چگونه تعریف نسخه ۱.۰ «بنیاد متن‌باز» پردانلودترین مدل‌های هوش مصنوعی با وزن باز را کنار می‌گذارد

در ۲۸ اکتبر ۲۰۲۴، «بنیاد متن‌باز» (OSI) نسخه ۱.۰ از تعریف هوش مصنوعی متن‌باز خود را منتشر کرد و استانداردی را بنا نهاد که بلافاصله اکثریت قریب به اتفاق مدل‌های در دسترس عموم در صنعت هوش مصنوعی را از این دایره خارج کرد. این سند که پس از دو سال مشورت تدوین شده است، مقرر می‌کند که یک سیستم هوش مصنوعی تنها در صورتی می‌تواند «متن‌باز» نامیده شود که توسعه‌دهنده آن، کد کامل آموزش، پارامترهای مدل و اطلاعاتی به اندازه کافی دقیق درباره داده‌های آموزشی را ارائه دهد تا یک فرد متخصص بتواند سیستم را بازتولید کند.[1]

این الزام داده‌ای، دقیقا هسته اصلی نحوه ساخت و توزیع هوش مصنوعی مدرن را هدف قرار می‌دهد. در حالی که شرکت‌هایی مانند متا (Meta) و دیپ‌سیک (DeepSeek) با اشتیاق وزن‌های عددی مدل‌های خود را منتشر کرده‌اند - و به هر کسی اجازه می‌دهند آن‌ها را دانلود و اجرا کند - اما همگی به طور یکپارچه از انتشار مجموعه داده‌های زیربنایی و کدهای خاصی که برای فیلتر کردن آن داده‌ها استفاده می‌شود، خودداری می‌کنند.[2][5][6]

تفاوت میان «متن‌باز» و «وزن باز» صرفا یک بازی کلامی نیست؛ بلکه دقیقا تعیین می‌کند که یک کاربر نهایی چه کاری می‌تواند با این فناوری انجام دهد. وزن‌های مدل، در واقع همان پارامترهای مرکزی هستند که در طول فرآیند آموزش یاد گرفته می‌شوند و تعیین می‌کنند که یک شبکه عصبی چگونه داده‌های جدید را تفسیر کرده و پیش‌بینی‌های خود را تولید کند.[2][6]

انتشار این وزن‌ها به توسعه‌دهندگان مستقل اجازه می‌دهد تا یک مدل را برای وظایف خاصی مانند تشخیص پزشکی یا تحلیل حقوقی، با کسری از هزینه آموزش یک سیستم از پایه، تنظیم دقیق (fine-tune) کنند. با این حال، بدون در اختیار داشتن داده‌های آموزشی اولیه، پژوهشگران نمی‌توانند مدل را به طور کامل برای یافتن سوگیری‌های پنهان بررسی کنند، منشأ مواد دارای حق چاپ را تایید کنند، یا دقیقا بفهمند که سیستم چگونه به قابلیت‌های پایه خود دست یافته است.[2][6]

همان‌طور که پژوهشگران IBM در یک ارزیابی فنی در می ۲۰۲۵ اشاره کردند: «وزن‌های باز به صورت عمومی به اشتراک گذاشته می‌شوند و معمولا تحت مجوزهای متن‌باز در دسترس هستند و نگاهی اجمالی به وضعیت نهایی یک مدل یادگیری عمیق ارائه می‌دهند. اما در حالی که آن‌ها نشان‌دهنده پیشرفتی تدریجی به سمت شفافیت در هوش مصنوعی هستند، وزن‌های باز هنوز تصویر کاملی را که هوش مصنوعی متن‌باز ارائه می‌دهد، در اختیار نمی‌گذارند.» این ارزیابی تاکید کرد که مدل‌هایی با ۷ میلیارد تا ۴۰ میلیارد پارامتر، اغلب در گفتمان‌های عمومی با برچسب‌های اشتباه معرفی می‌شوند.[2]

چارچوب نسخه ۱.۰ بنیاد متن‌باز تلاش می‌کند این شکاف را با مطالبه چیزی که حقوق‌دانان آن را رویکرد «یا همه یا هیچ» می‌نامند، پر کند. برای ادعای داشتن برچسب متن‌باز، یک توسعه‌دهنده باید چهار آزادی بنیادین را به کاربران اعطا کند: استفاده از سیستم برای هر هدفی، مطالعه نحوه کارکرد آن، اصلاح آن، و به اشتراک‌گذاری آن.[1][3]

نکته کلیدی اینجاست که OSI مشخص می‌کند استفاده از این آزادی‌ها نیازمند دسترسی به «فرم ترجیحی برای ایجاد تغییرات» است. در نرم‌افزارهای سنتی، این به معنای کد منبع است. اما OSI استدلال می‌کند که در یادگیری ماشین، این فرم ترجیحی باید شامل اطلاعات داده‌ها نیز باشد.[1]

