Западные модели с открытыми весами могут дать компаниям больше контроля над ИИ

Новые западные модели с открытыми весами могут дать компаниям альтернативу китайскому ИИ и проприетарным решениям, но больший контроль влечёт за собой и новые обязанности.

Компаниям, стремящимся самостоятельно размещать, настраивать и контролировать свои системы ИИ, всё чаще приходилось выбирать между гибкостью моделей с открытыми весами китайских компаний и проприетарными западными моделями, которые позволяют поставщикам в большей степени контролировать разработку и развёртывание моделей.

Но этот выбор начал расширяться. Поддерживаемая Nvidia компания Reflection AI на этой неделе выпустила свою модель с открытыми весами Beam, а французская лаборатория ИИ Mistral представила новую модель Large 4, предложив компаниям новые западные варианты на рынке моделей с открытыми весами.

Для компаний значение этих запусков выходит за рамки результатов моделей в бенчмарках. Если модели окажутся достаточно мощными, они могут дать организациям, избегающим китайских систем из-за опасений по поводу безопасности, обработки данных, происхождения моделей, юрисдикции или соблюдения нормативных требований, западную альтернативу для задач, которые они хотят выполнять на моделях с открытыми весами.

«Главное изменение состоит в том, что модели с открытыми весами становятся для западных компаний реальным вариантом при выборе поставщика, а не просто тем, с чем экспериментируют исследовательские команды», — сказал Джитт Паттанаик, основатель и технический директор Glokal AI, поставщика ИИ-решений для компаний. «Теперь вопрос не в том, могут ли компании использовать модели с открытыми весами, а в том, какие задачи им следует на них выполнять», — сказал он.

До сих пор самые мощные модели с открытыми весами были в основном китайскими, сказал Паттанаик, что создавало трудности для таких организаций, как банки, страховые компании и государственные учреждения, которые сталкиваются с ограничениями, связанными с происхождением моделей и соблюдением нормативных требований.

Лидерство Китая в разработке открытых моделей не вечно

Китайские компании заняли ведущие позиции в области ИИ с открытыми весами: модели Alibaba, DeepSeek, Moonshot и Z.ai завоевали популярность благодаря своим возможностям и сравнительно низким эксплуатационным затратам.

Counterpoint Research включила китайские модели, в том числе Kimi и GLM, в число наиболее производительных систем с открытыми весами на рынке.

Принс Коли, президент и генеральный директор Sauce Labs, облачной платформы для тестирования программного обеспечения, сотрудничавшей с поставщиками моделей с открытыми весами, сказал, что раннее лидерство китайских разработчиков было отчасти обусловлено необходимостью. Ограниченность ресурсов заставила их раньше сосредоточиться на снижении затрат и эффективном использовании оборудования, тогда как западные компании в сфере ИИ направляли больше ресурсов на достижение передовых показателей производительности моделей.

«Это дало китайским разработчикам фору и, как следствие, временное преимущество в соотношении цены и производительности, а также в экспериментах с моделями с открытыми весами», — сказал Коли.

Коли ожидает, что разрыв между западными и китайскими моделями сократится по мере того, как всё больше западных инженерных ресурсов будет направляться на оптимизацию. Он отметил, что «ничто в принципе не мешает западным разработчикам добиться такого же снижения затрат и повышения эффективности оборудования, которые дали китайским моделям раннее преимущество».

Хотя модели ещё нуждаются в независимом тестировании, им не обязательно лидировать во всех бенчмарках, чтобы быть полезными компаниям. «Они должны быть достаточно мощными для конкретных задач и предлагать жизнеспособную альтернативу проприетарным моделям», — сказал Коли.

Значение этих изменений для компаний выходит за рамки производительности моделей. Важно и то, что они могут делать с моделью после её развёртывания.

Контроль важнее стоимости

Для компаний привлекательность ИИ с открытым исходным кодом чаще связана с большей автономией, чем со снижением затрат. Используя модель с открытыми весами, компания может запускать систему в собственной среде, хранить конфиденциальные данные в её пределах и самостоятельно решать, когда перейти на новую версию модели. Она также может дообучать модель на собственных данных.

Коли сказал, что самостоятельное развёртывание особенно важно, поскольку даёт компаниям больше контроля над данными, что может иметь решающее значение в оборонной сфере, государственном секторе и строго регулируемых отраслях.

«Дообучение также позволяет компаниям адаптировать модели, используя частные данные для конкретной предметной области, и создавать возможности ИИ, которые они могут контролировать как интеллектуальную собственность», — сказал он. Организации также могут самостоятельно устанавливать правила обновления моделей и прекращения их использования, снижая риск внезапных изменений производительности или качества.

При больших и стабильных объёмах затрат стоимость всё ещё может иметь значение, но, если учитывать графические процессоры, персонал и оценку моделей, модели с открытыми весами не обязательно обходятся дешевле при небольших объёмах задач, сказал Паттанаик.

Главное преимущество заключается в том, насколько большую часть стека ИИ компании могут контролировать самостоятельно, и это также делает важной возможность переноса решений. «Если отделить приложения, запросы и логику ИИ от конкретного поставщика моделей, будет проще менять модели по мере изменения потребностей», — сказал Паттанаик.

Компании также могут использовать разные модели для разных задач: небольшую открытую модель — для рутинных задач с большим объёмом запросов, а передовую проприетарную модель — для задач, требующих более сложных рассуждений, сказал он.

Но больший контроль означает и большую ответственность. Открытые веса — в отличие от общедоступных обучающих данных, которые предлагают полностью открытые системы, — не обязательно обеспечивают прозрачность того, как обучалась модель и какие данные использовались для её создания. Компания может контролировать, где работает модель, не имея возможности полностью проверить её внутреннее устройство.

Лицензионные условия тоже различаются, поэтому правила коммерческого использования, модификации и распространения становятся важной частью оценки моделей для предприятий. Организации, запускающие собственные модели, также берут на себя большую ответственность за безопасность, оценку производительности, обновления и управление.

«Вероятность нельзя проверить, поэтому средства контроля должны находиться вне модели — открытая она или закрытая», — сказал Паттанаик.

Таким образом, открытые веса — не способ обойти управление ИИ. Предприятиям по-прежнему необходимы средства контроля, охватывающие безопасность модели, её оценку, обновления и другие процессы управления.

Настоящая проверка — внедрение в предприятиях

Reflection AI и Mistral не обязательно должны навсегда обойти китайских разработчиков, чтобы предприятия выиграли от усиления рынка западных моделей с открытыми весами. Их успех будет зависеть от того, сочтут ли предприятия эти модели достаточно функциональными, надёжными и заслуживающими доверия для реальных рабочих нагрузок.

Это может изменить подход предприятий к выбору моделей. Вместо выбора между проприетарными западными моделями и китайскими моделями с открытыми весами организации смогут использовать более широкий набор моделей в зависимости от рабочей нагрузки, нормативных требований и необходимого уровня контроля.

По мере сближения западных и китайских моделей по возможностям, как ожидает Кохли, при внедрении всё большую роль будут играть другие факторы, в том числе качество, надёжность, стоимость и доверие. По его словам, когда стоимость токенов станет достаточно сопоставимой, у предприятий появится больше оснований оценивать, насколько стабильно работают модели и могут ли они полагаться на политики поставщика и происхождение данных.

«Предприятиям нужны предсказуемые результаты, высокая эффективность в сложных сценариях использования и возможность сохранять свободу выбора модели, а не привязываться к одному поставщику, — сказал Кохли. — Кроме того, они должны доверять происхождению данных и политикам поставщика».