為何政府、企業與非營利組織必須投資於自由、開源 AI
為何政府、企業與非營利組織必須投資於自由、開源 AI
核心論點：封閉的 AI 危害進步與安全
開源 AI 至關重要，因為最先進的模型正被隱藏，限制了科學發現、問責與安全。
Siegel 指出，AI 前沿——大型語言模型與其他深度學習系統——正日益變得專有。雖然 執行 模型的程式碼可能會釋出，但 建構 模型的程式碼與訓練資料仍是祕密，將 AI 變成「只能在所有者條件下進入的圖書館」。這種權力集中阻礙研究人員、臨床醫師、工程師與法官審核或理解他們所依賴的模型，讓模型成為不透明的預言機。
歷史先例：開源推動了現代互聯網
開源軟體歷史上加速了創新、安全與教育，證明共享程式碼能建立更強大的知識基礎。
Siegel 回憶他與自由軟體運動創始人 Richard Stallman 的早期辯論。Stallman 堅持軟體必須自由研究、修改與分享，促成了 GCC、GNU/Linux 等專案，這些如今支撐了大多數互聯網。開放的論點勝過「安全靠隱蔽」：全球社群能比封閉團隊更快發現與修補漏洞。
為何同樣的戰鬥對 AI 更為重要
AI 是新的「知識圖書館」；現在將其關閉將鎖住未來的科學突破。
如果 AI 成為研究、醫療、工程與法律的主要工具，限制存取就等同於把未來發現的手段鎖起來。Siegel 把這比作少數公司擁有所有公共圖書館，決定哪些書籍可閱讀——這種情況社會無法容忍。
針對反對意見的回應
安全顧慮無法靠保密解決
「批評者認為釋出底層 AI 不像發表研究論文：論文描述的是能力，而軟體本身就是能力。」（Siegel）
Siegel 承認開放模型可能被濫用的真實風險，但指出保密並不保證安全。封閉模型仍會洩漏、被破解，且會集中權力，產生另一套危險。真正的問題是開放模型是否會帶來額外的、超出現有風險的「有意義」危險。
市場力量未必能提供開放替代方案
「前沿模型持續變大、變貴——這場軍備競賽很可能只留給巨頭。」（Siegel）
雖然商業公司會主導最資源密集的研究，Siegel 認為大多數實際應用並不需要絕對的前沿。較小、較便宜且足夠能用的開源模型即可滿足大多數使用情境。
需要什麼樣的開放性？
必須同時開放可執行的模型與完整的建置管線（程式碼、資料、訓練配方）。
Siegel 區分兩類：
- 執行時程式碼 – 讓使用者查詢模型的二進位檔。這有用但不足。
- 建置時程式碼與資料 – 創建模型的腳本、架構與資料集。此處的透明度能實現可重現性、審計與科學進步。
目前許多所謂「開源」的發佈僅提供第一項，將第二項隱藏。結果產生「魔法數字」：雖能運作卻無法被檢視或改進。
可行的資助模式
公共與私營部門應透過運算補助、獎勵競賽以及公開資金預設開放政策，資助開源 AI。
Siegel 提出三項具體機制，呼應過去促成開源生態系的歷史投資：
- 運算補助：政府提供 GPU 叢集資源給開放研究計畫。
- 企業與慈善贊助：公司與基金會資助大學實驗室與非營利組織開發開源模型。
- 預設開放規則：任何使用公共資金建置的 AI 系統必須以開源授權釋出。
熱度最高的評論者 @rao‑v 進一步闡述獎金概念，建議定期設置誘因獎（例如每 6‑12 個月 $200 k），獎勵在有限硬體上達到特定基準的模型。此舉同時提供金錢激勵與公開認可。
社群觀點
- 支持獎勵機制：@rao‑v 認為針對性的獎金能催化進步，並提升開源團隊的能見度。
- 對可行性持懷疑：@hereme888 警告商業 AI 會佔主導，因為開發者需要有償工作，善意貢獻難以與利潤動機競爭。
- 合作社模式：@foo42 建議以會員所有的合作社作為開源 AI 的治理結構。
- 市場導向觀點：@djolo2211 認為市場自然會產生更便宜、開源的模型，且大多數任務不需要前沿模型。
- 科學計畫類比：@thatguymike 把公共資金的 AI 計畫比作曼哈頓或阿波羅計畫——大型、協調的研究計畫，而非零星補助。
這些評論同時展現了對結構化激勵的熱情與對永續性的顧慮，呼應了 Siegel 對協調、充足資金方法的呼籲。
結論：現在投資，保護公共資源
資助自由、開源 AI 是可重複的公共財實驗，能保障創新、安全與民主化取得強大技術的權利。
Siegel 的論文將開源軟體革命（建構互聯網）與當前 AI 的緊迫需求直接相連。透過分配運算資源、獎金與政策指令，政府、企業與非營利組織能確保 AI 成為共享基礎，而非封閉壟斷。
前進的道路很清晰：為 AI 複製成功的開源投資模式，讓科學、產業與整個社會共享其利益。