מודלים של AI בעלי משקל פתוח סוגרים את הפער עם מודלים סגורים בגבולות: עם כל עידן עוקב של מודלים של שפות גדולות, למודלים פתוחים לוקח חצי יותר זמן להדביק את המודל הסגור הראשון של אותה תקופה, על פי ניתוח חדש של חברת המחקר של מוליכים למחצה SemiAnalysis.
המחקר, שכותרתו "האם מודלים פתוחים מדביקים את הקצב?" ופורסם ב-21 באוגוסט על ידי אוון קלאוטייר, מקס קאן, ג'ורדן ננוס ודילן פאטל, הוא אחד הניסיונות השיטתיים ביותר עד כה לכמת שאלה התלויה על כל תעשיית הבינה המלאכותית: אם מודלים פתוחים יישארו מסוגלים כמעט כמו הגבול הסגור בשבריר מהעלות, האם למעבדות הגבול יש עסק עמיד? לסיקור מעמיק של מהדורות הדגמים המניעות את השינוי הזה, עקוב אחר AI Buzz Wire.
שלושה עידנים של Frontier AI
המחברים טוענים כי ההיסטוריה של LLMs מתחלקת לשלושה תקופות נפרדות - קנה מידה מוקדם, היגיון וסוכן - כל אחד מייצג עלייה של פונקציית צעד במה שמודלים יכולים לעשות בצורה מועילה.
הנקודה המתודולוגית העיקרית שלהם היא שהשוואת מודלים על פני תקופות עם אמת מידה אחת היא טעות. כל מדד הוא תוצר של התקופה שלו: הוא נוצר כדי להבחין בהבדלי יכולות שקיימים באותה תקופה, ואז מטפס על ידי יצרני הדגמים עד שהוא רווי, ובשלב זה התעשייה מפסיקה לדאוג וממשיכה הלאה. במקום זאת, צוות SemiAnalysis הפעיל ערכות בנצ'מרק אצרות עבור הדגמים של כל עידן כדי לייצר ציון יכולת מורכבת.
במבט כך, הפער הפתוח מול הסגור נע במחזוריות. בתחילת כל עידן, מעבדת חזית משלימה מחקר מבטיח, מכשירה דגם מרשים וקופצת קדימה. לאחר מכן מעבדות אחרות מזהות את ההתקדמות העיקריות, מהנדסות אותן לאחור וסוגרות את הפער. "שום דבר לא נשאר סודי לנצח - במיוחד כאשר לוקחים בחשבון זיקוק", כותבים המחברים. "זו רק שאלה של כמה זמן זה לוקח".
המדידה שלהם של השאלה הזו הניבה את ממצא הכותרת של המחקר: עם כל דור, למודלים של קוד פתוח לוקח חצי יותר זמן להדביק את המודל הראשון של הקוד הסגור של התקופה.
מדוע המחזור הזה מרגיש אחרת
הדיווח בוטה לגבי ההבדל בין רגעי המודל הפתוח בעבר לזה הנוכחי. "רגע DeepSeek" בינואר 2025 עלה לכותרות, אבל "אף אחד לא השתמש ב-R1 למעשה כדי לעשות עבודה בעלת ערך כלכלי כלשהו", מציינים המחברים.
לעומת זאת, הם מצביעים על דגמים כמו GLM 5.3 ו-Kimi K3 כ"בעלי יכולת אמיתית לרבות מאותן משימות קידוד ומשימות סוכנות שהזיזו את Anthropic ל-$65B+ ARR" - התייחסות למסלול ההכנסות שהובילו הקידוד ועומסי העבודה הסוכנים עבור יצרנית קלוד. לטענה הזו יש משקל מיוחד מכיוון שהדגמים הפתוחים הללו אינם רק דמו-ware; הם נפרסים בייצור עבור אותן משימות שמייצרות הכנסה אמיתית עבור מעבדות סגורות.
מספרי השימוש מחזקים את השינוי. Fireworks, ספקית מסקנות המשרתת דגמים פתוחים רבים, מעבדת כעת יותר מ-40 טריליון אסימונים ביום - פי שניים מנפח ה-API של OpenAI בסוף מרץ, לפי SemiAnalysis. זהו, כפי שהדו"ח מגדיר זאת, "זמן מרגש להיות צרכן אסימונים", כאשר הקרב על האסימונים משתרע כעת הרבה מעבר לדואופול OpenAI–Anthropic.
שאלת הסחורה
המחקר מתייחס ישירות לחשש - שאותו הוא מציין FUD מפינות מסוימות - שדגמים פתוחים בעלי יכולת וזולה יעבדו לחלוטין את שכבת המודל, תוצאה שתהיה הרת אסון לשולי המעבדה הגבוליים.
החלק הציבורי של הניתוח נעצר מתשובה מלאה, ומפנה את הקוראים למודל Tokenomics בתשלום של החברה לצורך טיפול מפורט בנתונים הפיננסיים של OpenAI ו-Anthropic. אבל כיוון הנסיעה ברור: אם הדגמים הפתוחים של כל עידן יגיעו במחצית מהזמן של העידן הקודם, החלון שבו מעבדות סגורות יכולות לגבות מחירי פרימיום עבור יכולת גבול ממשיך להתכווץ.
המחברים גם מזהירים מפני קריאת המגמה כגזר דין מוות למחקר חזיתי. אמות מידה, הן כותבות, "אל תספרו את הסיפור המלא", ומסקנות הדו"ח מתוארות כ"פחות דוביות" במודלים חזיתיים ממה שהקוראים עלולים לחשוב בתחילה - בין השאר משום ששוויון בנצ'מרק גולמי אינו זהה לשוויון באמינות, באינטגרציה של מוצרים, בהפצה ארגונית או בהון הדרוש לשרת מודלים בקנה מידה.
למה זה חשוב
עבור הקונים, הממצאים מאשרים אסטרטגיה שארגונים רבים כבר אימצו: ברירת מחדל למודלים פתוחים או זולים יותר עבור עיקר נפח האסימון תוך שמירת מודלים סגורים פרימיום למשימות הקשות ביותר. עבור המעבדות, זה מכמת את הסחיטה העומדת בפניהם בשתי חזיתות - מודלים פתוחים למטה ועלויות חישוב אדירות מעל.
ולגבי המערכת האקולוגית של הקוד הפתוח, נתוני SemiAnalysis מציעים משהו שלעתים קרובות היה מחסור: הוכחות, ולא אידיאולוגיה, לכך שהפער נסגר בלוח זמנים צפוי. אם דפוס המחצית מחזיק מעמד בעידן הבא של הבינה המלאכותית הגבולית, השאלה החשובה ביותר של התעשייה היא לא האם מודלים פתוחים מדביקים את הפער, אלא מה נשאר בר הגנה לאחר שהם עושים זאת.
עקוב אחר מרוץ הבינה המלאכותית המשקל הפתוח קרא עוד חדשות AI →
