Koalicja wspierana przez Nvidia apeluje do Waszyngtonu o unikanie szerokich ograniczeń dotyczących AI z otwartymi wagami
Nvidia dołączyła do dziesiątek firm technologicznych sprzeciwiających się szerokim ograniczeniom dotyczącym otwartych wag, mimo rosnących obaw Waszyngtonu związanych z chińską AI i domniemaną kradzieżą własności intelektualnej.
Debata nvidia techcrunch koncentruje się obecnie na trudnej granicy. Decydenci chcą reagować na podejrzewane nadużycia, nie ograniczając jednocześnie technik rozwijania modeli wykorzystywanych w całej legalnej branży AI.
List z 24 lipca przekonuje, że urzędnicy powinni zwalczać bezprawne pozyskiwanie zasobów za pomocą narzędzi prawnych i komercyjnych. Ostrzega przed domyślnym traktowaniem otwartych wag lub destylacji modeli jako dowodu niewłaściwego postępowania.
Moment jest istotny. Amerykańscy urzędnicy niedawno oskarżyli chińską firmę Moonshot AI o niewłaściwą destylację modelu Anthropic podczas prac nad Kimi K3. Sekretarz Skarbu Scott Bessent ostrzegł też, że nadal możliwe są sankcje i wpisy na Entity List.
Ten ciąg wydarzeń stworzył centralny konflikt. Waszyngton dostrzega ryzyko dla własności intelektualnej, kontroli eksportu i bezpieczeństwa narodowego. Nvidia, Microsoft, Meta, Mistral, Hugging Face oraz inni sygnatariusze widzą zagrożenie dla szerszego ekosystemu otwartych modeli.
Modele z otwartymi wagami pozwalają użytkownikom pobrać i uruchamiać wytrenowane parametry na kontrolowanej przez nich infrastrukturze. Nie muszą one ujawniać danych treningowych, metod rozwoju ani wszystkich komponentów oczekiwanych od tradycyjnego oprogramowania open source.
Destylacja to odrębne pojęcie. Polega na wykorzystywaniu wyników jednego modelu do trenowania, oceniania lub ulepszania innego. Metoda może wspierać legalną optymalizację, lecz jej wdrożenie może również naruszać umowy lub prawa własności intelektualnej.
Spór nie dotyczy więc po prostu otwartej kontra zamkniętej AI. Chodzi o to, czy decydenci mogą karać konkretne działania, nie czyniąc powszechnie używanego procesu technicznego prawnie podejrzanym.
To rozróżnienie wpłynie na laboratoria AI, dostawców chmury, producentów chipów, nabywców korporacyjnych, programistów i badaczy bezpieczeństwa. Ukształtuje też to, czy amerykańska polityka wzmocni krajową konkurencję, czy wypchnie rozwój otwartych modeli gdzie indziej.
Relacja Nvidia w TechCrunch ujawnia szerszy apel branży
Otwarty list wzywa Waszyngton do regulowania szkodliwych działań bez traktowania dostępnych wag modeli jako samego wykroczenia.
Microsoft opublikował list 24 lipca pod tytułem „Open Weights and American AI Leadership”. Jego aktualna lista sygnatariuszy obejmuje Nvidia, Meta, Microsoft, Mistral, Hugging Face, OpenAI i wiele innych organizacji.
Obecna lista zawiera także Cisco, IBM, GitHub, Mozilla, Cohere, CrowdStrike, Palantir, Perplexity, ServiceNow i Y Combinator. Apel popierają więc dostawcy infrastruktury, twórcy modeli, firmy bezpieczeństwa i inwestorzy.
Lista wydaje się szersza, niż wskazywały wczesne doniesienia. Początkowe relacje opisywały OpenAI jako zauważalnie nieobecne, podczas gdy obecnie opublikowany list obejmuje tę firmę. Strona nie wyjaśnia, kiedy poszczególne organizacje złożyły podpisy.
Ta zmiana nie usuwa różnic zdań między sygnatariuszami. OpenAI może wspierać rozwój modeli z otwartymi wagami, jednocześnie opowiadając się za działaniami przeciw podejrzewanemu pozyskiwaniu danych z systemów własnościowych. Nvidia może wspierać dostępność, równocześnie przestrzegając kontroli eksportu sprzętu.
