Raffi Krikorian, a Mozilla technológiai igazgatója, Tim O’Reilly társaságában beszélt az open source mesterséges intelligenciáról az AI Codecon eseményen. A Mozilla – amelynek múltja fontos szerepet játszott a nyílt forráskódú forradalom és a web nyílt szabványainak kialakításában – ma is az egyik vezető hang az interoperábilis, szabványalapú AI-ökoszisztéma létrehozásáért.
Miért fontos a „szuverén” személyes AI?
Krikorian szerint a cél nem az, hogy hét általános mesterséges intelligencia (AGI) uralja a jövőt, hanem hogy „hétmilliárd” olyan AI-unk legyen, amelyet minden ember megbízhat a személyes adataival és érdekeivel kapcsolatban. Ezt Raffi „Owners Not Renters” című hírlevelének üzenete is tükrözi: a felhasználóknak olyan ügynökökre van szükségük, amelyek az ő oldalukon állnak, úgy, ahogy a böngészők eredetileg felhasználói ágensekként működtek.
Krikorian egy tanulmányra hivatkozott, amelyben azt vizsgálták, hogy az AI-asszisztensek hajlamosak-e egy cég kereskedelmi érdekeit részesíteni előnyben a felhasználó jólétével szemben. Repülőjegy-foglalási szimulációkban 23 modell közül 18 ajánlott többször egy drágább, szponzorált opciót egy olcsóbb alternatívával szemben.
Mi kell az open source modellek köré?
Krikorian hangsúlyozta, hogy önmagában az open source modell nem elég a személyre szabott, szuverén AI-hoz. A modell köré több rétegnek kell épülnie:
- memória: a felhasználó privát adatait tároló hely;
- tool calling (eszközhívás): hogy az ügynök például vásároljon vagy orvosi időpontot foglaljon;
- futtatókörnyezet (runtime);
- szabályok és interfészek az ügynökök közötti, illetve harmadik felekhez való beszélgetéshez;
- egy „hám” (harness): itt történnek az értékelések, a guardrail-ok (biztonsági korlátok), a végrehajtási hurkok, az eszközhívás és a memória kezelése.
Krikorian szerint ezek mind olyan fejlesztési területek, ahol az open source közösség aktívan dolgozhat.
Nyílt szabványok és induló referencia
A Mozilla célja, hogy kiindulópontot biztosítson: segítsen meghatározni, hogyan nézzen ki egy nyílt memória protokoll, egy tárolási protokoll vagy a hitelesített eszközhívás megfelelő guardrail-ökkel. Krikorian szerint, ha definiálni tudjuk ezeket a nyílt szabványokat, akkor sokan elkezdhetnek interoperábilis megoldásokat fejleszteni — „újra az internet” felépítéséhez hasonlóan, ahol protokollokra épülve hatalmas piaci érték jöhet létre.
Könnyű telepítés hiánya
A Mozilla "2026 State of Open Source AI" jelentése szerint az open modellek körülbelül 3%-kal maradnak el a frontier-modellektől teljesítményben, ugyanakkor kevésbé kerülnek be éles használatba, mint a zárt modellek. Krikorian szerint az ok, hogy az open source kiadása egyszerű, de üzembe helyezése nehéz: hosting, provisioning, guardrail-ok és memória megoldása szükséges. Zárt szolgáltatásoknál (például OpenAI vagy Anthropic API) elég egy hitelkártya, míg az open source-nál nincs „double-click” telepítő, ami egyszerűvé tenné a szervezeti bevezetést.
Ennek ellenére azok a cégek, amelyek átállnak open source modellekre, jelentős megtakarítást tapasztalnak, mivel az open modellek már sok esetben „elég jók” a legtöbb feladathoz: „naptárkezeléshez nem kell Ferrari” – fogalmazott Raffi.
Példák és az innováció állapota
Krikorian saját napi ügynöke a Hermes, amely GLM-en fut. Arra számít, hogy néhány éven belül olyan fogyasztói termékek jelennek meg (például Apple vagy Microsoft részéről), amelyek elterjedtté teszik az ilyen ügynököket az átlagfelhasználók, például az édesanyja számára is. Jelenleg azonban az innováció jobb része még a fejlesztőknek kedvez: a rendszer használatához sokszor kódolni kell.
Tim O’Reilly szerint a technológiai ciklusok váltakoznak: először izgalmas időszak van a fejlesztők és feltalálók számára, majd a piac kiszűri a szereplőket és néhány nagy cég dominál. Jelenleg az izgalmas, formáló szakaszban vagyunk, amikor lehetőség van annak formalizálására, hogy milyen legyen a jövő.
Piaci koncentráció, sokszínűség és kockázatok
A beszélgetés kitért a piac koncentrációjára is. A Mozilla jelentése szerint a valós felhasználásban akár egyharmad is lehet az open modellek részesedése, ugyanakkor a modellréteg bevételének csak 4%-a jutott vissza az open source ökoszisztémába. Raffi és Tim hangsúlyozták, hogy a mérőszámok félrevezetők lehetnek: sok technológia „több értéket teremt, mint amit elfog” (The Clothesline Paradox), és ez részben megmagyarázza a látható bevételi arányokat.
Krikorian kiemelte a sokszínűség szerepét: például kórházaknak érdemes lenne helyi modelleket is letölteniük tartalék megoldásként, ahogy egy fontos számítógéphez szünetmentes tápegységet használunk. A vezető zárt modellek általában amerikai cégektől, a vezető open-weight modellek közül sok kínai forrásból származik — mindkettő hozzáférhetőségét politikai vagy szabályozási lépések korlátozhatják. Példaként említették, hogy júniusban Anthropic átmenetileg felfüggesztette a Fable modellekhez való hozzáférést exportkontrolloknak való megfelelés miatt.
Biztonság és guardrail-ok
A közönségtől feltett kérdésre Krikorian elismerte, hogy a guardrail-ok és a sandbox-kijárások kezelése (például OpenAI és Anthropic esetében) nehéz probléma. Az érzékeny személyes adatok szivárgásának megakadályozása nem merül ki számsorok keresésében — sokkal többről van szó. Raffi szerint egyszer majd modellek fognak modelleket védeni, de a jelenlegi alapvető keretrendszerek még nem eléggé kifinomultak. A beszélgetés után bejelentett NVIDIA biztonsági platform arra utal, hogy a jobb guardrail-okat a modelleken kívül kell megvalósítani.
Konklúzió: AI, mint infrastruktúra
Tim O’Reilly megnyitó gondolata szerint a nyílt és zárt rendszerek mindig együtt léteznek majd: a zárt rendszerek képesek nagy tömegek számára értéket nyújtani, míg a nyílt rendszerek az innováció és szuverenitás alapjait szolgáltatják. Krikorian zárszavában felhívta a figyelmet, hogy egy jól kialakított hám (harness) egyes kódolási feladatokon akár 20%-kal is javíthatja a modell teljesítményét, és ezen a rétegen bárki, aki nem feltétlenül gépi tanulási mérnök, jelentős hatást gyakorolhat.
A beszélgetés összefoglalója szerint tehát az open source modellek és a rájuk épülő nyílt protokollok, memória- és guardrail-megoldások kulcsfontosságúak ahhoz, hogy a mesterséges intelligencia valóban személyes, ellenőrzött és hosszú távon megbízható infrastruktúrát jelenthessenek.
