科技云報到原創(chuàng)。
25年前，著名的計算機程序員、開源軟件運動旗手Eric S·Raymond出版了《大教堂與集市》一書，首次提出了開放源代碼（Open Source）的概念，提倡軟件源代碼能被任何人查看、修改、分發(fā)。開源自此深刻影響了互聯(lián)網(wǎng)行業(yè)的每一個角落。
在大模型和GenAI崛起的當下，開源再次成為業(yè)界關注焦點，對于開源和閉源的爭論也久久未能平息。然而，大模型開源相比傳統(tǒng)軟件開源，情況要更加復雜。在開源的定義、性質、開放內容和開源策略上都有完全不同的標準和內容。因此，“開源派”的帽子并不是那么好戴的。
“開源”大模型再起波瀾
10月29日，全球權威的開放源代碼促進會（Open Source Initiative，OSI）發(fā)布了關于“開源AI定義（OSAID）”1.0版本，正是這一定義引起了業(yè)界不小的波瀾。
根據(jù)OSAID，AI模型若要被視為“開源”，必須提供足夠的信息，使任何人都可以“實質性地”重建該模型。根據(jù)新定義，AI大模型若要被視為開源有三個要點：
第一，訓練數(shù)據(jù)透明性。必須提供足夠的信息，使任何人能夠“實質性”地重建該模型，包括訓練數(shù)據(jù)的來源、處理方式和獲取方式；
第二，完整代碼。需要公開用于訓練和運行AI的完整源代碼，展示數(shù)據(jù)處理和訓練的規(guī)范；
第三，模型參數(shù)。包括模型的權重和配置，需提供相應的訪問權限。
OSAID還列出了開發(fā)者使用開源AI時應享有的使用權，例如可以為任何目的使用和修改模型，而無需獲得他人許可。
OSI稱，新定義是為了避免當前行業(yè)中對“開源大模型”的過度營銷和使用誤解。據(jù)此標準，當前市場上表面開源的大模型幾乎都“名不副實”，包括大名鼎鼎的“開源大模型”標桿Meta的Llama和谷歌的Gemma。
過去兩三年中，OSI發(fā)現(xiàn)傳統(tǒng)軟件行業(yè)的“開源”與大模型有著本質區(qū)別，定義并不適用當前火熱的AI大模型。因為AI大模型遠比傳統(tǒng)開源軟件更復雜：它不僅包含代碼，還涉及大量的數(shù)據(jù)、復雜的模型架構以及訓練過程中的各種參數(shù)等。而這些數(shù)據(jù)的收集、整理、標注等過程都對模型的性能和結果產(chǎn)生重要影響。傳統(tǒng)的開源定義無法全面涵蓋這些新的要素，導致在AI領域的適用性不足。
目前，全球許多初創(chuàng)企業(yè)和大型科技公司，稱其AI模型發(fā)布策略為“開源”，因為將大模型描述為“開源”會被開發(fā)者認為更易開發(fā)、更低成本、更多資源。但研究人員發(fā)現(xiàn)，許多開源模型實際上只是名義上開源，它們限制了用戶可以對模型做什么，并且實際訓練模型所需的數(shù)據(jù)是保密的，而且運行這些模型所需要的計算能力超出了許多開發(fā)者的能力范圍。例如，Meta要求月活躍用戶超過7億的平臺獲得特殊許可才能使用其Llama模型。
無獨有偶，今年6月，《Nature》的一篇報道指出，很多科技巨頭宣稱他們的AI模型是開源的，但實際上并不完全透明。這些模型的數(shù)據(jù)和訓練方法往往沒有公開，這種做法被稱為 “開源洗白”，嚴重妨礙了科學研究的可復現(xiàn)性和創(chuàng)新。
荷蘭拉德堡德大學的人工智能研究學者Andreas Liesenfeld和計算語言學家Mark Dingemanse也發(fā)現(xiàn)，雖然“開源”一詞被廣泛使用，但許多模型最多只是“開放權重”，關于系統(tǒng)構建的其他大多數(shù)方面都隱藏了起來。
比如Llama和Gemma雖然自稱開源或開放，但實際上只是開放權重，外部研究人員可以訪問和使用預訓練模型，但無法檢查或定制模型，也不知道模型如何針對特定任務進行微調。
“開源”大模型到底開放了什么？
對于社區(qū)中的開源軟件來說，源代碼是其核心。開發(fā)者通過閱讀源代碼可以掌握該軟件的全部細節(jié)，進而可以為該軟件開發(fā)新的功能、提供測試、修復Bug以及做代碼評審等。
開發(fā)者提交自己的代碼到開源項目，合入后就形成了新的版本。這就是開放式協(xié)作開發(fā)，它是開源軟件的基本開發(fā)模式，與普通軟件的開發(fā)過程并沒有本質的不同，只是開發(fā)人員在地理位置上是分散的，他們依靠一些遠程協(xié)作平臺，比如GitHub、Gitee 等，以開放式治理的方式進行協(xié)作。
