فرض کنید وارد دو رستوران شدهاید. در رستوران اول، غذای آماده را تحویل میگیرید و دستور پخت و مواد اولیه در آشپزخانه باقی میماند. در رستوران دوم، علاوه بر غذا، مواد اولیه و دستور پخت را نیز در اختیار شما قرار میدهند تا بتوانید آن را تغییر دهید و حتی نسخه مخصوص خودتان را بسازید.
هیچکدام از این دو مدل لزوماً بهتنهایی بهتر نیستند، اما میزان کنترل و دسترسی مشتری در آنها کاملاً متفاوت است.
دنیای هوش مصنوعی نیز تقریباً چنین تفاوتی دارد. برخی مدلها بهصورت کاملاً کنترلشده توسط شرکت سازنده ارائه میشوند و کاربر تنها از طریق یک سرویس یا API به آنها دسترسی دارد. در مقابل، برخی مدلها وزنهای آموزشدیده خود را در اختیار توسعهدهندگان قرار میدهند تا بتوانند آنها را روی زیرساخت خود اجرا یا در شرایط مشخص سفارشیسازی کنند.
در این میان، اصطلاحاتی مانند Closed AI، Open AI، Open-Weight AI و Open-Source AI زیاد به کار میروند؛ اما این واژهها مترادف یکدیگر نیستند.
تفاوت میان آنها در یک سؤال خلاصه میشود:
چه مقدار از فناوری پشت مدل در اختیار کاربر قرار گرفته و کاربر دقیقاً چه کاری اجازه دارد با آن انجام دهد؟
هوش مصنوعی بسته یا Closed AI چیست؟
در یک سیستم هوش مصنوعی بسته، شرکت سازنده کنترل بخشهای اصلی فناوری را در اختیار خود نگه میدارد.
کاربر معمولاً با یک محصول آماده، وبسایت، اپلیکیشن یا رابط برنامهنویسی کاربردی (API) با مدل ارتباط برقرار میکند، اما به وزنهای آموزشدیده یا اجزای داخلی مدل دسترسی مستقیم ندارد.
در چنین مدلی، شرکت ارائهدهنده تصمیم میگیرد:
- مدل چگونه ارائه شود؛
- چه کسی بتواند از آن استفاده کند؛
- از چه طریقی به مدل دسترسی وجود داشته باشد؛
- چه محدودیتهایی برای استفاده اعمال شود؛
- و چه تغییراتی در مدل ایجاد شود.
به همین دلیل، میتوان Closed AI را مانند همان رستورانی در نظر گرفت که غذای نهایی را در اختیار مشتری قرار میدهد، اما دستور پخت و آشپزخانه در اختیار مشتری نیست.
در نرمافزار سنتی نیز مفهوم مشابهی وجود دارد. طبق توضیح Stanford HAI، در نرمافزارهای بسته یا Closed-Source، کد زیربنایی برای مشاهده، تغییر یا استفاده عمومی در دسترس قرار نمیگیرد.
بنابراین، کاربر میتواند از نتیجه کار سیستم استفاده کند، بدون اینکه الزاماً بتواند فناوری زیربنایی آن را بررسی یا تغییر دهد.
چرا شرکتها از مدلهای هوش مصنوعی بسته استفاده میکنند؟
مدل بسته برای کسبوکارهایی میتواند جذاب باشد که میخواهند از قابلیتهای هوش مصنوعی استفاده کنند، اما تمایلی ندارند مسئولیت راهاندازی و نگهداری زیرساخت پیچیده آن را بر عهده بگیرند.
در این شرایط، شرکت ارائهدهنده معمولاً بخش قابل توجهی از کارهای فنی را مدیریت میکند؛ از اجرای مدل و زیرساخت گرفته تا بهروزرسانی و ارائه سرویس.
برای یک شرکت، این موضوع میتواند به معنای کاهش بخشی از پیچیدگی فنی باشد.
اما باید یک نکته مهم را در نظر گرفت:
بسته بودن یک مدل بهخودیخود به معنای دقیقتر، امنتر یا بهتر بودن آن نیست.
تفاوت اصلی در این است که بخش بیشتری از کنترل فنی در اختیار ارائهدهنده سرویس باقی میماند.
Open-Weight AI یا هوش مصنوعی با وزنهای باز چیست؟
یکی از اصطلاحاتی که در سالهای اخیر اهمیت بیشتری پیدا کرده، Open-Weight است.
برای درک این مفهوم ابتدا باید بدانیم «وزنهای مدل» چیست.
