Trong thế giới công nghệ AI, một cuộc chiến giành quyền kiểm soát đang diễn ra, thu hút sự chú ý của các nhà nghiên cứu và các công ty lớn. Không chỉ các ông lớn công nghệ đang ở trong cuộc chiến, mà cả công nghệ cơ bản của AI Mã nguồn Mở và AI Mã nguồn Đóng cũng đã được chú ý. Lời kêu gọi tạm dừng các thí nghiệm AI, được dẫn đầu bởi những tầm nhìn xa như Elon Musk và các nhà nghiên cứu ML nổi tiếng, phản ánh mức độ nghiêm trọng của tình hình.
Thời gian gần đây đã chứng kiến sự bùng nổ trong việc ra mắt nhiều mô hình AI lớn, liên tục được tinh chỉnh nhờ sự bổ sung dữ liệu thêm. Cuộc cạnh tranh khốc liệt giữa các công ty để trở thành nhà cung cấp AI hàng đầu đã dẫn đến các yếu tố khác biệt rất nhỏ giữa chúng. Khi ChatGPT của OpenAI và OpenAI Playground dẫn đầu trong cuộc đua giành ưu thế về Trí tuệ Nhân tạo bằng cách dân chủ hóa quyền truy cập cho đại chúng, đồng thời truyền cảm hứng cho cộng đồng AI Mã nguồn Mở, điều này đã mở ra một bối cảnh cho sự đổi mới, hợp tác và những tranh cãi không thường xuyên. Trong môi trường luôn thay đổi này, cuộc tìm kiếm quyền kiểm soát càng trở nên căng thẳng hơn, nâng cao sự đặt cược lên những tầm cao chưa từng có.
Trong bối cảnh AI Mã nguồn Mở ngày càng được quan tâm, khi nói về phát triển AI, có hai cách tiếp cận chính: AI mã nguồn mở và AI mã nguồn đóng. Trong bài viết trên blog này, chúng tôi sẽ tìm hiểu sự khác biệt lớn giữa hai mô hình này và khám phá phổ biến tồn tại giữa chúng.
Ilya Sutskever, đồng sáng lập và nhà khoa học trưởng của OpenAI, giải thích cách tiếp cận chung của ông khi quyết định liệu một mô hình AI nên là mã nguồn mở hay mã nguồn đóng. Xem thêm từ Standford E-Corner tại đây.
AI mã nguồn mở đề cập đến các khung và công cụ AI được phát triển và chia sẻ công khai, cho phép bất kỳ ai truy cập, sử dụng, sửa đổi và phân phối mã. Lợi ích của AI mã nguồn mở rất nhiều. Nó thúc đẩy sự hợp tác, minh bạch và khả năng tùy chỉnh. Các nhà phát triển có thể làm việc cùng nhau, chia sẻ ý tưởng và đóng góp vào sự cải thiện của các công nghệ AI. Các ví dụ phổ biến về các khung AI mã nguồn mở bao gồm TensorFlow và PyTorch, minh chứng rõ nét cho sức mạnh lan tỏa của AI Mã nguồn Mở trong cộng đồng toàn cầu.
Gần đây, Cerebras đã gây chú ý bằng cách giới thiệu Cerebras-GPT, được tuyên bố là mô hình ngôn ngữ lớn mã nguồn mở hoàn toàn đầu tiên được tối ưu hóa cho tính toán. Nhấn mạnh tầm quan trọng của việc truy cập mở vào các mô hình tiên tiến, Cerebras đã phát hành Cerebras-GPT dưới giấy phép Apache 2.0, cho phép sử dụng miễn phí bản quyền cho cả nghiên cứu và ứng dụng thương mại.
AI nguồn đóng, mặt khác, liên quan đến các công nghệ sở hữu độc quyền được phát triển và kiểm soát bởi các công ty hoặc tổ chức cụ thể. Mã nguồn không có sẵn công khai, hạn chế khả năng sửa đổi hoặc phân phối. AI nguồn đóng có những lợi thế như bảo vệ sở hữu trí tuệ và hỗ trợ chuyên môn. Tuy nhiên, nó thiếu tính minh bạch và phát triển từ cộng đồng mà AI nguồn mở có. Các ví dụ nổi bật về nền tảng AI nguồn đóng bao gồm OpenAI GPT, IBM Watson và Microsoft Azure AI.
Khi xem xét nguồn mở so với nguồn đóng, một số yếu tố cần được cân nhắc. Về mặt hiệu suất và chức năng, cả hai mô hình đều có thể mang lại kết quả ấn tượng. Tuy nhiên, AI nguồn mở thường được hưởng lợi từ sự chuyên môn tập thể của một cộng đồng lớn hơn, dẫn đến đổi mới nhanh chóng và phạm vi tính năng rộng hơn.
Khả năng tiếp cận và chi phí cũng là những yếu tố quan trọng cần cân nhắc. Nguồn mở thường miễn phí sử dụng, giúp nó dễ tiếp cận hơn với cá nhân và tổ chức nhỏ. Các nền tảng AI nguồn đóng có thể yêu cầu phí bản quyền hoặc đăng ký, làm cho chúng phù hợp hơn với các doanh nghiệp lớn với những yêu cầu và ngân sách cụ thể.
Những tác động về quyền riêng tư và bảo mật khác nhau giữa hai mô hình này. AI nguồn mở thúc đẩy tính minh bạch, cho phép người dùng kiểm tra mã và xác định các lỗ hổng tiềm ẩn. AI nguồn đóng, trong khi cung cấp các biện pháp bảo mật mạnh mẽ, có thể gây lo ngại về quyền riêng tư dữ liệu và xử lý thông tin nhạy cảm.
