją tłumi. W tym przypadku liderzy technologiczni potrzebują ramy, która gwarantuje bezpieczne i przejrzyste użycie komercyjne, promuje odpowiedzialne innowacje, zajmuje się własnością danych i licencjonowaniem, oraz różnicuje pomiędzy “otwartym” a “darmowym”.

Powstający koncept, Licencja Open Commercial Source, może oferować drogę do przodu, proponując bezpłatny dostęp do użycia niekomercyjnego, licencjonowany dostęp do użycia komercyjnego oraz uznanie i poszanowanie pochodzenia i własności danych.​​

Aby dostosować się do nowej rzeczywistości, społeczność open-source musi opracować modele licencjonowania AI-specyficzne, utworzyć partnerstwa publiczno-prywatne, aby sfinansować te modele, oraz ustanowić zaufane standardy przejrzystości, bezpieczeństwa i etyki.

Otwarte oprogramowanie zmieniło świat raz. Sztuczna inteligencja generatywna zmienia go ponownie. Aby zachować ducha otwartości, musimy ewoluować literę prawa, uznając unikalne wymagania AI, jednocześnie rozwiązując wyzwania, aby stworzyć inkluzywny i zrównoważony ekosystem.