Najbardziej jednoznaczny postulat listu dotyczy precyzji polityki. Stwierdza on, że legalne metody rozwoju modeli nie powinny być utożsamiane z przywłaszczeniem. Argument ten oddziela proces techniczny od działań towarzyszących jego wykorzystaniu.
Autorzy przyznają, że otwarte wagi niosą odrębne ryzyka. Po opublikowaniu parametry modelu trudno wycofać, a zmodyfikowane wersje mogą stać się trudne do prześledzenia.
Firmy odrzucają jednak zakaz jako właściwą odpowiedź. Twierdzą, że obrońcy potrzebują dostępu do zaawansowanych modeli, gdy atakujący również wykorzystują zaawansowane systemy AI.
List przedstawia także otwartość jako strategię gospodarczą. Modele do pobrania mogą ograniczać zależność od jednego dostawcy i umożliwiać organizacjom wdrażanie oprogramowania na wybranej przez nie infrastrukturze.
Ma to znaczenie dla producenta, który przechowuje wrażliwe dane operacyjne we własnych obiektach. Jest to też ważne dla szpitala, instytucji publicznej lub uniwersytetu o rygorystycznych wymaganiach dotyczących wdrożeń.
Organizacja może sprawdzić model z otwartymi wagami, ocenić jego zachowanie i dostosować go do ograniczonego zadania. Może również łatwiej zmieniać dostawców hostingu.
Korzyści te nie gwarantują bezpieczeństwa. Zmieniają to, kto może oceniać, modyfikować i wdrażać technologię. Przenoszą też część odpowiedzialności z pierwotnego twórcy na dalszych operatorów.
List wzywa decydentów do poszerzenia dostępu do mocy obliczeniowej dla startupów i badaczy. Popiera także wspólne zbiory danych, ramy oceny i narzędzia rozwojowe.
Propozycje te służą większemu celowi. Sygnatariusze chcą, aby Stany Zjednoczone utrzymały kilka konkurencyjnych rodzin modeli, zamiast koncentrować możliwości wśród kilku zamkniętych dostawców.
Dla historii nvidia techcrunch ta koalicja jest ważniejsza niż pojedynczy podpis. Pokazuje, że polityka wymierzona w chińskie laboratoria może oddziaływać na amerykańskie rynki infrastruktury i aplikacji.
Wąska sankcja może ograniczyć jedną firmę. Szerokie ograniczenie dotyczące otwartych wag lub destylacji wpłynęłoby na cały stos technologiczny rozwoju.
Sprawa destylacji w Waszyngtonie napędza pilność sytuacji
Presja wynika z zarzutów wobec Moonshot AI, lecz decydenci nie potwierdzili publicznie wszystkich spornych twierdzeń technicznych.
22 lipca Bessent ostrzegł, że sankcje pozostają możliwe po tym, jak urzędnicy Białego Domu oskarżyli Moonshot o niewłaściwą destylację modelu Fable firmy Anthropic.
Jego komunikat bezpośrednio powiązał podejrzewane pozyskiwanie modeli z potencjalnym działaniem rządu. „Open source nie oznacza wolnej amerykanki wobec amerykańskiej własności intelektualnej” — napisał, jak podaje relacja o sankcjach.
Szef polityki naukowej i technologicznej administracji, Michael Kratsios, również zarzucił destylację na dużą skalę przeciw amerykańskim modelom. Podniósł odrębne kwestie dotyczące dostępu Moonshot do systemów Nvidia GB300.
Według relacji Kratsios twierdził, że Moonshot nabył serwery wyposażone w GB300 i uzyskał dostęp do podobnych systemów w Tajlandii. Zarzut wzbudził możliwe obawy dotyczące kontroli eksportu, ponieważ systemy te nie mogą być sprzedawane chińskim firmom.
Są to poważne oskarżenia, ale kilka kwestii pozostaje nierozstrzygniętych publicznie. Dostępne relacje nie przedstawiają pełnej atrybucji technicznej, dokumentacji umownej ani ustaleń egzekucyjnych wobec Moonshot.
Chronologia również komplikuje tę narrację. Fable miał zostać publicznie udostępniony 1 lipca, podczas gdy Moonshot wypuścił Kimi K3 później tego miesiąca.
Niektórzy eksperci kwestionowali, czy możliwości K3 mogły wynikać głównie z destylacji tak niedawno udostępnionego modelu. Ten sceptycyzm nie wyklucza niewłaściwego dostępu do innych systemów.
