开源大模型的标杆 Llama 3，居然都「被闭源」了。今天，开源再次成为了人们讨论的话题。
如今，开源的人工智能算法无处不在，从个人开发者到大型科技公司，大家都在享受最新技术带来的成果。
就连目前最热门的大模型领域，也区分了开源和闭源两个互相竞争的大方向。人们认为，随着开源技术的扩散与交流，开源的大模型最终将赶上 OpenAI 这样的业界顶尖水平。这或许就是扎克伯格等人理想中的繁盛景象。
不过，在层出不穷的新 AI 模型评论区里，我们也经常看到有人吐槽「连权重、数据都没有，这算什么开源？」
这个时候，一家有影响力的机构终于决定站出来，对开源这件事下一个定义了。
今年 10 月，「真开源」定义就要来了
开放源代码促进会（OSI）最近公布了其对「开源 AI」的最新定义草案。此举旨在澄清 Open Source 这一术语在快速发展的科技领域中，经常出现的模糊用法。
这个定义似乎来的正是时候。一个月前，大模型领域刚刚经历过一轮开源技术更新。Meta 发布了迄今为止最强的开源大模型 Llama 3.1 405B，宣布所有 Llama 版本的总下载量已超过 3 亿次，创业公司 Mistral 也紧接着宣布开源了 Large 2 大模型。
这些公司发布的预训练 AI 语言模型带有权重使用限制，同时继续使用了「开源」标签。这引发了开发者们对 AI 技术背景下什么才是真「开源」的激烈争论。
因为最近一段时间，开源变得越来越像是一个营销术语，将大模型描述为「开源」可以让人们对其变得更加信赖，即使研究人员和开发者时常会被这些许可证所限制。
Llama-3.1 发布的时候，Yann LeCun 曾宣传了开源的优势。
OSI 给出的定义下，很多事情需要我们来重新审视。例如，Meta 的 Llama 3 模型虽然可以自由获取，但 Meta 针对使用 Llama 系列模型的公司规模及通过该模型生成的内容类型，设定了特定的许可限制。因此，Llama 不符合 OSI 为软件定义的传统开源标准。
文生图模型 Flux 实际上也不是真正的开源。由于这种模糊性，OSI 通常用「开放权重」或「代码可用」等术语来指代那些含有代码或权重限制或缺乏配套训练数据的 AI 模型。
为了正式解决「真假开源」的问题，一向倡导开源的 OSI 召集了一个专家团队来为「开源」下定义。这个约 70 人的团队由研究人员、律师、政策制定者组成，其中还有来自 Meta、Google 和亚马逊等大型科技公司的代表。他们起草的最新草案为判断 AI 模型是否符合开源标准提出了「四项基本自由」：不限制使用目的，允许深入研究其工作原理，支持随意修改，无论是否进行过修改都允许用户自由分享模型。
这「四项基本自由」也沿用了人们对开源软件的定义。OSI 希望通过对「开源 AI」树立明确的标准，方便开发者、研究人员和用户在创建、研究或使用 AI 工具做出更明智的决策。
OSI 执行董事 Stefano Maffulli 在 Linux 基金会 AI_dev 大会上发布了对开源定义的最新版草案
换句话说，开源对于 AI 更加稳定安全：如果 AI 模型做到了真正的「开源」，研究人员将能分析 AI 模型背后的工作方式，AI 系统的潜在软件漏洞也将更加明显。相较于 OpenAI 的「闭源」系统 ChatGPT，其确切的架构是一个严格保密的秘密。
据 OSI 的项目时间表显示，他们预计在 2024 年 10 月在 All Things Open 会议上正式宣布「开源 AI」定义的最终版。
那么在这个定义下，有哪些大模型是「开源」的呢？据说在第一批名单里包括 EleutherAI 的 Pythia、Ai2 的 OLMo 和开源集体 LLM360 等。
「创新不应该需要许可」
在五月份的新闻发布会上，OSI 强调了为真正的「开源」AI 厘清定义的重要性。「AI 与常规软件不同，需要迫使所有利益相关者重新审视开源原则对该领域的适用性」，OSI 的执行董事 Stefano Maffulli 说，「OSI 相信每个人都应保有对技术的主导权和控制权。我们还认识到，当定义明确后，它将推动 AI 系统更加透明、更紧密的协作和无需许可的创新，市场就会繁荣发展。」
OSI 的最新草案不止要求「开源」模型本身及其权重，还要求对整个系统更加广义的开放。 一个 AI 系统要想被认定为「开源」，必须提供 OSI 定义的「适合修改的形式」，其中包括训练数据的详细信息、用于训练和运行系统的全部源代码，以及模型权重和参数。这些都必须在 OSI 认可的许可证或条款下提供。
值得注意的是，这份草案并没有强制要求公开原始训练数据。相反，它要求提供关于训练数据和方法的详细元数据。比如数据的来源、选择标准、预处理技术以及其他相关细节，方便研究者重建类似的系统。
这种方法旨在不公开实际数据集的情况下提供透明度和可复制性，在坚持开源原则的同时，从表面上解决了潜在的隐私和版权问题。不过是否能达成预计的效果，可能还有待进一步讨论。
训练数据的来源缺乏透明度，已经导致了一系列针对大型 AI 公司的诉讼。从 OpenAI 这样的业内带头人到 Suno 这样的小应用，这些公司的生成式 AI 产品除了声称包含「可公开访问的信息」外，并未披露太多有关其训练集的信息。很多人呼吁开源模型应该披露所有训练集，不过由于版权和数据所有权等问题，这一标准很难执行。
「这个定义最有趣的是，他们允许不公开训练数据，」独立 AI 研究员 Simon Willison 在接受外媒 Ars Technica 采访时说道：「这是一个非常务实的方法 —— 如果不允许这样，那就几乎就没有模型算『开源』了。」
OSI 想明确「开源」的定义，这个想法可以追溯到 2022 年，当时它首次开始联系有关组织，邀请他们一起来定义这个术语。
「经过近两年，我们从世界各地征求意见，来确定适合 AI 系统的开源原则，OSI 现在正在全球巡讲，希望能够完善并验证草案中的定义，」Maffulli 表示，「定义『开源』的研讨会仍在进行，现在参与还不晚，可以通过 OSI 网站找到论坛，发表评论建言献策。」
当最终定义在 10 月揭晓时，新的「开源」AI 定义可能对行业产生深远影响。它将影响公司以何种形式发布 AI 模型，并塑造未来的法规，例如加州备受争议的 SB-1047 法案。
希望新的定义，能够进一步推动大模型领域的技术创新。