این تعریف صراحتا نیازمند «توصیف کامل تمام داده‌های استفاده شده برای آموزش، از جمله (در صورت استفاده) داده‌های غیرقابل اشتراک‌گذاری، افشای منشأ داده‌ها، دامنه و ویژگی‌های آن‌ها، نحوه به دست آوردن و انتخاب داده‌ها، رویه‌های برچسب‌گذاری، و روش‌شناسی‌های پردازش و فیلتر کردن داده‌ها» است.[1]

با این استاندارد، پرکاربردترین مدل‌ها در اکوسیستم توسعه‌دهندگان در یک منطقه خاکستری عمل می‌کنند. گزارشی در جولای ۲۰۲۵ توسط «مرکز نسل‌های آینده» (CFG) توزیع این سیستم‌ها را تحلیل کرد و نشان داد که مخزن هاگینگ فیس (Hugging Face) میزبان بیش از ۲۰۰ هزار مدل تولید متن است.[4][7]

پژوهشگران CFG دریافتند که پنج مورد از ده مدل برتر تولید متن که بیشترین دانلود را در این پلتفرم داشته‌اند، مدل‌های پیشرفته هوش مصنوعی همه‌منظوره هستند که در یک سال گذشته منتشر شده‌اند. هیچ‌یک از این مدل‌های پیشرو، با وجود اینکه عامل رشد ۹۸ درصدی پروژه‌های هوش مصنوعی مولد باز در گیت‌هاب در سال ۲۰۲۴ بوده‌اند، منشأ داده‌های جامع و کدهای فیلترکننده الزامی در تعریف نسخه ۱.۰ OSI را ارائه نمی‌دهند.[4][7]

این پذیرش گسترده مدل‌های با وزن باز، یک اکوسیستم موازی ایجاد کرده است که در آن سیستم‌های بسیار توانمند به صورت رایگان در دسترس هستند، اما از اساس مبهم و غیرشفاف‌اند. گزارش CFG تاکید می‌کند که اگرچه انتشار وزن‌های باز دسترسی به ابزارهای قدرتمند را دموکراتیک می‌کند، اما آسیب‌پذیری‌های سیستماتیکی را نیز به همراه می‌آورد که نرم‌افزارهای متن‌باز سنتی با آن‌ها مواجه نیستند.[4][5]

تحلیل CFG بیان می‌کند: «زمانی که وزن‌های مدل به صورت باز در دسترس باشند، افراد می‌توانند پادمان‌های داخلی را دور بزنند - فرآیندی که به عنوان جیل‌بریک شناخته می‌شود - یا مدل را روی داده‌های جدید تنظیم دقیق کنند تا خروجی‌های آن را با کمترین هزینه و تلاش تغییر دهند.» از آنجا که وزن‌ها پس از دانلود دیگر قابل فراخوانی و بازپس‌گیری نیستند، هرگونه مکانیسم ایمنی تعبیه‌شده می‌تواند توسط افراد باانگیزه به طور سیستماتیک حذف شود.[4][6]

برای مقابله با این خطرات، پژوهشگران حوزه حکمرانی در تلاش‌اند تا این بحث را از طبقه‌بندی صفر و یکی «باز» در برابر «بسته» فراتر ببرند. CFG از یک رویکرد چندلایه و مبتنی بر ایمنی برای انتشار مدل‌ها حمایت می‌کند؛ رویکردی که در آن میزان باز بودن سیستم به جای تعهدات ایدئولوژیک، توسط ارزیابی‌های دقیق ریسک تعیین می‌شود.[4]

تحت یک چارچوب چندلایه، مدل‌هایی که از آستانه‌های توانمندی خاصی برای خطرات استفاده دوگانه - مانند کمک به حملات سایبری یا طراحی سلاح‌های بیولوژیکی - عبور می‌کنند، به برنامه‌های دسترسی تاییدشده محدود می‌شوند، حتی اگر توسعه‌دهندگان آن‌ها بخواهند وزن‌ها را به صورت عمومی منتشر کنند.[4]

اهمیت این نبرد تعریفی مستقیما به حقوق بین‌الملل نیز کشیده می‌شود. ماده ۵۳ «قانون هوش مصنوعی اتحادیه اروپا»، معافیت‌های خاصی را از تعهدات مستندسازی و شفافیت برای مدل‌های هوش مصنوعی که تحت مجوزهای آزاد و متن‌باز منتشر می‌شوند، در نظر گرفته است.[3]

آزمون بعدی این استاندارد زمانی فرا می‌رسد که نهادهای تنظیم‌گر در اتحادیه اروپا و ایالات متحده چارچوب‌های اجرایی خود را نهایی کنند. اگر این نهادها معیارهای سخت‌گیرانه بنیاد متن‌باز را بپذیرند، توسعه‌دهندگان مدل‌های با وزن باز مجبور خواهند شد بین افشای داده‌های آموزشی انحصاری خود یا پذیرش بار کامل مسئولیت حقوقی یک سیستم بسته، یکی را انتخاب کنند.[1][3]