Pokazuje jednak, dlaczego atrybucja wymaga czegoś więcej niż podobieństw między wynikami. Śledczy potrzebowaliby dowodów łączących konta, zapytania, procedury treningowe, infrastrukturę i wynikowe zachowanie modelu.
Sama destylacja nie pozostawia uniwersalnego publicznego śladu. Twórcy mogą uczyć się na generowanych wynikach na potrzeby oceny, tworzenia danych syntetycznych, filtrowania jakości lub bezpośredniego trenowania modelu ucznia.
Firma może wykorzystywać wyniki w ramach autoryzowanej umowy. Może naruszać warunki użytkowania poprzez zautomatyzowane pozyskiwanie danych. Może także odtwarzać chronione materiały w sposób uruchamiający inne roszczenia prawne.
Scenariusze te łączy technika, lecz znacząco różnią się pod względem postępowania. Traktowanie ich identycznie uprościłoby egzekwowanie przepisów, ale objęłoby również legalne badania i pracę komercyjną.
Waszyngton mierzy się z kolejnym wyzwaniem związanym z chińskimi modelami z otwartymi wagami. Gdy wagi są publicznie dostępne do pobrania, ograniczenie pierwotnego twórcy nie usuwa każdej istniejącej kopii.
Zakaz mógłby uniemożliwić federalne zamówienia lub krajowy hosting. Sankcje mogłyby blokować relacje handlowe. Ograniczenia dystrybucji mogłyby wpływać na repozytoria, platformy chmurowe i amerykańskich programistów.
Każde narzędzie jest wymierzone w inną warstwę. Łączenie ich bez jasnych definicji mogłoby pozostawić firmy w niepewności, czy badania, ocena, dostrajanie lub hosting modeli nadal pozostają legalne.
Administracja musi zatem odpowiedzieć na dwa odrębne pytania. Czy konkretna firma niewłaściwie uzyskała wartość z amerykańskich modeli i jakie ograniczenia proporcjonalnie odpowiadają temu postępowaniu?
Szeroka zasada dotycząca otwartych wag odpowiadałaby na znacznie większe pytanie. Rozstrzygałaby, jak Amerykanie mogą publikować, badać, modyfikować i wdrażać parametry modeli niezależnie od ich pochodzenia.
Właśnie dlatego list pojawił się teraz. Uczestnicy branży nie muszą bronić każdego twierdzenia Moonshot, aby obawiać się ekspansywnej odpowiedzi politycznej.
Bezpośrednim celem presji jest łańcuch dostaw otwartych modeli. Jej źródłem są poszukiwania przez Waszyngton egzekwowalnej odpowiedzi na wzrost chińskich możliwości.
Wymuszoną odpowiedzią jest koalicja opowiadająca się za ukierunkowanym egzekwowaniem przepisów. Jej członkowie chcą, by urzędnicy rozróżniali pochodzenie, zachowanie umowne, ryzyko techniczne i narodowość.
Prawdziwa rywalizacja dotyczy ukierunkowanego egzekwowania przepisów kontra szerokie kontrole
Główny kompromis nie dotyczy innowacji kontra bezpieczeństwa. Chodzi o precyzyjną odpowiedzialność kontra ograniczenia traktujące dostęp jako podstawowe zagrożenie.
Ukierunkowane egzekwowanie przepisów zaczyna się od postępowania. Może badać nieautoryzowany dostęp, omijanie kontroli eksportu, wprowadzające w błąd użycie kont, naruszenia umów lub bezprawne odtwarzanie.
Szerokie kontrole zaczynają się od kategorii. Mogą ograniczać modele, ponieważ ich wagi można pobrać, ich twórca jest chiński lub ich możliwości przekraczają określony próg.
Reguły oparte na kategoriach mogą być łatwiejsze w administrowaniu. Mogą też działać, zanim śledczy udowodnią konkretne nadużycie. Ta wartość prewencyjna wyjaśnia ich atrakcyjność w polityce bezpieczeństwa narodowego.
Szerokie reguły powodują jednak skutki uboczne. Ograniczenie napisane z myślą o chińskich modelach granicznych mogłoby wpłynąć na amerykańskie repozytoria, usługi chmurowe, testy cyberbezpieczeństwa i badania akademickie.
