👍В мире сегодня сложились два принципиально разных подхода к тому, как создавать и распространять технологии искусственного интеллекта. 1️⃣Первый подход - проприетарный. Его придерживаются ведущие американские компании. Они создают законченные решения, встраивают туда свои собственные большие модели и предоставляют к ним доступ. Но это доступ либо через конечный продукт, либо через API, который можно интегрировать в другой продукт. Вы можете пользоваться результатом, можете даже встроить его в свой сервис, но вы понятия не имеете, как эта модель устроена внутри, на каких данных ее учили и какие методы при этом применялись. Это абсолютно закрытая технология, и именно такие модели сейчас считаются самыми сильными в мире. 2️⃣Второй подход активно развивают китайские компании. Они делают то, что принято называть открытыми моделями. Но здесь нужно быть очень аккуратным с терминологией. В мире программного обеспечения есть понятие open source - открытый исходный код. Это означает, что вам доступен весь код и вы можете от начала до конца собрать приложение на своём компьютере или сервере. Главный критерий open source - воспроизводимость. Самый известный пример - операционные системы с открытым кодом, которые развиваются большим сообществом разработчиков. 📍С моделями искусственного интеллекта все гораздо сложнее. Модель - это, если сильно упростить, огромный объем чисел. Когда мы говорим про миллиарды параметров, это именно числа - веса нейросети. И когда компания выкладывает свою модель в открытый доступ, она выкладывает чаще всего именно эти веса. Это называется Open Weights, а не Open Source. ♦️В чем принципиальная разница? Вам дали файл с числами. Вы можете скачать его, если у вас есть необходимое оборудование, можете запустить модель и пользоваться ею. Но воспроизвести сам процесс создания этой модели вы не можете. У вас нет доступа к исходным данным, на которых модель обучалась, нет доступа к методам обучения, которые применялись на разных этапах, нет доступа к тому, как ее инструктировали для работы в онлайне. И самое главное - за каждой такой моделью стоит конкретная коммерческая компания. Есть, конечно, академические сообщества, которые пытаются делать что-то свое, но их разработки пока носят лабораторно-экспериментальный характер. Никто всерьез не рассматривает их как основу для промышленного использования. А коммерческая компания никому не обещает вечно выкладывать свои наработки. Широко известен кейс GreenPlum - компания-разработчик СУБД долго держала ее как открытый продукт, а потом передумала и сказала: "Все, больше не открытый продукт". И это ее полное право. До 90% затрат любой команды, которая разрабатывает фундаментальные модели, - это эксперименты. И только 10% - это финальный, хорошо подготовленный "выстрел", когда обучается конечная модель. источник: https://rg.ru/2026/03/03/andrej-belevcev-perestat-razvivat-ii-znachit-vypast-iz-gonki-navsegda.html