सरकारों, कंपनियों, गैर-लाभकारी संगठनों को मुक्त, ओपन-सोर्स AI में निवेश करना चाहिए [pdf]

ओपन-सोर्स बनाम बंद AI अर्थशास्त्र

• कुछ लोगों का तर्क है कि सरकारों और संस्थानों को ओपन-सोर्स / ओपन-वेट्स AI में भारी निवेश करना चाहिए ताकि कुछ निजी प्रयोगशालाओं के प्रभुत्व वाले भविष्य से बचा जा सके और अतीत की FOSS सफलताओं में दिखे सहयोगी लाभों को हासिल किया जा सके।
• दूसरे लोग जवाब देते हैं कि फ्रंटियर मॉडल बेहद पूंजी- और कंप्यूट-गहन होते हैं, इसलिए स्वयंसेवी या हल्के-फुल्के वित्तपोषित OSS उन कंपनियों से प्रतिस्पर्धा नहीं कर सकता जो अरबों का निवेश कर रही हैं और रिटर्न की उम्मीद रखती हैं।
• एक मध्यम दृष्टिकोण यह नोट करता है कि अधिकांश प्रमुख OSS पहले से ही निगमों द्वारा वित्तपोषित है; AI के लिए भी इसी तरह के मॉडल काम कर सकते हैं, लेकिन केवल वहीं जहाँ अर्थशास्त्र सही बैठता हो।

कमोडिटाइज़ेशन और OSS कहाँ जीतता है

• ऑपरेटिंग सिस्टम, डेटाबेस और कंपाइलरों से तुलना: इनमें से कई क्षेत्रों में OSS अंततः हावी हो गया।
• संशयवादी जवाब देते हैं कि OSS सबसे अच्छा तब करता है जब कोई क्षेत्र कमोडिटाइज़ हो चुका हो और शोध सार्वजनिक फ्रंटियर के करीब हो; जहाँ स्वामित्व वाला शोध और बड़े पूंजीगत व्यय मायने रखते हैं (जैसे फ्रंटियर LLMs), वहाँ OSS संघर्ष करता है।
• कुछ लोगों का मानना है कि टोकन जनरेशन और मध्य-स्तर के LLMs पहले से ही कमोडिटाइज़ेशन की ओर बढ़ रहे हैं, जहाँ कई अदल-बदल योग्य मॉडल हैं और कीमतों पर नीचे की ओर दबाव है।

ओपन योगदानों की व्यावहारिक बाधाएँ

• पारंपरिक OSS में लैपटॉप रखने वाला कोई भी व्यक्ति योगदान दे सकता है; LLM प्रशिक्षण के लिए महंगा कंप्यूट चाहिए।
• इससे “प्रतिस्पर्धा” कोड गुणवत्ता से हटकर GPUs तक पहुँच पर आ जाती है, जिससे सार्थक योगदानों के लिए मानक बढ़ जाता है और क्लासिक OSS विकास मॉडल कम लागू होता है।

वैकल्पिक फंडिंग और पुरस्कार मॉडल

• प्रस्तावों में निश्चित VRAM सीमाओं के तहत सख्त बेंचमार्क पूरे करने वाले ओपन मॉडल्स के लिए आवर्ती प्रोत्साहन पुरस्कार शामिल हैं, संभवतः कॉरपोरेट सह-फंडिंग के साथ।
• समर्थकों का मानना है कि इससे अनुकूलन और पहचान को बढ़ावा मिल सकता है; आलोचकों का कहना है कि मूल्यांकन निर्माण, गोपनीयता और पुनरुत्पादनक्षमता महंगी और जटिल होगी, संभवतः पुरस्कार पूलों से भी अधिक।

सरकार की भूमिका: निवेश, विनियमन, या संयम

• कुछ लोग बड़े सार्वजनिक निवेश या यहाँ तक कि राज्य-नेतृत्व वाले “Manhattan/Apollo-style” AI कार्यक्रम चाहते हैं; अन्य का तर्क है कि मौजूदा राजनीतिक और आर्थिक परिस्थितियाँ ऐसे खर्च को अवास्तविक बनाती हैं या इसे जलवायु, ऊर्जा, या सामाजिक जरूरतों की तुलना में कम प्राथमिकता देती हैं।
• एक अलग धड़ा AI कंप्यूट पर भारी कराधान या टैरिफ चाहता है, क्योंकि वे फ्रंटियर AI को सामाजिक रूप से हानिकारक, ऊर्जा-गहन और मुख्यतः “shovel sellers” (GPU विक्रेता, क्लाउड्स) को लाभ पहुँचाने वाला मानते हैं।
• सुझावों में अनिवार्य ओपन वेट्स (संभवतः गैर-व्यावसायिक), प्रशिक्षण डेटा का प्रकाशन, या उच्च जोखिम की स्थिति में राज्य अधिग्रहण तक शामिल हैं—लेकिन इसके साथ राष्ट्रीय-सुरक्षा प्रतिस्पर्धा और पूर्णतः खुले फ्रंटियर मॉडल्स से दुरुपयोग जोखिमों की चिंताएँ भी जुड़ी हैं।

नीति, डेटा, और कॉमन्स

• इस पर चल रहे विवाद कि क्या सार्वजनिक डेटा पर बिना सहमति प्रशिक्षण देना “चोरी” है या इंटरनेट की लंबे समय से चली आ रही मान्यताओं के अनुरूप।
• कुछ लोगों का तर्क है कि सार्वजनिक डेटा पर प्रशिक्षित मॉडलों के व्यावसायीकरण के लिए आउटपुट्स को वापस कॉमन्स में साझा करना चाहिए; अन्य लोग व्यापक पूर्व-पीरसी और मुक्त उपलब्ध जानकारी के पुन: उपयोग को देखते हुए पाखंड को उजागर करते हैं।