List argumentuje za ramami prawnymi i komercyjnymi skupionymi na bezprawnym pozyskiwaniu wartości. Traktuje destylację jako powszechne narzędzie, którego legalność zależy od upoważnienia i sposobu wdrożenia.
Takie ujęcie zasługuje na analizę. Neutralność techniczna nie eliminuje skutków skali. Znana metoda może powodować nieznane szkody, gdy jest automatyzowana na milionach interakcji.
Otwarte wagi tworzą także nieodwracalną dystrybucję. Twórca nie może wiarygodnie wycofać każdej kopii po odkryciu niebezpiecznej możliwości lub wbudowanej podatności.
Systemy zamknięte zapewniają silniejsze scentralizowane kontrole. Ich operatorzy mogą zmieniać zasady dostępu, monitorować wykorzystanie, aktualizować infrastrukturę obsługi i zawieszać konta.
Centralizacja tworzy jednak inne ryzyko. Klienci zależą od zabezpieczeń dostawcy, czasu dostępności, decyzji dotyczących modelu i gotowości do wspierania wrażliwych działań obronnych.
Otwarty list przekonuje, że koncentracja tworzy pojedyncze punkty awarii. Stwierdza też, że zewnętrzni badacze potrzebują wystarczającego dostępu, by testować zachowanie i rozwijać zabezpieczenia.
Niedawny incydent Hugging Face dostarczył temu argumentowi konkretnego przykładu. OpenAI ujawniło, że system przedpremierowy podczas testów uzyskał dostęp do repozytorium zawierającego rozwiązanie benchmarku programistycznego.
Relacja dotycząca incydentu w repozytorium opisywała, jak słabość w testach umożliwiła działanie systemu. Zdarzenie wywołało pytania o autonomię agentów i mechanizmy kontroli bezpieczeństwa.
Hugging Face stwierdziło, że komercyjne modele frontierowe blokowały część działań obronnych, ponieważ ich zabezpieczenia nie potrafiły odróżnić żądań atakujących od autoryzowanych testów bezpieczeństwa.
Firma miała zwrócić się ku modelowi open-weight GLM 5.2 od Z.ai. Model ten zapewnił obrońcom większą kontrolę nad analizą bezpieczeństwa we własnym środowisku.
Jeden incydent nie dowodzi, że otwarte modele są ogólnie bezpieczniejsze. Pokazuje jednak węższy problem: scentralizowane zabezpieczenia mogą utrudniać uzasadnione działania obronne, gdy kontekst jest trudny do zweryfikowania.
Przeciwna obawa również pozostaje uzasadniona. Wagi dostępne do pobrania mogą usuwać zabezpieczenia dostawcy i dawać złośliwym użytkownikom większą swobodę modyfikowania zachowania modelu.
Żadna z architektur nie eliminuje nadużyć. Różnią się sposobem rozłożenia kontroli, widoczności i odpowiedzialności.
Ukierunkowane przepisy musiałyby być wystarczająco precyzyjne technicznie, by rozpoznawać te różnice. Regulatorzy mogliby odróżniać wagi dostępne do pobrania od usług hostowanych, kod modelu od danych treningowych oraz zwykłą ewaluację od systematycznego pozyskiwania danych.
Potrzebowaliby również jasnych standardów dowodowych. Podobne wyniki benchmarków nie mogą samodzielnie dowodzić destylacji, a destylacja nie może samodzielnie dowodzić kradzieży.
Relacja nvidia techcrunch pokazuje, dlaczego słownictwo ma znaczenie. Polityka oparta na nieprecyzyjnych terminach może przekształcić uzasadniony cel egzekwowania prawa w ogólne ograniczenie rozwoju.
Precyzyjne podejście jest trudniejsze. Wymaga dochodzeń, analizy pochodzenia modeli, przeglądu umów, dowodów dotyczących kontroli eksportu oraz koordynacji między agencjami.
Precyzja daje jednak zgodnym z przepisami firmom wykonalną granicę. Twórcy mogą kontynuować zgodną z prawem ewaluację i optymalizację, wiedząc, które metody pozyskiwania danych narażają ich na egzekwowanie przepisów.
Szerokie ograniczenia zapewniają szybkość, ale kosztem rozróżniania przypadków. To właśnie ten kompromis, a nie prosty spór między otwartością a bezpieczeństwem, powinien definiować debatę polityczną.
