Los gobiernos, las empresas y las organizaciones sin fines de lucro deberían invertir en IA libre y de código abierto [pdf]
Los llamados a que los gobiernos y las instituciones financien IA libre y de código abierto ponen de relieve una tensión entre el acceso público a modelos potentes y los enormes costes de capital y cómputo necesarios para construirlos. Quienes comentan comparan la IA con éxitos anteriores del código abierto como Linux, pero señalan que los LLM de frontera se parecen más a grandes proyectos científicos (Manhattan o Apollo) que al software típico, lo que plantea dudas sobre si los esfuerzos voluntarios o con financiación modesta pueden seguir el ritmo. Junto con propuestas como competiciones con premios y mandatos de licencias, otros cuestionan si la IA ofrece actualmente suficiente valor social como para justificar una inversión pública masiva, especialmente dados el consumo energético, la concentración de poder y las cuestiones no resueltas sobre los datos de entrenamiento y los derechos de autor.
Economía de la IA de código abierto frente a la cerrada
- Algunos argumentan que los gobiernos y las instituciones deberían invertir fuertemente en IA de código abierto / con pesos abiertos para evitar un futuro dominado por unos pocos laboratorios privados y para aprovechar las ventajas colaborativas vistas en éxitos previos del FOSS.
- Otros responden que los modelos de frontera son extremadamente intensivos en capital y cómputo, por lo que el OSS voluntario o con financiación ligera no puede competir con empresas que invierten miles de millones y esperan retornos.
- Una postura intermedia señala que gran parte del OSS importante ya está financiado por corporaciones; modelos similares podrían funcionar para la IA, pero solo donde la economía lo justifique.
Comoditización y dónde gana el OSS
- Comparaciones con sistemas operativos, bases de datos y compiladores: en muchos de estos dominios el OSS acabó dominando.
- Los escépticos responden que el OSS funciona mejor una vez que un dominio se ha convertido en una mercancía y la investigación está cerca de la frontera pública; donde importan la investigación propietaria y los grandes desembolsos de capital (por ejemplo, los LLM de frontera), el OSS tiene dificultades.
- Algunos ven que la generación de tokens y los LLM de gama media ya tienden hacia la comoditización, con múltiples modelos intercambiables y presión a la baja sobre los precios.
Barreras prácticas para las contribuciones abiertas
- El OSS tradicional permite contribuciones de cualquier persona con un portátil; el entrenamiento de LLM requiere cómputo costoso.
- Esto desplaza la “competencia” de la calidad del código al acceso a GPUs, elevando el listón para contribuciones significativas y haciendo que el modelo clásico de desarrollo OSS sea menos aplicable.
Modelos alternativos de financiación y premios
- Entre las propuestas figuran premios de incentivo recurrentes para modelos abiertos que cumplan rigurosos puntos de referencia bajo límites fijos de VRAM, posiblemente con cofinanciación corporativa.
- Los partidarios creen que esto podría estimular la optimización y el reconocimiento; los críticos señalan que crear evaluaciones, el secretismo y la reproducibilidad serían costosos y complejos, posiblemente más que los propios fondos de los premios.
Papel del gobierno: invertir, regular o restringir
- Algunos quieren una gran inversión pública o incluso programas de IA dirigidos por el Estado al estilo “Manhattan/Apollo”; otros argumentan que las condiciones políticas y económicas actuales hacen que tal gasto sea irrealista o de menor prioridad que el clima, la energía o las necesidades sociales.
- Otro grupo quiere una fuerte tributación o aranceles sobre el cómputo de IA, al considerar que la IA de frontera es socialmente perjudicial, intensiva en energía y beneficia sobre todo a los “vendedores de palas” (proveedores de GPU, nubes).
- Las sugerencias incluyen pesos abiertos obligatorios (posiblemente no comerciales), publicación de los datos de entrenamiento o incluso toma de control estatal en caso de alto riesgo, equilibrado por preocupaciones sobre la competencia en seguridad nacional y los riesgos de uso indebido de modelos de frontera totalmente abiertos.
Ética, datos y los bienes comunes
- Disputas continuas sobre si entrenar con datos públicos sin consentimiento es “robo” o si es coherente con normas de larga data de Internet.
- Algunos argumentan que la comercialización de modelos entrenados con datos públicos debería exigir devolver los resultados a los bienes comunes; otros señalan la hipocresía dada la piratería y la reutilización generalizadas de información disponible libremente.