ホワイトハウスAIアクションプランRFIに対するHugging Faceの回答

Hugging Faceは、ホワイトハウス科学技術政策局（OSTP）からの情報提供要請（RFI）に対し、ホワイトハウスAIアクションプランに関する正式な回答を提出しました。同社は、オープンAIシステムとオープンサイエンスが、性能向上、リソース効率の向上、そして最高水準のセキュリティと信頼性を確保するために不可欠であると主張しています。

オープンモデルの性能と効率

オープンAI開発アプローチは、多くのタスクでAPIのみの商用製品の性能を再現または上回ることを一貫して行っており、しばしば短い期間で、より高いリソース効率で実現しています。

この傾向を示す主な例が2つあります：

• OlympicCoder: オープンソースのポストトレーニングレシピを使用した7Bパラメーターモデルで、複雑なコーディングタスクにおいてClaude 3.7を上回りました。
• OLMo 2: AI2が提供する完全にオープンなモデルで、オープンなトレーニングデータを含み、o1‑miniと同等の性能を示します。

推奨事項1：オープンソースとオープンサイエンスを基盤として

オープンリサーチとオープンソースソフトウェアは、すべての先進的なAIシステムにとって重要な基盤を提供します。Hugging Faceは、注意機構、トランスフォーマーアーキテクチャ、効率的なポストトレーニングアルゴリズムといった核心的な進歩がオープンリサーチ上に構築されたことを指摘しています。同様に、PyTorchやHugging Faceライブラリなどの重要なソフトウェアはオープンソースです。

技術的・経済的成功を持続させるために、Hugging Faceは以下を優先することを推奨しています：

• 公共の研究インフラストラクチャー。
• 計算リソースへの広範なアクセス。
• カスタマイズ可能なモデルと信頼できるオープンデータセット、特に小規模な開発者や研究者向け。

推奨事項2：効率性と信頼性の優先

広範なイノベーションには、AIを導入する組織のリソース制約に対処する必要があります。Hugging Faceは、効率性に焦点を当てることで技術の hơn diffusion を可能にし、開発チェーン全体でのイノベーションを促進すると主張しています。

主要な技術的優先事項は次のとおりです：

• Smaller models: エッジデバイス上で実行可能なモデルの開発。
• Inference optimization: 推論時の計算要件を削減する技術の実装（例：量子化）。
• Mid‑scale training: 限られた計算リソースを持つ組織向けのトレーニング支援。

これらの効率的で目的別に設計されたシステムは、医療のような高リスク環境において、汎用モデルがしばしば信頼性に欠けることがある中で、より信頼性が高くなります。また、コンテキスト内評価とリソース活用の向上も可能にします。

推奨事項3：透明性とトレーサビリティによるセキュリティ

オープンソースソフトウェアにおける数十年のサイバーセキュリティ経験から、Hugging Faceは、オープンで透明性のあるAIシステムが重要な導入において最も安全な道であると主張しています。セキュリティ要件の違いに応じて、必要なオープン性のレベルも異なります：

• Fully transparent models: トレーニングデータと手順へのアクセスを提供するモデルは、広範な安全認証に最適です。
• Open infrastructure and tooling: 最新のトレーニング手法を実装したオープンソースツールにより、組織は完全に管理された環境でモデルをトレーニングできます。
• Open‑weight models: これらのモデルは、情報リスクを管理するためにエアギャップ環境で展開可能です。

透明性のあるシステムの採用を優先し、それらを活用できる体制を構築することで、組織はより安全なAI導入を実現できます。