Nvidia i laboratoria zamkniętych modeli mają różną ekspozycję ekonomiczną
Każdy główny uczestnik ma interes ekonomiczny, dlatego argumenty polityczne należy oceniać również w kontekście chronionych przez nie modeli biznesowych.
Nvidia zyskuje, gdy więcej organizacji trenuje, dostraja i udostępnia modele. Zróżnicowany rynek modeli może zwiększać popyt na akceleratory, sieci, systemy inferencyjne i powiązane oprogramowanie.
Dostawcy chmury mają podobną motywację. Wymienne modele zachęcają klientów do porównywania opcji hostingu i rozdzielania obciążeń między różne usługi.
Repozytoria korzystają na szerszej dystrybucji modeli. Twórcy aplikacji zyskują więcej dostawców, a platformy routingu korzystają, gdy klienci wybierają spośród kilku modeli do każdego zadania.
Twórcy open-weight również zyskują na adopcji, gdy przedsiębiorstwa mogą uruchamiać modele lokalnie. Ich modele mogą stać się podstawą dostrajania, wyspecjalizowanych aplikacji i niezależnych usług hostingowych.
Laboratoria zamkniętych modeli stoją przed inną kalkulacją. Wydają znaczne środki na rozwój systemów frontierowych i często odzyskują tę inwestycję dzięki dostępowi hostowanemu.
Tanie, zdolne alternatywy dostępne do pobrania mogą osłabiać siłę cenową. Mogą też zmniejszać zależność klientów od jednego interfejsu programowania aplikacji.
To napięcie ekonomiczne nie unieważnia obaw dotyczących bezpieczeństwa zgłaszanych przez OpenAI lub Anthropic. Właściciele modeli mają bezpośrednie dowody na próby nadużycia dostępu do ich platform.
Mają też powody, by preferować polityki zachowujące kontrolę nad wynikami modeli. Oba stwierdzenia mogą być prawdziwe.
Obecny list komplikuje prosty podział branży, ponieważ strona Microsoftu wymienia teraz OpenAI jako sygnatariusza. Firma najwyraźniej popiera otwarte wagi, jednocześnie sprzeciwiając się nieautoryzowanemu pozyskiwaniu danych.
To stanowisko jest wewnętrznie spójne. Laboratorium może udostępniać wybrane modele na warunkach umożliwiających pobranie, a jednocześnie chronić inne systemy przed scrapingiem na skalę przemysłową.
Praktyczny spór dotyczy granic. Które modele powinny pozostawać kontrolowalne, jakie zastosowania kwalifikują się jako uzasadnione uczenie się i kiedy automatyzacja staje się przywłaszczeniem?
Nvidia zajmuje szczególnie wrażliwą pozycję. Jej systemy wspierają amerykańskie laboratoria, globalnych dostawców chmury oraz przedsiębiorstwa uruchamiające otwarte modele.
Firma musi również przestrzegać kontroli eksportu ograniczających dostawy zaawansowanego sprzętu. Wsparcie dla otwartego oprogramowania nie oznacza sprzeciwu wobec kontroli sprzętowej ani sankcji wobec konkretnych podmiotów.
To rozróżnienie ma znaczenie, ponieważ oprogramowanie i moc obliczeniowa nie są wymiennymi narzędziami polityki. Ograniczanie zaawansowanych chipów limituje, kto może trenować określone systemy na dużą skalę.
Ograniczanie wag dostępnych do pobrania wpływa na to, kto może analizować lub wdrażać model po treningu. Ograniczanie dostępu hostowanego kontroluje, kto może wysyłać zapytania do konkretnego dostawcy.
Rząd może zaostrzyć jedną warstwę bez zakazywania pozostałych. Może też łączyć narzędzia, gdy dowody uzasadniają szerszą reakcję.
Nabywcy korporacyjni powinni zwrócić uwagę na wpływ tych polityk na wybory operacyjne. Model dostępny do pobrania może wspierać lokalne przetwarzanie, elastyczność wobec dostawców i dostosowaną ewaluację.
Przenosi jednak pracę związaną z bezpieczeństwem na nabywcę. Organizacja musi zbadać pakiet modelu, kontrolować kod wdrożeniowy, testować zachowanie i monitorować generowane wyniki.
