如何重新认识人工智能时代的开源

OSI（国际开源许可组织）发布在AI时代 Open Source (开源) 的定义与IT时代的传统定义有所变化。AI时代对Open Source(开源)定义的要求是: 提供训练数据详细信息，完整构建和运行AI的代码，以及训练时的设置和权重。

我们（中国开源软件推进联盟 COPU）在去年年中，曾与荷兰学者、OSI讨论这个问题，今天，看到大家有兴趣，我们准备进一步讨论这个问题。下面把以前我们与荷兰学者、OSI讨论的简况发布出来供大家参考：

荷兰学者发表了ACM论文，主题是戳破大公司的开源谎言，在GenAI时代如何定义“开源模型”，采用开源闭源如何判断，谁更安全?他们认为，传统的开源指能够访问、修改源代码，并对程序的使用或发行不加限制。进入AI时代后，这个概念变得模糊，关于AI模型的开源如何界定。他们注意到AI行业“开源”定义的模糊性，于是发表论文讨论这个问题，论文概括下列问题：

①开放性不同程度的复合分级概念:开放(open)、部分开放(Partially Open)、封闭(Closed)。

②可用性：包括代码、数据、模型权重、指令微调数据、微调后的权重。

③文档：源代码、模型架构的说明文档、模型卡(model card)、数据表(date sheet)、是否发布了预印本和经过同行评审的论文。

④方向与许可：是否把模型放到公开代码库上作为软件包发行，是否提供API访问，以及模型的许可证。

他们还谈了开放性有不同程度和维护，在大多数情况下，开源依旧要好过闭源。这对于：①系统的风险分析(公众需要知道)，②可审查性(评估人员需要知道)，③科学可复现性(科研工作者需要知道)，④法律责任(用户需要知道)。

再来谈谈与OSI的讨论：时至去年年中，OSI就感到对于开源代码和使用许可的传统观点不再适用于AI组件，已经不足以保证使用、研究、共享和修改系统的自由。他们早在2022年起便研究修改开源AI的定义，至去年年中已提出0.0.8版最新修改的版本(提供三方面信息)：

①训练数据的详细信息：包括数据集、数据来源、数据范围和特征、获取和数据选择方式、标注程序、数据清理方法等。以便技术人员可以用相同或相似的数据复现模型的效果。

②用于训练和运行的源代码：包括支持库以及预处理、训练、验证和测试推理、模型架构等多步骤的代码。

③模型参数：包括训练阶段中间关键的检查点(check point)，以及最终的优化器状态。

这样修改的结果，比我们平常认知系统的“开放源代码”要扩展不少内容。