اشتباهات رایج در درک مفاهیم هوش مصنوعی: تفاوت مدل‌های اختصاصی، متن‌باز و وزن‌باز

این روزها هوش مصنوعی متن‌باز (Open source) همه‌جا حضور دارد؛ اما مشکل اینجاست که بسیاری از پلتفرم‌هایی که با این عنوان شناخته می‌شوند، در واقعیت اصلاً متن‌باز نیستند.

اصطلاحاتی مانند اختصاصی (Proprietary)، متن‌باز و وزن‌باز (Open weight) به‌طور فزاینده‌ای برای توصیف مدل‌ها و پلتفرم‌های هوش مصنوعی به کار می‌روند و اغلب با یکدیگر اشتباه گرفته شده یا به‌جای هم استفاده می‌شوند.

این تمایز از آن جهت اهمیت دارد که برچسب‌های مذکور مشخص می‌کنند چه کسی کنترل فناوری را در دست دارد، چه چیزی در درون آن قابل مشاهده است، آیا امکان اصلاح آن وجود دارد و از نظر قانونی چه کارهایی می‌توان با آن انجام داد.

برای کسب‌وکارهایی که در حال انتخاب مدل‌های هوش مصنوعی هستند، این تفاوت‌ها می‌تواند بر همه‌چیز از هزینه و شخصی‌سازی گرفته تا کنترل داده‌ها، شفافیت و وابستگی طولانی‌مدت به یک ارائه‌دهنده فناوری تأثیر بگذارد.

اما هوش مصنوعی اختصاصی، متن‌باز و وزن‌باز دقیقاً چه معنایی دارند؟ در ادامه راهنمای ساده‌ای برای درک این تفاوت‌ها ارائه شده است.

هوش مصنوعی اختصاصی (Proprietary AI) چیست؟

هوش مصنوعی اختصاصی به الگوریتم‌ها و ابزارهایی اشاره دارد که به عنوان مالکیت فکری (IP) خصوصی در اختیار شرکت‌های توسعه‌دهنده یا فروشنده آن‌ها قرار دارند. در بسیاری از موارد، توسعه‌دهندگان مدل‌ها، داده‌های آموزشی و جزئیات مکانیسم‌های آموزش را در سرورهای خود قفل می‌کنند و تنها از طریق APIها به مشتریان اجازه دسترسی می‌دهند. ChatGPT بارزترین نمونه از این نوع است. این رویکرد که گاهی هوش مصنوعی منبع‌بسته (Closed-source) نیز نامیده می‌شود، عملاً به معنای آن است که مالکیت فکری یک دارایی خصوصی است. اگر این ابزار برای فروش باشد، تنها در صورت رعایت شرایط تعیین‌شده توسط مالک، قادر به استفاده از آن خواهید بود. نرم‌افزارهای اختصاصی ممکن است حتی در یک نسخه رایگان عرضه شوند (مانند نسخه پایه ChatGPT)، اما استفاده، توزیع و اصلاح آن‌ها همچنان توسط مالک کنترل می‌شود.

هوش مصنوعی متن‌باز (Open Source AI) چیست؟

متن‌باز شفاف‌ترین گزینه موجود است، اما در دنیای هوش مصنوعی، نمونه‌های واقعی آن بسیار کمیاب هستند.

معنای دقیق متن‌باز این است که کد منبع به‌طور آزادانه در دسترس است و هر کسی می‌تواند به هر شکلی که می‌خواهد از آن استفاده کند.

در واقعیت، بسیاری از نرم‌افزارهایی که به‌عنوان متن‌باز توصیف می‌شوند (به‌ویژه در حوزه هوش مصنوعی)، تحت مجوزهای متنوعی منتشر می‌شوند که کماکان کارهایی که می‌توان با آن‌ها انجام داد را محدود می‌کنند.

برای مثال، شرکت Meta مدل Llama 3.1 را به عنوان نخستین «هوش مصنوعی متن‌باز پیشرو» توصیف کرد. با این حال، بر اساس گزارش‌های ایمنی بین‌المللی هوش مصنوعی، مجوز انتشار این مدل دارای چنان شرایط محدودکننده‌ای بود که واقعاً نمی‌توان آن را کاملاً متن‌باز نامید.

