Jak wynika z półanalizy, otwarte modele AI wychwytują modele o zamkniętej granicy w o połowę krótszym czasie

Jak wynika z nowej analizy przeprowadzonej przez firmę badawczą SemiAnalytics, modele sztucznej inteligencji o otwartej wadze wypełniają lukę w stosunku do zamkniętych modeli granicznych w uderzającym tempie: z każdą kolejną erą dużych modeli językowych modele otwarte potrzebują o połowę mniej czasu, aby dogonić pierwszy zamknięty model z tej ery.

Badanie zatytułowane „Czy modele otwarte nadrabiają zaległości?” i opublikowana 21 sierpnia przez Evana Cloutiera, Maxa Kana, Jordana Nanosa i Dylana Patela, jest jedną z najbardziej systematycznych dotychczas prób ilościowego określenia pytania, które wisi nad całą branżą sztucznej inteligencji: jeśli otwarte modele pozostaną prawie tak samo wydajne jak zamknięta granica za ułamek kosztów, czy laboratoria graniczne będą miały trwały biznes? Aby uzyskać szczegółowe informacje na temat wydań modeli napędzających tę zmianę, śledź AI Buzz Wire.

Trzy epoki granicznej AI

Autorzy argumentują, że historia LLM dzieli się na trzy odrębne epoki – wczesne skalowanie, wnioskowanie i agentyczność – każda reprezentuje wzrost funkcji krokowej tego, co modele mogą z pożytkiem zrobić.

Ich głównym punktem metodologicznym jest to, że porównywanie modeli z różnych epok za pomocą jednego punktu odniesienia jest błędem. Każdy punkt odniesienia jest produktem swojej epoki: jest tworzony w celu dostrzeżenia istniejących w danym momencie różnic w możliwościach, a następnie tworzony przez twórców modeli aż do jego nasycenia, w którym to momencie branża przestaje się tym przejmować i idzie dalej. Zamiast tego zespół SemiAnalytics przeprowadził wybrane zestawy porównawcze dla modeli z każdej epoki, aby uzyskać złożony wynik w zakresie możliwości.

Patrząc z tego punktu widzenia, różnica między wartościami otwartymi i zamkniętymi porusza się cyklicznie. Na początku każdej ery pionierskie laboratorium kończy obiecujące badania, opracowuje imponujący model i posuwa się naprzód. Następnie inne laboratoria identyfikują kluczowe postępy, poddają je inżynierii wstecznej i wypełniają lukę. „Nic nie pozostaje tajemnicą na zawsze – zwłaszcza jeśli uwzględnić destylację” – piszą autorzy. „To tylko kwestia tego, jak długo to zajmie”.

Zmierzenie tego pytania doprowadziło do głównego wniosku badania: z każdą generacją modele open source potrzebują o połowę mniej czasu, aby dogonić pierwszy w tamtej epoce model o zamkniętym kodzie źródłowym.

Dlaczego ten cykl wydaje się inny

Raport bez ogródek mówi o różnicy między przeszłymi momentami w modelu otwartym a obecnymi. „Moment DeepSeek” ze stycznia 2025 r. trafił na pierwsze strony gazet, ale „tak naprawdę nikt nie używał R1 do wykonywania jakichkolwiek prac opłacalnych ekonomicznie” – zauważają autorzy.

Dla kontrastu wskazują, że modele takie jak GLM 5.3 i Kimi K3 są „naprawdę zdolne do wykonywania wielu tych samych zadań związanych z kodowaniem i agentyzacją, które wywindowały Anthropic do ponad 65 miliardów dolarów ARR” – co stanowi odniesienie do trajektorii przychodów, jaką obciążenie kodowaniem i agenturą spowodowało dla twórcy Claude. Twierdzenie to ma szczególną wagę, ponieważ te otwarte modele to nie tylko oprogramowanie demonstracyjne; są wdrażane w środowisku produkcyjnym do tych samych zadań, które generują rzeczywiste przychody dla zamkniętych laboratoriów.

Liczby użycia wzmacniają tę zmianę. Według SemiAnalytics, Fireworks, dostawca wnioskowania obsługujący wiele otwartych modeli, przetwarza obecnie ponad 40 bilionów tokenów dziennie — czyli dwukrotnie więcej niż w przypadku interfejsu API OpenAI na koniec marca. Jak stwierdzono w raporcie, jest to „ekscytujący czas dla bycia konsumentem tokenów”, a walka o tokeny wykracza obecnie daleko poza duopol OpenAI–Anthropic.

Pytanie o utowarowienie

Badanie bezpośrednio odnosi się do obawy – którą w niektórych kręgach nazywa się FUD – że wydajne, tanie, otwarte modele całkowicie utowarowią warstwę modelu, co byłoby katastrofalne dla marży laboratoriów granicznych.

Publiczna część analizy nie zawiera pełnej odpowiedzi, wskazując czytelnikom płatny model Tokenomics firmy, umożliwiający szczegółowe omówienie finansów OpenAI i Anthropic. Jednak kierunek rozwoju jest jasny: jeśli otwarte modele z każdej epoki docierają o połowę krócej niż w poprzedniej epoce, okno, w którym zamknięte laboratoria mogą pobierać wyższe ceny za możliwości na obszarach granicznych, stale się kurczy.

Autorzy przestrzegają także przed odczytywaniem tego trendu jako wyroku śmierci dla badań pionierskich. Benchmarki, piszą, „nie mówią wszystkiego”, a wnioski z raportu opisano jako „mniej niedźwiedzie” w przypadku modeli pionierskich, niż czytelnikom mogłoby się początkowo wydawać – po części dlatego, że surowy parytet benchmarków to nie to samo, co parytet pod względem niezawodności, integracji produktów, dystrybucji przedsiębiorstw czy kapitału potrzebnego do obsługi modeli na dużą skalę.

Dlaczego to ma znaczenie

W przypadku kupujących odkrycia potwierdzają strategię przyjętą już przez wiele przedsiębiorstw: domyślne korzystanie z otwartych lub tańszych modeli dla większości wolumenu tokenów przy jednoczesnym rezerwowaniu zamkniętych modeli premium do najtrudniejszych zadań. W przypadku laboratoriów określa to ilościowo obciążenie, z jakim się borykają, na dwóch frontach — otwarte modele poniżej i ogromne koszty obliczeniowe powyżej.

A w przypadku ekosystemu open source dane SemiAnalytics oferują coś, czego często brakowało: raczej dowód niż ideologię na to, że luka zamyka się zgodnie z przewidywalnym harmonogramem. Jeśli schemat półetatowy utrzyma się w następnej erze pionierskiej sztucznej inteligencji, najcenniejszym pytaniem w branży nie będzie to, czy otwarte modele nadrobią zaległości, ale to, co pozostanie po tym, czego da się obronić.

Śledź wyścig sztucznej inteligencji w wadze otwartej Przeczytaj więcej aktualności o sztucznej inteligencji →