Новые западные модели с открытыми весами могут предоставить предприятиям альтернативу китайскому и проприетарному ИИ, но больший контроль также влечет за собой новую ответственность, считают опрошенные порталом AI Business эксперты.

Предприятиям, стремящимся размещать, настраивать и управлять собственным ИИ, все чаще приходится сопоставлять гибкость моделей с открытыми весами от китайских компаний с проприетарными западными моделями, которые предоставляют поставщикам больший контроль над разработкой и развертыванием моделей.

Но этот выбор начал расширяться. Компания Reflection AI, поддерживаемая Nvidia, недавно запустила свою модель Beam с открытыми весами, а французская ИИ-лаборатория Mistral представила свою новую модель Large 4, предоставив предприятиям новые западные варианты на рынке моделей с открытыми весами.

Для предприятий важность этих запусков выходит за рамки того, как модели показывают себя в бенчмарках. Если модели окажутся достаточно эффективными, они могут предоставить организациям, которые избегали китайских систем из-за вопросов безопасности, обработки данных, происхождения, юрисдикции или соответствия нормативным требованиям, западную альтернативу для рабочих нагрузок, которые они хотят запускать на основе моделей с открытыми весами.

«Главное изменение заключается в том, что модели с открытыми весами становятся реальным вариантом закупок для западных предприятий, а не просто чем-то, с чем экспериментируют исследовательские группы, — говорит Джит Паттанаик, основатель и технический директор Glokal AI, поставщика решений для корпоративного ИИ. — Это смещает вопрос с того, могут ли предприятия использовать модели с открытыми весами, на то, какие рабочие нагрузки им следует на них запускать».

По его словам, до сих пор самые сильные модели с открытыми весами были в основном китайскими, что создавало проблемы для таких организаций, как банки, страховые компании и государственные органы, которые сталкиваются с ограничениями, связанными с происхождением моделей и соответствием нормативным требованиям.

Лидерство Китая в области открытых моделей не будет вечным

Китайские компании заняли лидирующие позиции в области ИИ с открытыми весами, при этом модели от Alibaba, DeepSeek, Moonshot и Z.ai набирают популярность благодаря своим возможностям и относительно низким операционным расходам.

Counterpoint Research определила китайские модели, включая Kimi и GLM, как одни из лучших систем с открытыми весами на рынке.

Принс Коли, президент и генеральный директор Sauce Labs, облачной платформы для тестирования ПО, работающей с поставщиками моделей с открытыми весами, считает, что раннее лидерство китайских разработчиков отчасти обусловлено необходимостью. Ограниченность ресурсов подтолкнула их к снижению затрат и повышению эффективности оборудования, в то время как западные компании, занимающиеся ИИ, сосредоточили больше ресурсов на производительности передовых моделей.

«Это дало китайским разработчикам ранний старт и, следовательно, преимущество в соотношении цены и производительности, а также в экспериментах с моделями с открытыми весами», — отмечает Коли.

Он ожидает, что разрыв между западными и китайскими моделями будет сокращаться по мере того, как все больше инженерных ресурсов западных стран будет направляться на оптимизацию. «Ничто принципиально не мешает западным разработчикам вносить те же улучшения в снижение затрат и производительность оборудования, которые дали китайским моделям раннее преимущество», — считает Коли.

Хотя модели с открытыми весами по-прежнему нуждаются в независимом тестировании, им не обязательно лидировать во всех бенчмарках, чтобы быть полезными для предприятий. «Они должны быть достаточно производительными для конкретных рабочих нагрузок и предлагать жизнеспособную альтернативу проприетарным моделям», — отмечает Коли.

Для предприятий значение моделей с открытыми весами выходит за рамки производительности. Речь также идет о том, что они могут делать с моделью после ее развертывания.

Контроль важнее стоимости

Для предприятий привлекательность открытого ИИ часто заключается в большей автономии, а не в снижении стоимости. С моделью с открытыми весами компания может запускать систему в своей собственной среде, хранить конфиденциальные данные в этой среде и решать, когда обновлять модель до новой версии. Она также может дорабатывать модель, используя собственные данные.

Коли отмечает, что самостоятельное развертывание особенно важно, поскольку оно дает предприятиям больший контроль над своими данными, что может быть критически важно в оборонном, государственном и высокорегулируемых секторах. «Тонкая настройка позволяет предприятиям адаптировать модели, используя частные, специфические для предметной области данные, создавая возможности ИИ, которые они могут контролировать как интеллектуальную собственность», — говорит он. Организации также могут устанавливать собственные политики обновления и вывода моделей из эксплуатации, снижая риски внезапных изменений производительности или качества.

Стоимость по-прежнему может иметь значение при больших и стабильных объемах, но, как отмечает Паттанаик, если предприятия учитывают расходы на графические процессоры, персонал и оценку, модели с открытыми весами не обязательно дешевле для небольших рабочих нагрузок.

Главный вопрос заключается в том, насколько самостоятельно предприятия могут управлять частью стека ИИ, что также делает важным аспект переносимости. «Устранение зависимости приложений, промптов и логики ИИ от какого-либо одного поставщика моделей упрощает переключение между моделями при изменении потребностей», — говорит Паттанаик.

По его словам, предприятия также могут использовать разные модели для разных задач: меньшую открытую модель для больших объемов рутинных рабочих нагрузок и проприетарную передовую модель для задач, требующих более сложных рассуждений.

Но больший контроль также означает большую ответственность. Открытые веса — в отличие от общедоступных данных обучения, предлагаемых системами с полностью открытым исходным кодом — не обязательно обеспечивают прозрачность того, как была обучена модель или какие данные использовались для ее создания. Компания может контролировать, где работает модель, но не иметь возможности полностью проверить, что находится внутри модели.

Лицензирование также различается, поэтому условия, регулирующие коммерческое использование, модификацию и распространение, становятся важной частью оценки модели предприятием. Организации, использующие собственные модели, также берут на себя больше ответственности за безопасность, оценку производительности, обновления и управление.

«Вы не можете проверить вероятность, поэтому элементы управления должны находиться вне модели, независимо от того, открыта она или закрыта», — говорит Паттанаик.

Таким образом, открытые веса не являются кратчайшим путем для обеспечения управления ИИ. Предприятиям по-прежнему необходимы элементы контроля модели для обеспечения безопасности, оценки, обновлений и других процессов управления.

Истинной проверкой является внедрение на предприятии

Reflection AI и Mistral не обязательно должны постоянно обгонять китайских разработчиков, чтобы предприятия могли извлечь выгоду из более сильного западного открытого рынка. Их успех будет зависеть от того, найдут ли предприятия модели достаточно производительными, надежными и заслуживающими доверия для реальных рабочих нагрузок.

Это может изменить подход предприятий к закупкам моделей. Вместо того, чтобы выбирать между проприетарными западными моделями и китайскими моделями с открытыми весами, организации могут использовать более широкий набор моделей в зависимости от рабочей нагрузки, нормативных требований и необходимого им уровня контроля.

Коли ожидает, что по мере сближения возможностей западных и китайских моделей, более важную роль во внедрении будут играть другие факторы, включая качество, надежность, стоимость и доверие. По его словам, как только стоимость токенов станет достаточно близкой, у предприятий будет больше оснований оценивать, насколько стабильно работают модели и могут ли они полагаться на политику поставщика и происхождение данных.

«Предприятиям нужны предсказуемые результаты, высокая производительность в сложных сценариях использования и гибкость выбора модели, а не привязка к одному поставщику, — говорит Коли. — Кроме того, они должны доверять источнику данных и политике поставщика».