وزنها یا Weights مجموعهای از پارامترهای یادگرفتهشده مدل هستند که در فرایند آموزش تغییر کردهاند و نقش مهمی در نحوه پردازش ورودی و تولید خروجی توسط مدل دارند.
وقتی این وزنها در اختیار عموم قرار میگیرند، توسعهدهندگان میتوانند مدل را دانلود کنند و در شرایطی که مجوز و زیرساخت اجازه دهد، آن را روی سیستم خود اجرا یا سفارشیسازی کنند.
اینجاست که تفاوت مهمی با مدلهای بسته ایجاد میشود.
در یک مدل بسته ممکن است شما فقط از طریق API با مدل ارتباط داشته باشید؛ اما در یک مدل Open-Weight، ممکن است خود مدل آموزشدیده را در اختیار داشته باشید.
با این حال، در اختیار داشتن وزنها به معنای در اختیار داشتن تمام اجزای مدل نیست.
ممکن است وزنها عمومی باشند، اما کد کامل آموزش، جزئیات دقیق دادههای آموزشی یا برخی ابزارهای مورد استفاده برای ساخت مدل همچنان عمومی نشده باشند.
Open-Source AI چیست؟
Open-Source AI یک مرحله متفاوت و از نظر تعریف، سختگیرانهتر است.
طبق Open Source AI Definition متعلق به Open Source Initiative یا OSI، یک سیستم هوش مصنوعی متنباز باید آزادیهایی مانند استفاده، مطالعه، تغییر و اشتراکگذاری را فراهم کند و برای اعمال این آزادیها، اجزای لازم برای تغییر سیستم نیز باید در دسترس باشند.
در تعریف OSI، صرفاً انتشار وزنهای مدل کافی نیست.
برای یک سیستم هوش مصنوعی، اطلاعات لازم برای تغییر معنادار سیستم میتواند شامل مواردی مانند:
- اطلاعات مربوط به دادههای آموزشی؛
- روش و فرایند آموزش؛
- کد مورد استفاده برای آموزش؛
- کد مربوط به پردازش و آمادهسازی دادهها؛
- کد اجرای مدل؛
- معماری مدل؛
- و پارامترها و وزنهای مدل
باشد.
به همین دلیل، گفتن اینکه یک مدل «وزنهای باز دارد» با گفتن اینکه «کاملاً Open Source است» یکسان نیست.
تفاوت Open-Weight و Open-Source در یک نگاه
برای سادهتر شدن موضوع، میتوان این تفاوت را با جدول زیر در نظر گرفت:
| ویژگی | هوش مصنوعی بسته | Open-Weight | Open-Source AI |
|---|---|---|---|
| استفاده از مدل | معمولاً از طریق سرویس | امکان اجرای مستقیم، بسته به مدل و مجوز | بله، طبق شرایط مجوز |
| دسترسی به وزنها | معمولاً خیر | بله | بله |
| اجرای مدل روی زیرساخت شخصی | معمولاً خیر | معمولاً ممکن | باید امکان آن فراهم باشد |
| سفارشیسازی | وابسته به امکانات ارائهدهنده | معمولاً بیشتر | گستردهتر |
| دسترسی به کد آموزش | معمولاً خیر | لزوماً خیر | باید اجزای لازم در دسترس باشد |
| اطلاعات مربوط به دادههای آموزشی | معمولاً محدود | ممکن است محدود باشد | طبق تعریف OSI باید اطلاعات لازم برای بازتولید سیستم ارائه شود |
| میزان کنترل توسعهدهنده | محدودتر | بیشتر | بیشترین سطح آزادی تعریفشده |
البته این جدول یک چارچوب کلی است و شرایط واقعی هر مدل به مجوز، اجزای منتشرشده و محدودیتهای استفاده بستگی دارد.
چرا داشتن وزنهای مدل اهمیت دارد؟
فرض کنید یک شرکت میخواهد یک مدل هوش مصنوعی را برای محیط داخلی خود استفاده کند.
در یک مدل بسته، احتمالاً باید درخواستها را از طریق زیرساخت شرکت ارائهدهنده ارسال کند.
اما اگر وزنهای مدل در دسترس باشد، شرکت ممکن است بتواند مدل را روی زیرساخت خودش اجرا کند.
این موضوع برای کسبوکارهایی اهمیت ویژهای دارد که به دلایلی مانند:
- کنترل بیشتر روی دادهها؛
- الزامات حریم خصوصی؛
- نیاز به اجرای مدل در محیط داخلی؛
- سفارشیسازی مدل؛
- کاهش وابستگی به یک ارائهدهنده؛
- یا توسعه محصولات اختصاصی
به کنترل بیشتری روی فناوری نیاز دارند.