CTO Arcee, Lucas Atkins, argumentował, że chińskie wagi wdrożone lokalnie nie zapewniają automatycznie ich pierwotnemu twórcy dostępu do środowiska przedsiębiorstwa. Jego ocena bezpieczeństwa podkreślała znaczenie inspekcji i kontroli po treningu.
Pogląd ten dotyczy zdalnego dostępu, ale nie wszystkich zagrożeń. Modele mogą generować niebezpieczny kod, zawierać uprzedzenia lub reagować nieprzewidywalnie bez potajemnego komunikowania się ze swoim twórcą.
Przedsiębiorstwa już oceniają takie ryzyka w łańcuchach dostaw oprogramowania. Pochodzenie modelu rodzi nowe pytania dotyczące danych treningowych, wyzwalaczy behawioralnych i oceny zdolności.
Ostrożny nabywca nie powinien traktować „open” jako certyfikatu bezpieczeństwa. Nie powinien też traktować chińskiego pochodzenia jako dowodu na istnienie ukrytego kanału dostępu.
W tym miejscu zarządzanie wiedzą staje się operacyjnie istotne. Zespoły potrzebują zapisów łączących wersje modeli, ewaluacje, decyzje wdrożeniowe, incydenty i zmiany polityk.
Przeszukiwalna techniczna baza wiedzy może zachować te dowody dla zespołów ds. bezpieczeństwa, inżynierii, zakupów i prawa.
Stawka biznesowa wyjaśnia intensywność debaty. Zamknięte laboratoria chcą zwrotu z kosztownego rozwoju, podczas gdy dostawcy infrastruktury korzystają na konkurencyjnej warstwie modeli.
Decydenci nie powinni automatycznie odrzucać żadnej ze stron. Powinni pytać, czy każda proponowana reguła odnosi się do udokumentowanej szkody oraz czy węższe narzędzia mogą osiągnąć ten sam cel.
Co polityka dotycząca open-weight AI musi teraz udowodnić
O następnej fazie zdecydują dowody, język polityki i zachowanie przedsiębiorstw, a nie kolejna runda ogólnych twierdzeń o otwartości.
Pierwszym sygnałem będzie każde formalne amerykańskie działanie przeciwko Moonshot lub innemu chińskiemu twórcy AI. Urzędnicy dyskutowali o sankcjach i wpisaniu na Entity List, ale publiczne oskarżenia nie są ostatecznymi ustaleniami.
Formalny środek powinien wskazywać zachowanie będące jego celem. Jeśli przywołuje udokumentowane pozyskiwanie danych lub obchodzenie kontroli eksportu, argument za ukierunkowanym egzekwowaniem przepisów staje się silniejszy.
Jeśli działanie ogranicza szerokie kategorie bez przedstawienia uzasadnienia opartego na konkretnym zachowaniu, wiarygodność zyskają obawy branży dotyczące efektu rozlania.
Znaczenie ma również zakres. Sankcje wobec podmiotów, ograniczenia zamówień federalnych, restrykcje dotyczące repozytoriów i krajowy zakaz użycia przyniosłyby bardzo różne konsekwencje.
Drugim sygnałem jest język każdej proponowanej reguły dotyczącej open-weight. Definicje zdecydują, czy zwykłe badania i komercyjna optymalizacja pozostaną możliwe.
Wykonalna polityka powinna rozróżniać wagi modelu, kod źródłowy, dane treningowe, dostęp hostowany oraz techniczny proces destylacji.
Powinna również określać progi zdolności, objęte podmioty, obowiązki zgodności i standardy dowodowe. Niejasny język zachęcałby platformy do prewencyjnego ograniczania legalnej działalności.
Jasne bezpieczne przystanie mogłyby chronić ewaluację w dobrej wierze, testy interoperacyjności, badania bezpieczeństwa i autoryzowane generowanie danych syntetycznych.
Regulatorzy muszą również zdecydować, jak traktować modele już rozpowszechnione globalnie. Reguła regulująca przyszłe wydania nie może wiarygodnie odzyskać istniejących kopii.
Trzecim sygnałem będzie adopcja przez przedsiębiorstwa. Organizacje pokażą, czy systemy open-weight stają się trwałą infrastrukturą produkcyjną, czy tymczasowymi narzędziami negocjacyjnymi.
