科技云報到：假開源真噱頭？開源大模型和你想的不一樣！

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(zhì)、開放內(nèi)容和開源策略上都有完全不同的標準和內(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(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：

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(zhì)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(zhì)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(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(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(nèi)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(nèi)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(zhì)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(nèi)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(diào)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(diào)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(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)了一些以主流預訓練模型為基礎底座衍生的微調(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(zhì)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(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(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(diào)實現(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(zhì)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(diào)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。

審核編輯 黃宇