البته اجرای مدل روی زیرساخت شخصی به این معنا نیست که هزینهای وجود ندارد. سختافزار، GPU، برق، نگهداری، بهینهسازی و پشتیبانی همچنان میتوانند هزینه قابل توجهی ایجاد کنند.
آیا مدل Open-Weight را میتوان تغییر داد؟
در بسیاری از موارد بله، اما پاسخ دقیق به مجوز مدل و امکانات فنی آن بستگی دارد.
برای مثال، ممکن است یک مدل اجازه Fine-Tuning داشته باشد؛ یعنی توسعهدهنده بتواند آن را با دادهها یا تنظیمات جدید برای یک کاربرد خاص تطبیق دهد.
این قابلیت میتواند برای شرکتهایی مفید باشد که نمیخواهند یک مدل عمومی را همانطور که هست استفاده کنند.
برای مثال، یک شرکت میتواند بخواهد مدل را برای:
- اسناد داخلی؛
- اصطلاحات تخصصی یک صنعت؛
- خدمات مشتریان؛
- برنامهنویسی؛
- تحلیل اسناد؛
- یا یک فرایند سازمانی خاص
تطبیق دهد.
اما باز هم باید مجوز مدل بررسی شود. «Open-Weight» یک مجوز واحد و یکسان نیست و میزان آزادی کاربر میتواند میان مدلهای مختلف متفاوت باشد.
gpt-oss چیست و چرا نمونه مهمی از Open-Weight است؟
یکی از نمونههای جدید این رویکرد، مدلهای gpt-oss-120b و gpt-oss-20b از OpenAI هستند.
OpenAI این مدلها را بهعنوان مدلهای Open-Weight معرفی کرده است. این مدلها تحت مجوز Apache 2.0 ارائه شدهاند و امکان دانلود، اجرای محلی یا روی زیرساخت تحت کنترل کاربر و همچنین Fine-Tuning را فراهم میکنند.
برای مثال، OpenAI اعلام کرده است که gpt-oss-120b برای اجرا روی یک GPU با حافظه ۸۰ گیگابایت طراحی شده و gpt-oss-20b برای محیطهایی با منابع محدودتر و کاربردهای محلی مناسبتر است.
اما نکته مهم اینجاست که خود OpenAI این مدلها را Open-Weight مینامد، نه اینکه صرفاً با انتشار وزنها آنها را مطابق تعریف OSI، بهعنوان «Open Source AI» معرفی کند.
این مثال بهخوبی نشان میدهد چرا استفاده دقیق از اصطلاحات اهمیت دارد.
Open-Weight الزاماً مساوی Open-Source نیست.
چرا Open-Source بودن فقط انتشار وزنهای مدل نیست؟
ممکن است تصور شود اگر فایلهای وزن یک مدل را بتوان دانلود کرد، پس همه چیز درباره آن مدل باز است.
اما ساخت یک مدل هوش مصنوعی فقط به وزنهای نهایی محدود نمیشود.
مدل نتیجه یک فرایند پیچیده شامل داده، پردازش داده، معماری، کد، روش آموزش، تنظیمات و مراحل مختلف ارزیابی است.
اگر فقط وزن نهایی منتشر شود، ممکن است توسعهدهنده بتواند مدل را اجرا کند، اما نتواند بهطور کامل بفهمد مدل چگونه ساخته شده یا آن را با همان سطح از آزادی از نو تولید کند.
OSI دقیقاً به همین دلیل در تعریف خود روی دسترسی به دادههای لازم، کد و پارامترها تأکید کرده است.
بنابراین، Open-Source AI را بهتر است یک مفهوم گستردهتر از «دانلود وزنهای مدل» بدانیم.
مدل بسته یا باز؛ کدام گزینه برای کسبوکار بهتر است؟
پاسخ یکسانی برای همه شرکتها وجود ندارد.
اگر یک کسبوکار میخواهد سریعاً یک سرویس هوش مصنوعی را راهاندازی کند و نمیخواهد درگیر مدیریت زیرساخت شود، یک مدل ارائهشده از طریق API میتواند گزینه مناسبی برای نیازهای آن باشد.
در مقابل، اگر یک شرکت به کنترل بیشتری روی محل اجرای مدل، دادهها یا امکان سفارشیسازی نیاز داشته باشد، مدلهای Open-Weight میتوانند گزینه دیگری باشند.