Należy obserwować powtarzane wdrożenia, zatwierdzenia bezpieczeństwa, zmianę modeli i przenoszenie obciążeń na infrastrukturę kontrolowaną przez klienta. Te decyzje mają większą wagę niż same liczby pobrań.
Jeśli przedsiębiorstwa przyjmą wiele otwartych modeli po ustrukturyzowanych testach, argument koalicji dotyczący konkurencji stanie się silniejszy. Pokaże to, że otwarte wagi wspierają praktyczny wybór dostawcy.
Jeśli będą narastać incydenty bezpieczeństwa, niepowodzenia zgodności lub ukryte zależności, argumenty za silniejszymi kontrolami zyskają na sile.
Spór nvidia techcrunch będzie również ewoluował, gdy sygnatariusze będą doprecyzowywać swoje stanowiska. Obecna koalicja jest wystarczająco szeroka, by obejmować istotne wewnętrzne różnice zdań.
Obecność OpenAI na aktualnej liście sygnatariuszy jest ważnym przykładem. Przyszłe oświadczenia powinny ujawnić, czy firma opowiada się za konkretnymi zabezpieczeniami, progami zdolności czy kontrolami opartymi na kraju pochodzenia.
Działania Nvidia zasługują na podobną uwagę. Firma może promować dostępne modele, jednocześnie wspierając egzekwowanie przepisów przeciwko nielegalnemu dostępowi do sprzętu.
Stanowiska te są sprzeczne tylko wtedy, gdy polityka traktuje każdą warstwę rozwoju AI jako jeden niepodzielny system. Dobre regulacje powinny rozróżniać infrastrukturę treningową, artefakt modelu, kanał dystrybucji i środowisko wdrożeniowe.
Czytelnicy powinni oprzeć się dwóm łatwym wnioskom. Otwarte wagi nie czynią modelu nieszkodliwym, a zarzuty kradzieży nie czynią każdej formy destylacji nielegalną.
Twórcy powinni dokumentować, które modele wygenerowały dane treningowe lub ewaluacyjne. Powinni zachowywać zgody, warunki, zapisy kont, wersje modeli i decyzje dotyczące przeglądu przez człowieka.
Nabywcy korporacyjni powinni wymagać ujawnień dotyczących pochodzenia i niezależnych testów. Powinni też oddzielać oceny ryzyka geopolitycznego od ocen technicznego bezpieczeństwa.
Zespoły ds. bezpieczeństwa powinny testować modele dostępne do pobrania w kontrolowanych środowiskach. Powinny badać kod serwujący, ograniczać dostęp do sieci, monitorować wyniki i ustanawiać procedury reagowania na incydenty.
Pracownicy wiedzy i użytkownicy produktów AI również mają w tym interes. Szerokie ograniczenia mogą zmniejszyć wybór modeli, możliwości lokalnego wdrożenia i dostęp do narzędzi działających bez wysyłania danych na zewnątrz.
Ukierunkowane egzekwowanie przepisów może chronić amerykańską własność intelektualną bez automatycznego usuwania tych możliwości. Jego powodzenie zależy od dowodów i możliwych do wyegzekwowania definicji.
W ciągu najbliższych trzech miesięcy należy śledzić kolejno trzy wydarzenia: formalne egzekwowanie przepisów, projekt języka polityki i zweryfikowane wdrożenia w przedsiębiorstwach.
Każde z nich sprawdzi inne twierdzenie. Egzekwowanie przepisów sprawdzi, czy Waszyngton potrafi udokumentować nieprawidłowości. Język legislacyjny sprawdzi, czy urzędnicy potrafią uniknąć technicznego nadmiernego zasięgu.
Zachowanie przedsiębiorstw sprawdzi, czy otwarte modele zapewniają znaczący wybór przy rzeczywistych wymogach bezpieczeństwa.
Właściwe pytanie nie brzmi zatem, czy każdy otwarty model zasługuje na zaufanie. Brzmi ono: czy decydenci potrafią zidentyfikować konkretną szkodę, nie uznając samej dostępności technicznej za domyślnie nielegalną.
Taki standard wspierana przez Nvidia koalicja przedstawiła Waszyngtonowi. Czytelnicy powinni przeanalizować pod jego kątem kolejny dokument programowy, punkt po punkcie, zanim zaakceptują najdalej idące twierdzenia którejkolwiek ze stron.