但是對于大模型來說，除了源代碼以外，數(shù)據(jù)是更為重要的核心資產(chǎn)。大模型是基于深度學習技術，通過海量數(shù)據(jù)進行訓練而來的深度學習模型，大模型能夠基于自然語言來實現(xiàn)文本的生成和理解，根據(jù)輸入的數(shù)據(jù)得到輸出，從而完成多類型的通用任務。
在大模型的運轉方面，主要就是訓練和推理兩個過程，訓練過程就是大模型產(chǎn)生的過程，訓練過程的基本原理是在深度學習框架上運行特定的模型架構，然后把訓練數(shù)據(jù)集輸入給架構，再通過復雜的計算和多次迭代，最后得到一套想要的權重，而這套權重就是訓練后的結果，也叫預訓練模型。
預訓練模型在經(jīng)過部署之后，以及在得到深度學習框架的支持之下，根據(jù)給定的輸入內容得到對應的輸出結果，這一套流程就是推理過程。
但需要說明的是，在大模型訓練和推理過程中，往往所需要的算力和資源的差異很大。在訓練過程中，需要很多次的迭代計算，且需要具備海量GPU算力做支持，這樣才能在合理的時間范圍內完成一次完整的訓練過程。另外，在推理過程中，需要的算力資源卻相對較小，因為推理的時候在消費型GPU以及普通的GPU上就可以完成一次一般類型的推理。
根據(jù)目前情況來看，市面上絕大多數(shù)開源大模型開放出來的只是一套權重，也就是預訓練模型，如果開發(fā)者想要復現(xiàn)該開源大模型的訓練過程，需要通過優(yōu)化數(shù)據(jù)集、方法等訓練出一個更優(yōu)質的模型，而且需要數(shù)據(jù)集、訓練過程和源代碼，但是大部分開源大模型在開源的時候并未提供上面所需要的這些內容，就算開發(fā)者掌握算力也無法復現(xiàn)。
市面上這些類比傳統(tǒng)軟件的開源大模型更像是一個開放了的二進制包，比如.exe文件，只是閉源、免費開放使用的，它其實是一個“免費軟件”而不是一個“開源軟件”。
大模型所謂的“開源”，實際上是有三個對象，源碼只是其中之一，需要同時具備算法、高算力、大數(shù)據(jù)這三大要素，才有可能最終得到一款和ChatGPT類似效果拔群的模型。
大模型的源碼就在算法，算法的核心部分主要包括有模型結構和訓練方法，這兩部分都有對應的源碼。拿到源碼只是第一步，高算力和大數(shù)據(jù)是大多數(shù)企業(yè)無法逾越的門檻。相比高算力而言，大數(shù)據(jù)是最難獲取同時也是價值最高的部分。
那么，開源大模型在不提供數(shù)據(jù)集和源代碼的前提下，是不是就不能進行協(xié)作了呢？并非完全如此。
基于大模型的實現(xiàn)原理和技術特性，開發(fā)者可以通過微調的方式對預訓練大模型進行能力擴展，通過額外的數(shù)據(jù)集進行進一步的訓練，優(yōu)化模型在特定領域的效果，得到一個新的衍生模型。
微調數(shù)據(jù)規(guī)?？纱罂尚?，但通常比原始訓練數(shù)據(jù)集小得多，所以產(chǎn)生一個微調模型所需的算力成本也低得多。
因此，在開源大模型界，出現(xiàn)了一些以主流預訓練模型為基礎底座衍生的微調大模型，并形成了譜系。
大模型根本沒有“真”開源？
從當前各家大模型廠商的宣傳看，大多采用了“以偏概全”“避重就輕”的方式，很容易讓人混淆模型開源和軟件開源的概念，讓開發(fā)者或企業(yè)誤認為開源大模型與開源軟件是同等開源水平。
無論是大模型還是軟件，發(fā)揮開源優(yōu)勢，本質上是吸收開發(fā)者對大模型或軟件的改進。但其實，目前所謂的開源大模型無法真正像開源軟件一樣，靠社區(qū)開發(fā)者一起參與來提升效果和性能。應用開源大模型的企業(yè)，也很難迭代并優(yōu)化這些模型，以至于無法高效地應用于企業(yè)場景。
至于什么是開源大模型，業(yè)界并沒有像開源軟件一樣達成一個明確的共識。
綜合來看，大模型的開源和軟件開源在理念上的確有相似之處，都是基于開放、共享和協(xié)作的原則，鼓勵社區(qū)共同參與開發(fā)和改進，推動技術進步并提高透明性。
然而，在實現(xiàn)和需求上有顯著區(qū)別。
軟件開源主要針對應用程序和工具，開源的資源需求較低，而大模型的開源則涉及大量計算資源和高質量的數(shù)據(jù)，并且可能有更多使用限制。因此，雖然兩者的開源都旨在促進創(chuàng)新和技術傳播，但大模型開源面臨更多的復雜性，社區(qū)貢獻形式也有所不同。
