本文來自微信公眾號“科技云報到”。
25年前，著名的計(jì)算機(jī)程序員、開源軟件運(yùn)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(dāng)下，開源再次成為業(yè)界關(guān)注焦點(diǎn)，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(fù)雜。在開源的定義、性質(zhì)、開放內(nèi)容和開源策略上都有完全不同的標(biāo)準(zhǔn)和內(nèi)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(quán)威的開放源代碼促進(jìn)會（Open Source Initiative，OSI）發(fā)布了關(guān)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(shí)質(zhì)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(diǎn)：
第一，訓(xùn)練數(shù)據(jù)透明性。必須提供足夠的信息，使任何人能夠“實(shí)質(zhì)性”地重建該模型，包括訓(xùn)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(xùn)練和運(yùn)行AI的完整源代碼，展示數(shù)據(jù)處理和訓(xùn)練的規(guī)范；
第三，模型參數(shù)。包括模型的權(quán)重和配置，需提供相應(yīng)的訪問權(quán)限。
OSAID還列出了開發(fā)者使用開源AI時應(yīng)享有的使用權(quán)，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(dāng)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(biāo)準(zhǔn)，當(dāng)前市場上表面開源的大模型幾乎都“名不副實(shí)”，包括大名鼎鼎的“開源大模型”標(biāo)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(zhì)區(qū)別，定義并不適用當(dāng)前火熱的AI大模型。因?yàn)锳I大模型遠(yuǎn)比傳統(tǒng)開源軟件更復(fù)雜：它不僅包含代碼，還涉及大量的數(shù)據(jù)、復(fù)雜的模型架構(gòu)以及訓(xùn)練過程中的各種參數(shù)等。而這些數(shù)據(jù)的收集、整理、標(biāo)注等過程都對模型的性能和結(jié)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(dǎo)致在AI領(lǐng)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?yàn)閷⒋竽Ｐ兔枋鰹?ldquo;開源”會被開發(fā)者認(rèn)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(shí)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(shí)際訓(xùn)練模型所需的數(shù)據(jù)是保密的，而且運(yùn)行這些模型所需要的計(jì)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(dú)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(shí)際上并不完全透明。這些模型的數(shù)據(jù)和訓(xùn)練方法往往沒有公開，這種做法被稱為“開源洗白”，嚴(yán)重妨礙了科學(xué)研究的可復(fù)現(xiàn)性和創(chuàng)新。
荷蘭拉德堡德大學(xué)的人工智能研究學(xué)者Andreas Liesenfeld和計(jì)算語言學(xué)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(quán)重”，關(guān)于系統(tǒng)構(gòu)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(shí)際上只是開放權(quán)重，外部研究人員可以訪問和使用預(yù)訓(xùn)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(wù)進(jìn)行微調(diào)。
“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(xì)節(jié)，進(jìn)而可以為該軟件開發(fā)新的功能、提供測試、修復(fù)Bug以及做代碼評審等。
開發(fā)者提交自己的代碼到開源項(xiàng)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(zhì)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(yuǎn)程協(xié)作平臺，比如GitHub、Gitee等，以開放式治理的方式進(jìn)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(xué)習(xí)技術(shù)，通過海量數(shù)據(jù)進(jìn)行訓(xùn)練而來的深度學(xué)習(xí)模型，大模型能夠基于自然語言來實(shí)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(wù)。
在大模型的運(yùn)轉(zhuǎn)方面，主要就是訓(xùn)練和推理兩個過程，訓(xùn)練過程就是大模型產(chǎn)生的過程，訓(xùn)練過程的基本原理是在深度學(xué)習(xí)框架上運(yùn)行特定的模型架構(gòu)，然后把訓(xùn)練數(shù)據(jù)集輸入給架構(gòu)，再通過復(fù)雜的計(jì)算和多次迭代，最后得到一套想要的權(quán)重，而這套權(quán)重就是訓(xùn)練后的結(jié)果，也叫預(yù)訓(xùn)練模型。
預(yù)訓(xùn)練模型在經(jīng)過部署之后，以及在得到深度學(xué)習(xí)框架的支持之下，根據(jù)給定的輸入內(nèi)容得到對應(yīng)的輸出結(jié)果，這一套流程就是推理過程。
但需要說明的是，在大模型訓(xùn)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(xùn)練過程中，需要很多次的迭代計(jì)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(nèi)完成一次完整的訓(xùn)練過程。
另外，在推理過程中，需要的算力資源卻相對較小，因?yàn)橥评淼臅r候在消費(fèi)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(quán)重，也就是預(yù)訓(xùn)練模型，如果開發(fā)者想要復(fù)現(xiàn)該開源大模型的訓(xùn)練過程，需要通過優(yōu)化數(shù)據(jù)集、方法等訓(xùn)練出一個更優(yōu)質(zhì)的模型，而且需要數(shù)據(jù)集、訓(xùn)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(nèi)容，就算開發(fā)者掌握算力也無法復(fù)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(jìn)制包，比如.exe文件，只是閉源、免費(fèi)開放使用的，它其實(shí)是一個“免費(fèi)軟件”而不是一個“開源軟件”。