بر اساس تعریف «بنیاد نرم‌افزارهای متن‌باز» (Open Source Initiative)، یک سیستم هوش مصنوعی متن‌بازِ واقعی باید به کاربران اجازه دهد از سیستم برای هر هدفی استفاده کنند، نحوه کارکرد آن را بررسی کرده و آن را تغییر داده یا به اشتراک بگذارند.

مدل وزن‌باز (Open Weight) چیست؟

وزن‌باز یک حد واسط است و بسیاری از برنامه‌های کاربردی هوش مصنوعی که با عنوان متن‌باز تبلیغ می‌شوند، در واقع در این دسته قرار می‌گیرند. «وزن‌ها» (Weights) داده‌هایی هستند که می‌توان آن‌ها را به‌عنوان مقادیر، تنظیمات و پارامترهایی در نظر گرفت که هوش مصنوعی در طول آموزش به دست می‌آورد و از آن‌ها برای تصمیم‌گیری استفاده می‌کند.

عمومی کردن وزن‌ها به این معناست که کاربران می‌توانند مدل را دانلود کرده و روی سرور خود اجرا کنند، که این امر کنترل بیشتری به آن‌ها می‌دهد. با این حال، این بدان معنا نیست که همه‌چیز کاملاً برای آن‌ها باز است؛ کد منبع حاوی الگوریتم‌ها و همچنین داده‌های آموزشی که نشان می‌دهد مدل چه اطلاعاتی دارد، ممکن است همچنان قفل باشند.

چرا مجوزها (Licenses) اهمیت دارند؟

نرم‌افزارهایی که به عنوان متن‌باز توصیف می‌شوند، اغلب تحت یکی از چندین مجوز «آسان‌گیر» (Permissive) منتشر می‌شوند که به‌طور کلی به کاربر اجازه می‌دهند بدون پرداخت هزینه، هر طور که دوست دارد از آن‌ها استفاده کند.

معمولاً این مجوزها شامل شرایط جزئی مانند لزوم ذکر نام نویسندگان اصلی هستند. مجوزهای پرکاربرد شامل آپاچی ۲.۰ (Apache 2.0) است که برخی از مدل‌های متن‌باز شرکت OpenAI تحت آن منتشر شده‌اند، و همچنین مجوز متن‌باز MIT که برای فریم‌ورک React شرکت Meta و مدل‌های هوش مصنوعی از جمله DeepSeek و مدل Phi-4 شرکت Microsoft استفاده شده است.

توسعه‌دهندگان گاهی اوقات مجوزهای سفارشی خود را نیز ایجاد می‌کنند، همان‌طور که در مورد انتشار Llama 3.1 اتفاق افتاد. مجوز این مدل، پلتفرم‌هایی را که بیش از ۷۰۰ میلیون کاربر ماهانه داشتند ملزم می‌کرد تا پیش از استفاده اجازه بگیرند و همچنین استفاده از آن را برای کسب‌وکارهای اتحادیه اروپا موقتاً غیرمجاز کرد.

اگر در حال خرید ابزارها و پلتفرم‌های هوش مصنوعی هستید، انتخاب مجوز می‌تواند تأثیر زیادی بر توانایی شما در ارائه هوش مصنوعی به شیوه‌ای قابل اعتماد و پاسخگو داشته باشد. این موضوع تعیین می‌کند که چقدر به آنچه می‌سازید تسلط دارید و چه بخش‌هایی همچنان مانند یک جعبه سیاه باقی می‌مانند.

البته این بدان معنا نیست که اختصاصی بودن معادل بد و متن‌باز بودن معادل خوب است. شروع کار با ابزارها و پلتفرم‌های اختصاصی اغلب سریع‌تر و ساده‌تر است. پشتیبانی معمولاً توسط توسعه‌دهنده ارائه می‌شود که انگیزه مالی قوی برای حفظ شما به عنوان کاربر دارد. همچنین، قدرتمندترین مدل‌های پیشرو و اختصاصی همچنان در بیشتر بنچمارک‌های قدرت خام، عملکرد بهتری نسبت به مدل‌های متن‌باز دارند.

اما با رشد قابلیت‌های هوش مصنوعی در یک سازمان و قرار گرفتن داده‌های بیشتر (به‌ویژه داده‌های حساس شخصی یا مالی) در معرض این فناوری، باید به تأثیر تصمیمات اتخاذشده در این زمینه بر نظارت بر داده‌ها و استقلال کسب‌وکار، به‌طور جدی توجه کرد.