Điều quan trọng là nhận ra rằng các mô hình mã nguồn mở và mã nguồn đóng đại diện cho hai thái cực trên một phổ, với các mức độ mở và kiểm soát sở hữu khác nhau ở giữa. Một số tổ chức áp dụng cách tiếp cận lai, sử dụng kết hợp các công nghệ mã nguồn mở và đóng để đáp ứng nhu cầu cụ thể của họ. Ngoài ra, một số dự án mã nguồn mở có thể áp dụng các yếu tố mã nguồn đóng để thương mại hóa.
Các mô hình cấp phép đóng vai trò quan trọng trong việc xác định mức độ mở. Một số giấy phép mã nguồn mở, như Giấy phép Công cộng GNU (GPL), yêu cầu các tác phẩm phái sinh phải được phát hành dưới cùng giấy phép, đảm bảo sự mở tiếp tục. Các giấy phép khác, như Giấy phép Apache, cho phép linh hoạt hơn trong việc sử dụng và phân phối mã.
Hiện nay, các mô hình mã nguồn mở và mã nguồn đóng thể hiện mức độ hiệu suất tương đương khi chúng dựa vào tập dữ liệu tương tự, bao gồm không gian mở rộng của web mở. Tuy nhiên, một câu hỏi quan trọng nảy sinh: Liệu các mô hình mã nguồn mở, chỉ dựa vào dữ liệu công khai, có thể duy trì tính cạnh tranh với các mô hình mã nguồn đóng được trang bị các tập dữ liệu sở hữu riêng? Câu trả lời nằm ở trường hợp sử dụng cụ thể.
Trong các lĩnh vực chuyên môn như chẩn đoán y tế, phát triển dược phẩm, nghiên cứu khoa học tiên tiến và phát hiện gian lận, nơi đòi hỏi kỹ năng chuyên môn cao, các mô hình mã nguồn đóng có khả năng chiếm ưu thế. Những lĩnh vực này đòi hỏi chi phí đáng kể để có được dữ liệu đào tạo, khiến chúng khó được tích hợp vào các mô hình mã nguồn mở.
Ngược lại, các mô hình mã nguồn mở có thể cạnh tranh đủ tốt trong các lĩnh vực mà chuyên môn không phải là yêu cầu chính. Những nhiệm vụ như hỗ trợ dịch vụ khách hàng, giao tiếp thông thường, thích ứng văn bản và giọng nói, tóm tắt văn bản, tạo ảnh chứng khoán, và tạo email rất phù hợp cho các mô hình mã nguồn mở. Các phương pháp học tăng cường với phản hồi của con người (RLHF) có thể củng cố những lĩnh vực này. Đáng chú ý, việc tích hợp thêm dữ liệu vào các mô hình mã nguồn mở dễ dàng hơn so với dữ liệu độc quyền, vì các đơn vị dữ liệu riêng lẻ có giá trị thấp hơn. Trong các lĩnh vực ít chuyên biệt hơn, các mô hình mã nguồn mở sẵn sàng để vượt trội, giữ mức hiệu suất hài lòng mà không bị tụt lại.
Trong bối cảnh AI đang phát triển, sự triển khai các hệ thống AI thiếu các tiêu chuẩn chuẩn hóa, dẫn đến những cuộc tranh luận về các thực hành có trách nhiệm. Trong khi cả các mô hình mã nguồn mở và mã nguồn đóng đều có ưu và nhược điểm riêng, cân nhắc đạo đức là tối quan trọng. Nghiên cứu an toàn, biện pháp bảo vệ, và giấy phép có trách nhiệm là cần thiết cho tất cả các hệ thống, bất kể tính mở của chúng. Các quy định kỹ thuật không đủ, và các khung chính sách, quản lý nội dung, và chia sẻ tri thức giữa các phòng thí nghiệm đóng vai trò quan trọng trong việc đảm bảo thực hành AI có đạo đức. Khung gradient cung cấp một phương pháp tiếp cận tinh tế để phân tích khả năng truy cập và đưa ra các quyết định phát hành có thông tin. Cuối cùng, điều quan trọng là các phòng thí nghiệm phải đánh giá hệ thống trước khi triển khai, quản lý rủi ro sau khi phát hành và ưu tiên các cân nhắc đạo đức trong suốt quá trình phát triển AI.
Khi AI tiếp tục phát triển, việc cân nhắc các ưu và nhược điểm của từng mô hình là rất quan trọng. Các tổ chức phải đánh giá nhu cầu của họ, ngân sách, mối quan tâm về quyền riêng tư, và mức độ tham gia của cộng đồng mong muốn. Hơn nữa, phổ biến giữa AI mã nguồn mở và mã nguồn đóng mang lại cơ hội cho sự đổi mới, các mô hình lai tạo, và sự thích nghi với giấy phép.
Cuối cùng, tương lai của sự phát triển AI nằm ở việc tìm cách cân bằng giữa sự cởi mở và kiểm soát độc quyền, đảm bảo rằng công nghệ này mang lại lợi ích cho toàn nhân loại. Bằng cách nắm lấy sức mạnh của cả AI mã nguồn mở và đóng, chúng ta có thể khai thác toàn bộ tiềm năng của AI để giải quyết các vấn đề phức tạp và thúc đẩy sự đổi mới trong thời đại kỹ thuật số.
