A mesterséges intelligencia közösségében gyakran hasonlítják a nyílt modellek fejleményeit a klasszikus nyílt forráskódú projektekhez, például a Linuxhoz. A párhuzamok hasznosak, de korlátozott következtetésekre vezetnek: a teljesen nyílt forráskódú nyelvi modell — azaz amelyikhez elérhető a teljes tanítási recept, az adatok és a kód — leginkább egy operációs rendszerhez hasonlítható. Ezzel szemben a „nyílt súlyú” modellek, amelyeknél csak a betanított súlyokat és az ezek futtatásához szükséges inferencia-kódot adják ki, inkább olyan szoftververziókhoz hasonlítanak, amelyeket egy már meglévő projektre telepítenek.
Modellek és élettartamuk A modellek súlyai átlagosan változékonyak, de hosszú életciklussal bírhatnak — éppen ezért sok vállalat még mindig Llama 3 alapú munkafolyamatokat használ. A teljesen nyílt recept megalkotása, amelyet a közelmúltban például az Olmo-modellek (amelyeken a cikk szerzője is dolgozott az Allen Institute for AI-nál) és korábbi elődeik, az EleutherAI által fejlesztett Pythia is példáz, rendkívül erőforrás-igényes. Mégis bármely cég felveheti, módosíthatja és lefuttathatja ezt a folyamatot, hogy új súlyokat hozzon létre; ideális esetben a közösség visszajelzései és fejlesztései is beépülnek a következő kiadásokba.
Nvidia és a „majdnem nyílt” stratégia Nvidia jelentős mértékben fektet abba a megközelítésbe, amelynél a lehető legtöbb adatot és a tanítási kódot nyilvánosságra hozzák — a Nemotron-modelleknél például mindent kiadnak, amire jogilag lehetőségük van. A cél az, hogy minél többen építsenek úgynevezett token-gépeket, és ezzel csökkentsék az intelligencia monopolizálódásának kockázatát. Ugyanakkor ez a stratégia hatalmas keresletet generál az inferencia iránt, és jócskán növeli a chipek iránti igényt: a sajtójelentések szerint Nvidia körülbelül 26 milliárd dollárt költ erre a vállalkozásra.
Két lehetséges jövőkép A cikk szerzője két fő forgatókönyvet vázol fel:
-
Sikertörténet: ha az Nvidia „ötlete” működik — vagyis ha a közel-nyílt eszközök valóban széles körű igényt generálnak az Nvidia chipek és szolgáltatások iránt — akkor a befektetés jóval nagyobb keresletet és profitot eredményezhet, mint amennyibe a modellek építése került. Ez a pálya fenntartja az open-weight ökoszisztémát és pénzügyi visszacsatolást biztosít a szereplőknek.
-
Long-tail feloszlás: ha viszont ez a pénzügyi visszacsatolás nem alakul ki, az open-weight modellek más irányba fejlődhetnek: hatékonyságra, módosíthatóságra és specializációra összpontosító, hosszú farok jellegű ökoszisztémává. Ebben a forgatókönyvben a zárt, nagy tőkével rendelkező szereplők (például azok, akik piacvezető API-bevétellel rendelkeznek) megtartják a legértékesebb területeket — tudásmunka, gyógyszerkutatás, szoftverfejlesztés — míg az open-weight megoldások inkább vállalatspecifikus, helyszíni (on-prem) alkalmazásoknál, ismétlődő üzleti feladatoknál és hasonló niche területeken maradnak relevánsak.
Gazdasági realitások és technológiai irányok A nyílt forrású AI jövőjét megnehezíti, hogy a versenyképes modellek létrehozása rendkívül tőkeigényes. Bár a modellépítéshez való hozzáférés ipari szereplők körében továbbra is viszonylag széles maradt, növekvő az elvárás, hogy a tréning költséges, és a nyílt recept lemarad a zárt versenytársak mögött. Néhány cég, amelyek kivonulnak a tréningből (példaként említik a Databricks-et és az 01.ai-t), még inkább a kivételeknek tűnnek, nem pedig a trend kezdetének.
A tréning komplexitásának növekedése A tréning folyamata egyre összetettebbé és elvontabbá válik. A jelenlegi nyílt modell-ökoszisztémát nagyban tartja életben a poszt-tréning iránti érdeklődés: sok fejlesztő vesz át alapmodelleket (például DeepSeek V4 Flash, Inkling Small, GLM 5.X) és finomhangolja azokat agentikus feladatokra, gyakran olyan API-kkal, mint a Tinker. Ugyanakkor a szerző megjegyzi, hogy az alapmodellek „általános agentikus érvelővé” tétele egyre átláthatatlanabbá válik — hasonlóan ahhoz, ahogy korábban a nagy léptékű előtréning gyakorlatok voltak.
Pénzügyi kísérletek és licencek A nyílt modellépítők között növekszik az érdeklődés olyan licenc- és bevételmegosztási konstrukciók iránt, amelyek a downstream termékekben vagy az inferenciában történő hasznosítást célozzák. Ezek a kísérletek arra szolgálnak, hogy életképes finanszírozási modellt alakítsanak ki a közel-frontiersúlyú nyílt modellek építéséhez. Sikerük nagyban befolyásolja, hogy Nvidia stratégiája az open-weight modellterjesztésből fakadó keresletbővítést hosszabb távon is fenntarthatóvá tudja-e tenni.
A nagy szereplők és a tér leöntése tokenekkel A piac egyik fontos rétege azokból a szereplőkből áll, akik nem közvetlenül értékesítik a modellt, hanem indirekt módon monetizálják azt — tipikusan a nagy hyper-scaler vállalatok, amelyek hatalmas mérleggel rendelkeznek. Ha például Meta nyílt súlyokkal elérhetővé teszi erős modelljét, Muse Spark 1.2-t, az tovább lassíthatná Anthropic és OpenAI token-alapú bevételnövekedését, mivel a Meta gyakorlatilag „elfojtaná” a versenyt azáltal, hogy hozzáférést ad a komplementer eszközökhöz. Nvidia ezen a ponton más taktikát választ: ő inkább „mindent megtanít halászni” — tehát minél több csapat számára hozza elérhetővé azokat az eszközöket, amelyek token-alapú inferenciaigényt generálnak.
Következtetés A nyílt súlyú modellek körüli ökoszisztéma közeljövője kétirányú: vagy a nagy szereplők finanszírozási stratégiái (például Nvidia 26 milliárd dolláros kockázata) elegendő keresletet teremtenek a tréning és inferencia piacára, vagy az open-weight modellek egy specializált, hosszú farok jellegű ökoszisztémává alakulnak, amely elsősorban hatékonyságban és vertikális alkalmazásokban versenyez. Az előttünk álló években a licenckísérletek, a bevételmegosztási modellek és a hyper-skalerek taktikái döntik majd el, melyik pálya lesz domináns.
