ხელოვნური ინტელექტის (AI) განვითარებაში ღია მიდგომები, როგორც წესი, არამხოლოდ უფრო გამჭვირვალე, ადაპტირებადი და მეცნიერულად დასაბუთებულია, არამედ თანმიმდევრულად იმეორებს ან აჭარბებს ფართოდ გამოყენებული, მხოლოდ API-ზე დაფუძნებული კომერციული შეთავაზებების წარმადობას მრავალ ამოცანაში. უფრო მეტიც, ეს სულ უფრო მოკლე ვადებში, რესურსების გაზრდილი ეფექტურობით ხდება. ამ მიდგომის ეფექტურობის დამაჯერებელი მაგალითებია ჩვენი გუნდის მიერ შექმნილი OlympicCoder-ი, რომელმაც 7 მილიარდი პარამეტრითა და ღია წყაროს შემდგომი წვრთნის მეთოდოლოგიით აჯობა Claude 3.7-ს კომპლექსურ კოდირების ამოცანებში, ასევე AI2-ის სრულად ღია OLMo 2 მოდელები (ღია სავარჯიშო მონაცემებით), რომლებიც o1-mini-ის წარმადობას უტოლდება. ეს წარმატებები გვიჩვენებს, რომ ხელოვნური ინტელექტის მძლავრი სტრატეგია უნდა ეფუძნებოდეს ღია და კოლაბორაციულ განვითარებას, რათა საუკეთესოდ გაიზარდოს ტექნოლოგიის წარმადობა, დანერგვა და უსაფრთხოება. ამ მიმართულებით სამ ძირითად რეკომენდაციას ვაკეთებთ. დღემდე არსებული ყველაზე მოწინავე AI სისტემები ეფუძნება ღია კვლევის (ყურადღების მექანიზმები, ტრანსფორმატორული არქიტექტურები, შემდგომი წვრთნის იაფი ალგორითმები) და ღია წყაროს პროგრამული უზრუნველყოფის (PyTorch, Hugging Face ბიბლიოთეკები, სუპერკომპიუტერების ოპერაციული სისტემები) მყარ საფუძველს. ეს ხაზს უსვამს ღიაობის უწყვეტი მხარდაჭერის კრიტიკულ ღირებულებას შემდგომი პროგრესის უზრუნველსაყოფად. ინვესტიციებმა სისტემებში, რომლებიც თავისუფლად შეიძლება ხელახლა იქნას გამოყენებული და ადაპტირებული, ასევე აჩვენა ძლიერი ეკონომიკური ზემოქმედების მულტიპლიკატორული ეფექტი, რაც განაპირობებს ქვეყნების მშპ-ის მნიშვნელოვან პროცენტს. ვინაიდან ხელოვნური ინტელექტის სისტემები ღია წონებითა და წვრთნის ტექნიკით სულ უფრო მიმზიდველი ხდება დეველოპერებისთვის, როგორც წარმადობის, ასევე ღირებულების თვალსაზრისით, სასიცოცხლოდ მნიშვნელოვანი იქნება საჯარო კვლევითი ინფრასტრუქტურის პრიორიტეტიზაცია და ფართო წვდომა გამოთვლით სიმძლავრეებთან, კონფიგურირებად მოდელებთან და სანდო ღია მონაცემთა ნაკრებებთან – განსაკუთრებით მცირე დეველოპერებისა და მკვლევარებისთვის – რათა უზრუნველყოფილი იყოს AI ტექნოლოგიის შემდგომი ტექნიკური და ეკონომიკური წარმატება. ორგანიზაციების რესურსების შეზღუდვების მოგვარება, რომლებიც ხელოვნური ინტელექტის ტექნოლოგიას ნერგავენ და აკეთებენ ადაპტაციას, აუცილებელი იქნება მისი გავრცელების მხარდასაჭერად და განვითარების მთელ ჯაჭვში ინოვაციების წახალისებისთვის. მცირე მოდელები (რომლებიც შეიძლება კიდეც კიდურ მოწყობილობებზე იქნას გამოყენებული), გამოთვლითი მოთხოვნების შემცირების ტექნიკა დასკვნის ეტაპზე და ძალისხმევა საშუალო მასშტაბის წვრთნის ხელშეწყობისთვის იმ ორგანიზაციებისთვის, რომლებსაც მოკრძალებული ან ზომიერი გამოთვლითი რესურსები აქვთ, ყველაფერი ხელს უწყობს მოდელების განვითარებას, რომლებიც აკმაყოფილებენ მათი გამოყენების კონტექსტის სპეციფიკურ საჭიროებებს, განსაკუთრებით მაღალი რისკის გარემოებებში, როგორიცაა ჯანდაცვა, სადაც სრულად გენერალისტური მოდელები არასანდო აღმოჩნდა. უფრო ეფექტური და მიზანმიმართული AI სისტემები ხელს უწყობს უკეთეს კონტექსტურ შეფასებას, რესურსების უკეთეს გამოყენებას და საშუალებას აძლევს ორგანიზაციებს, შექმნან ტექნიკური შესაძლებლობები AI განვითარების ჯაჭვის ყველა ეტაპზე, რათა უზრუნველყონ, რომ ყველა მომხმარებელმა შეძლოს სისტემის გამოყენება, რომელიც საუკეთესოდ შეესაბამება მათ საჭიროებებს. და ბოლოს, თუკი ღია წყაროს პროგრამული უზრუნველყოფაში ინფორმაციული და კიბერუსაფრთხოების ათწლეულების გამოცდილება რაიმე მანიშნებელია, ღია და გამჭვირვალე AI სისტემები ფუნდამენტურ როლს შეასრულებენ AI განვითარებისა და დანერგვის უზრუნველყოფაში, განსაკუთრებით ყველაზე კრიტიკულ გარემოებებში – უსაფრთხოების სხვადასხვა მოთხოვნისთვის საჭირო ღიაობის სხვადასხვა დონით. სრულად გამჭვირვალე მოდელები, რომლებიც უზრუნველყოფენ წვდომას მათ სავარჯიშო მონაცემებთან და პროცედურებთან, შეუძლიათ მხარი დაუჭირონ უსაფრთხოების ყველაზე ფართო სერტიფიკაციას. ღია ინფრასტრუქტურა და ღია წყაროს ინსტრუმენტები, რომლებიც უახლეს წვრთნის ტექნიკას იყენებენ, ორგანიზაციებს მისცემს საშუალებას, გაავარჯიშონ საჭირო მოდელები სრულად კონტროლირებად გარემოში. ღია წონის მოდელები, რომლებიც შეიძლება გაშვებულ იქნას იზოლირებულ (air-gapped) გარემოებებში, შეიძლება იყოს კრიტიკული კომპონენტი ინფორმაციული რისკების მართვაში. ყველაზე გამჭვირვალე სისტემების დანერგვის პრიორიტეტიზაცია, აღწერილი ღია რესურსების განვითარების მხარდაჭერა და მათი გამოყენების შესაძლებლობების შექმნა, განსაკუთრებით AI დანერგვის კრიტიკულ გარემოებებში, არსებითია უფრო უსაფრთხო AI დანერგვის უზრუნველსაყოფად.