开源AI并不透明？开源倡议组织给出新的定义

长期以来，研究人员对开源人工智能（Open-source AI）的定义一直存在分歧。近期，自诩为开源仲裁者的开源倡议组织(OSI)日前发布开源AI的新定义，希望能帮助立法者制定法规，保护消费者免受AI风险的影响。

OSI邀请了70名研究人员、律师、政策制定者、活动家以及Meta、谷歌和亚马逊等大型科技公司的代表，共同为开源AI提可行的定义。

OSI声称，“一个开源AI系统可以用于任何目的，而无需获得许可，且研究人员应该能够检查该AI系统的组件并研究其工作原理。同时，研究人员还可以出于任何目的修改系统，包括更改其输出，并与他人共享，用于任何目的。”此外，该标准还试图为给定模型的训练数据、源代码和权重定义一个透明度级别。”

按此标准，OpenAI和Anthropic对它们的模型、数据集和算法保密，使它们成为明显的AI闭源系统。同时，Meta Llama和谷歌的免费访问模型也不是真正的开源AI模型，因为许可证限制了用户对模型的使用，而且训练数据集也没有公开。

AI模型构建和共享平台Hugging Face的应用政策研究员Avijit Ghosh说，“众所周知，企业在推广营销他们的模型时会滥用这个术语。”他表示，将模型描述为开源可能会使它们被认为更值得信赖，即使研究人员无法独立调查它们是否真的开源。

Mozilla高级顾问、OSI进程的参与者Ayah Bdeir表示，开源定义的某些部分相对容易达成一致，包括需要揭示模型权重(帮助确定AI模型如何产生输出的参数)。审议的其他部分争议更大，尤其是训练数据应该如何公开的问题。

训练数据的来源缺乏透明度，导致大型AI公司遭到大量诉讼。从OpenAI等大型语言模型提供商到Suno等音乐生成器，这些公司除了表示它们包含“可公开访问的信息”之外，没有透露太多关于训练集的信息。

一些开源支持者认为开源模型应该公开他们所有的训练集。Bdeir表示，由于版权和数据所有权等问题，这一标准很难执行。

最终，OSI主导的新的定义要求开源模型提供有关训练数据的信息，以达到“熟练人员可以使用相同或类似的数据重新创建实质上等同的系统”的程度。虽然这并不是一个全面共享所有训练数据集的笼统要求，但它也比当今许多专有模型甚至表面上的开源模型更进一步。

Bdeir说：“坚持一种在意识形态上原始的金本位制，而实际上这种制度任何人都无法有效实现，最终会适得其反。”她补充说，OSI正在计划制定某种执行机制，该机制将标记那些被描述为开源但不符合其定义的模型。

该组织还计划发布一份符合新定义的AI模型清单。虽然没有得到证实，但Bdeir预计，一些规模相对较小的模型将会出现在名单上，包括Eleuther的Pythia、Ai2的OLMo，以及开源团体LLM360的模型。