大模型所謂的“開源”，實(shí)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(jié)構(gòu)和訓(xùn)練方法，這兩部分都有對應(yīng)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(jìn)行協(xié)作了呢？并非完全如此。
基于大模型的實(shí)現(xiàn)原理和技術(shù)特性，開發(fā)者可以通過微調(diào)的方式對預(yù)訓(xùn)練大模型進(jìn)行能力擴(kuò)展，通過額外的數(shù)據(jù)集進(jìn)行進(jìn)一步的訓(xùn)練，優(yōu)化模型在特定領(lǐng)域的效果，得到一個新的衍生模型。
微調(diào)數(shù)據(jù)規(guī)模可大可小，但通常比原始訓(xùn)練數(shù)據(jù)集小得多，所以產(chǎn)生一個微調(diào)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(yù)訓(xùn)練模型為基礎(chǔ)底座衍生的微調(diào)大模型，并形成了譜系。
大模型根本沒有“真”開源？
從當(dāng)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(rèn)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(zhì)上是吸收開發(fā)者對大模型或軟件的改進(jìn)。但其實(shí)，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(yīng)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(yīng)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(dá)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(jìn)，推動技術(shù)進(jìn)步并提高透明性。
然而，在實(shí)現(xiàn)和需求上有顯著區(qū)別。
軟件開源主要針對應(yīng)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(jì)算資源和高質(zhì)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(jìn)創(chuàng)新和技術(shù)傳播，但大模型開源面臨更多的復(fù)雜性，社區(qū)貢獻(xiàn)形式也有所不同。
國內(nèi)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(qiáng)調(diào)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(diào)）、安全對齊，即使是拿到對應(yīng)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(xùn)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)。”
由此來看，目前對開源大模型的改進(jìn)主要通過微調(diào)實(shí)現(xiàn)，但因微調(diào)主要針對模型輸出層調(diào)整不涉及核心構(gòu)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(shù)特性與訓(xùn)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(xùn)練過程需要耗費(fèi)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(xùn)練細(xì)節(jié)，普通開發(fā)者也很難承擔(dān)復(fù)現(xiàn)訓(xùn)練過程的高昂訓(xùn)練成本，模型能力難以因開放而得到實(shí)質(zhì)提升。
數(shù)據(jù)顯示，ChatGPT一次完整的模型訓(xùn)練成本超過8000萬元。如果進(jìn)行10次完整的模型訓(xùn)練，成本便高達(dá)8億元。
站在企業(yè)角度，選擇一款大模型產(chǎn)品或應(yīng)用，需要根據(jù)組織的具體需求和戰(zhàn)略目標(biāo)來決定。
李彥宏認(rèn)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(xiàng)能力，也要看效果看效率。當(dāng)大模型加速駛?cè)肷虡I(yè)應(yīng)用之后，在追求高效率和低成本的情況下，真正的衡量標(biāo)準(zhǔn)應(yīng)是模型在實(shí)際應(yīng)用中能否滿足用戶需求和產(chǎn)生價值。
大模型應(yīng)用是涵蓋“技術(shù)+服務(wù)”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(fù)面效果，因此需要通過“算總賬”進(jìn)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(jié)，應(yīng)該將關(guān)注點(diǎn)放在哪個大模型更好用、如何匹配自身的實(shí)際業(yè)務(wù)需要，從而選擇最適合企業(yè)自身業(yè)務(wù)場景的大模型平臺，然后專注于應(yīng)用開發(fā)。那么企業(yè)如何選擇呢？
首先，要計(jì)算硬件資源成本。一些商業(yè)大模型會配套相應(yīng)的工具鏈，包括訓(xùn)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(xùn)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(wù)規(guī)模越大，省得越多。
其次，要看模型帶來的業(yè)務(wù)收益。一些業(yè)務(wù)對于90%還是95%的準(zhǔn)確率敏感度沒那么高。但有一些業(yè)務(wù)，比如商業(yè)廣告類，CPM、CTR差一個點(diǎn)，對廣告平臺來說一天可能就有上千萬的出入，這時候?qū)δＰ偷男Ч笤礁叩钠髽I(yè)，就更愿意去買一個效果更好的模型。
第三，要考慮機(jī)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(wù)需求把模型和硬件進(jìn)行適配，并調(diào)到最優(yōu)狀態(tài)，讓企業(yè)可以直接復(fù)制成熟經(jīng)驗(yàn)，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(xiàng)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?yàn)檫@涉及大量技術(shù)、資源和安全考量，需要平衡開放與安全、創(chuàng)新與責(zé)任。正如科技領(lǐng)域的其他方面一樣，多元化的貢獻(xiàn)方式才能構(gòu)建一個更豐富的技術(shù)生態(tài)系統(tǒng)。
真正的大模型開源時刻還遠(yuǎn)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(shù)路線并存發(fā)展是推動AI技術(shù)不斷進(jìn)步、滿足不同應(yīng)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。
