图灵汇官网

Meta 坚持开源，不过这一做法在行业内依然招致不少批评。开放源代码促进会负责人 Stefano Maffulli 曾公开表示，称 Llama 模型为“开放”是误导用户并对“开放”这一概念造成污染。在大多数人眼中，“开放”往往意味着透明、共享与合作，尤其在开源软件领域。然而，在人工智能（AI）领域，“开放”却引发了诸多模糊和争议。

实际上，AI 行业资源高度集中，“开放”的真实含义及其影响需要进一步探讨。本文将深入解析“开放”AI 的定义、本质特征及局限性，以及它对资源共享、技术创新和市场竞争产生的影响。

“开放”AI 的定义

权威科学期刊《自然》上的一篇文章详细探讨了“开放”AI 的定义、本质特征与局限性。研究者指出，尽管“开放”AI 这个术语被广泛采用，但其实际内涵并不清晰。当代 AI 系统的开发和应用高度依赖集中资源，即使标榜“开放”的 AI，其透明性、可复用性和扩展性仍受限于资源垄断。

“开放”AI 的定义与挑战

“开放”这一概念在 AI 领域常被误用和扩展。“开放”源自开源软件运动，具有透明、可复用和公平的特点。然而，直接将这些特点应用于现代 AI，特别是生成式 AI，面临以下难题：

• 模型复杂性与黑箱性：现代 AI 系统由复杂的神经网络构成，仅公开模型权重和代码不足以全面揭示其运行原理。
• 资源依赖性：这些模型的开发和训练需要大量资金和数据，这些资源大多掌握在少数大公司手中。
• 技术应用的不平衡：虽然“开放”的模型可供使用，但它们可能被不当利用，而最初的开发者对此难以施加影响。

“开放”AI 的优劣势

文章作者还分析了“开放”AI 的三大核心优势，并客观指出了其潜力与不足之处。尽管“开放”AI 在资源共享、技术创新和数据利用方面具有显著优势，但它未能从根本上打破少数大公司主导行业的局面。

• 透明性：透明性是“开放”AI 的重要特性之一。部分 AI 模型会公开训练数据、权重或文档，方便研究人员验证系统行为。但透明性无法完全解释系统的复杂行为。
• 可复用性：第三方可以基于“开放”AI 的现有模型或数据进行二次开发。公开许可的数据和模型权重，加上常见的开源许可，为“开放”AI 对市场竞争的积极影响提供了依据。不过，市场准入仍是一种受限资源。
• 扩展性：“开放”AI 的扩展性体现在用户能够基于基础模型进行微调，以适应特定领域或任务。这是公司支持“开放”AI 的关键属性。

资源与权力分配

尽管“开放”AI 富有潜力，但 AI 系统的开发和应用离不开高度集中的关键资源，如模型、数据、人力、算力和开发框架。这些资源不仅决定技术的可用性，也深刻影响市场竞争和权力分配。

具体来看，在“开放”AI 的讨论中，AI 模型是最显眼的部分。许多模型只提供接口，用户无法深入了解其内部机制或进行修改。即使是相对透明的模型，也依赖于企业独有的训练资源，其他开发者难以复制这些资源，从而无法公平竞争。

结论

总体而言，“开放”AI 在透明度和共享方面有一定价值，但无法单独解决 AI 领域权力集中和资源分配不公的问题。目前关于“开放”的讨论更多是大公司用来规避监管和抢占市场的手段。若想真正改善现状，需要更有力的措施介入，比如反垄断执法和数据隐私保护。否则，单纯追求开放性很难带来实质性的好处。

未来，各方应更加关注 AI 的实际影响，而不是仅限于“开放”与“封闭”之间的争论。唯有从政策和技术层面入手，才能构建更公平、更负责任的 AI 生态系统。