برای مثال، یک سازمان بزرگ ممکن است ترجیح دهد مدل در زیرساخت خودش اجرا شود تا دادههای حساس برای پردازش به یک سرویس خارجی ارسال نشوند.
البته این انتخاب فقط به «باز یا بسته بودن» مدل بستگی ندارد.
هزینه، عملکرد، سختافزار مورد نیاز، مجوز، امنیت، پشتیبانی، قابلیت Fine-Tuning و پیچیدگی نگهداری نیز باید بررسی شوند.
آیا Open AI همیشه ارزانتر از Closed AI است؟
لزوماً نه.
یکی از برداشتهای اشتباه این است که چون یک مدل Open-Weight را میتوان دانلود کرد، استفاده از آن حتماً رایگان یا ارزانتر خواهد بود.
در عمل، اجرای یک مدل بزرگ میتواند به سختافزار قدرتمند، GPU، حافظه، برق، فضای ذخیرهسازی و نیروی متخصص نیاز داشته باشد.
در مدلهای بسته، بخش زیادی از این هزینهها توسط ارائهدهنده سرویس مدیریت میشود و کاربر معمولاً بر اساس میزان استفاده هزینه پرداخت میکند.
در مقابل، اجرای مدل روی زیرساخت شخصی میتواند کنترل بیشتری ایجاد کند، اما مسئولیت بیشتری نیز به همراه دارد.
بنابراین باید میان هزینه استفاده از مدل و هزینه مالکیت و اجرای زیرساخت تفاوت قائل شد.
مهمترین تفاوت در نهایت «کنترل» است
اگر بخواهیم تمام این بحث را در یک مفهوم خلاصه کنیم، آن مفهوم کنترل است.
در Closed AI، بخش بزرگی از کنترل در اختیار ارائهدهنده مدل باقی میماند.
در Open-Weight AI، توسعهدهنده میتواند به وزنهای مدل دسترسی داشته باشد و در صورت مجاز بودن، آن را روی زیرساخت خود اجرا یا سفارشی کند.
در Open-Source AI، هدف این است که آزادیهای بیشتری برای استفاده، مطالعه، تغییر و اشتراکگذاری فراهم شود و اجزای لازم برای انجام این کار نیز در دسترس باشند.
بنابراین وقتی درباره «باز بودن» یک مدل صحبت میکنیم، بهتر است فقط نپرسیم:
آیا این مدل Open است؟
بلکه باید بپرسیم:
دقیقاً چه چیزی باز است؟ وزنها، کد، دادهها یا همه اجزای لازم برای تغییر و مطالعه مدل؟
جمعبندی؛ Closed AI، Open-Weight و Open-Source چه تفاوتی دارند؟
تفاوت میان هوش مصنوعی بسته و باز در ظاهر ممکن است ساده به نظر برسد، اما در واقع چند سطح مختلف از دسترسی و کنترل وجود دارد.
Closed AI معمولاً مدل را بهصورت یک سرویس آماده ارائه میکند و بخشهای داخلی آن تحت کنترل شرکت سازنده باقی میماند.
Open-Weight AI وزنهای آموزشدیده مدل را در اختیار توسعهدهندگان قرار میدهد و میتواند امکان اجرای محلی، سفارشیسازی یا Fine-Tuning را فراهم کند؛ البته میزان این آزادی به مدل و مجوز آن بستگی دارد.
Open-Source AI مفهوم گستردهتری است و طبق تعریف OSI، علاوه بر وزنها، باید اطلاعات و اجزای لازم برای مطالعه، تغییر و اشتراکگذاری واقعی سیستم نیز در دسترس باشد.
به همین دلیل، «باز» و «بسته» دو نقطه ساده در یک خط نیستند که فقط با یک برچسب بتوان تمام ویژگیهای یک مدل را توضیح داد.
آنچه برای یک کسبوکار یا توسعهدهنده اهمیت دارد این است که چه چیزی را میتواند ببیند، چه چیزی را میتواند دانلود کند، مدل را کجا میتواند اجرا کند، چه بخشهایی را میتواند تغییر دهد و مجوز مدل دقیقاً چه حقوقی به او میدهد.
در نهایت، تفاوت اصلی را میتوان با همان مثال رستوران توضیح داد: در هوش مصنوعی بسته، غذای آماده را دریافت میکنید؛ در Open-Weight بخشی از دستور و مواد اصلی را در اختیار دارید؛ و در یک سیستم واقعاً Open Source، هدف این است که اطلاعات و آزادیهای لازم برای مطالعه، تغییر و اشتراکگذاری خودِ فرایند نیز فراهم باشد.