國內此前也曾爆發(fā)過大模型開源與閉源的討論。百度創(chuàng)始人李彥宏多次強調了兩者的區(qū)別，大模型開源不等于代碼開源：“模型開源只能拿到一堆參數(shù)，還要再做SFT（監(jiān)督微調）、安全對齊，即使是拿到對應源代碼，也不知道是用了多少比例、什么比例的數(shù)據(jù)去訓練這些參數(shù)，無法做到眾人拾柴火焰高，拿到這些東西，并不能讓你站在巨人的肩膀上迭代開發(fā)?！?/p>
由此來看，目前對開源大模型的改進主要通過微調實現(xiàn)，但因微調主要針對模型輸出層調整不涉及核心構架和參數(shù)，無法從根本上改變模型的能力和性能。
即便是“真開源”，受技術特性與訓練成本所限，開放式協(xié)作對大模型性能提升效果也有限。大模型訓練過程需要耗費大量算力，算力成本居高不下，即便創(chuàng)作者開源數(shù)據(jù)集和訓練細節(jié)，普通開發(fā)者也很難承擔復現(xiàn)訓練過程的高昂訓練成本，模型能力難以因開放而得到實質提升。
數(shù)據(jù)顯示，ChatGPT一次完整的模型訓練成本超過8000萬元。如果進行10次完整的模型訓練，成本便高達8億元。
站在企業(yè)角度，選擇一款大模型產(chǎn)品或應用，需要根據(jù)組織的具體需求和戰(zhàn)略目標來決定。
李彥宏認為，評價一個模型，維度是多方面的，不僅是看到榜單上的多項能力，也要看效果看效率。當大模型加速駛入商業(yè)應用之后，在追求高效率和低成本的情況下，真正的衡量標準應是模型在實際應用中能否滿足用戶需求和產(chǎn)生價值。
大模型應用是涵蓋“技術+服務”的一套完整解決方案，對單一方面的忽略或考慮不足都會影響到企業(yè)的“降本增效”效果，更有甚者會起到“增本降效”的負面效果，因此需要通過“算總賬”進行綜合考量。
對于如何選擇大模型這件事，企業(yè)也無需過于糾結，應該將關注點放在哪個大模型更好用、如何匹配自身的實際業(yè)務需要，從而選擇最適合企業(yè)自身業(yè)務場景的大模型平臺，然后專注于應用開發(fā)。那么企業(yè)如何選擇呢？
首先，要計算硬件資源成本。一些商業(yè)大模型會配套相應的工具鏈，包括訓練工具鏈、推理工具鏈，這些工具鏈能夠起到比較好的降本效果，對企業(yè)來說，訓練環(huán)節(jié)能大約省10~20%的硬件成本，推理環(huán)節(jié)則省得更多，業(yè)務規(guī)模越大，省得越多。
其次，要看模型帶來的業(yè)務收益。一些業(yè)務對于90%還是95%的準確率敏感度沒那么高。但有一些業(yè)務，比如商業(yè)廣告類，CPM、CTR差一個點，對廣告平臺來說一天可能就有上千萬的出入，這時候對模型的效果要求越高的企業(yè)，就更愿意去買一個效果更好的模型。
第三，要考慮機會成本和人力成本。在一些商業(yè)大模型中，廠商會根據(jù)企業(yè)業(yè)務需求把模型和硬件進行適配，并調到最優(yōu)狀態(tài)，讓企業(yè)可以直接復制成熟經(jīng)驗，這樣就大大降低了大模型在適配過程中的算力、人力等多項成本。
面對行業(yè)的大模型開源閉源、真假開源之爭，我們無需以道德綁架要求所有大模型都開源，因為這涉及大量技術、資源和安全考量，需要平衡開放與安全、創(chuàng)新與責任。正如科技領域的其他方面一樣，多元化的貢獻方式才能構建一個更豐富的技術生態(tài)系統(tǒng)。
真正的大模型開源時刻還遠未到來，正如開源和專有軟件共同塑造了今天的軟件生態(tài)，大模型的開源與否以及開源程度也并非完全對立，多種技術路線并存發(fā)展是推動AI技術不斷進步、滿足不同應用場景需求的重要動力。最終，用戶和市場會作出適合自己的選擇。
【關于科技云報到】企業(yè)級IT領域Top10新媒體。聚焦云計算、人工智能、大模型、網(wǎng)絡安全、大數(shù)據(jù)、區(qū)塊鏈等企業(yè)級科技領域。原創(chuàng)文章和視頻獲工信部權威認可，是世界人工智能大會、數(shù)博會、國家網(wǎng)安周、可信云大會與全球云計算等大型活動的官方指定傳播媒體之一。
免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。
免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產(chǎn)權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。
