Governos, empresas e organizações sem fins lucrativos deveriam investir em IA livre e de código aberto [pdf]
Apelos para que governos e instituições financiem IA livre e de código aberto destacam uma tensão entre o acesso público a modelos poderosos e os enormes custos de capital e computação necessários para construí-los. Comentadores comparam a IA a sucessos anteriores do código aberto, como o Linux, mas observam que LLMs de fronteira se parecem mais com grandes projetos científicos (Manhattan ou Apollo) do que com software típico, o que levanta dúvidas sobre se esforços voluntários ou modestamente financiados conseguem acompanhar. Ao lado de propostas como competições de prêmios e mandatos de licenciamento, אחרים questionam se a IA hoje entrega valor social suficiente para justificar investimento público massivo, especialmente diante do uso de energia, da concentração de poder e das questões ainda não resolvidas sobre dados de treinamento e direitos autorais.
Economia da IA de código aberto vs. fechada
- Alguns argumentam que governos e instituições deveriam investir pesadamente em IA de código aberto / pesos abertos para evitar um futuro dominado por alguns poucos laboratórios privados e para capturar as vantagens colaborativas vistas no sucesso passado do FOSS.
- Outros contrapõem que os modelos de fronteira são extremamente intensivos em capital e computação, de modo que OSS voluntário ou levemente financiado não consegue competir com empresas investindo bilhões e esperando retornos.
- Uma visão intermediária observa que grande parte do OSS importante já é financiada por corporações; modelos semelhantes poderiam funcionar para IA, mas apenas onde a economia fizer sentido.
Comoditização e onde o OSS vence
- Comparações com sistemas operacionais, bancos de dados e compiladores: em muitos desses domínios, o OSS acabou por dominar.
- Céticos respondem que o OSS se sai melhor quando um domínio já está comoditizado e a pesquisa está perto da fronteira pública; onde a pesquisa proprietária e grandes desembolsos de capital importam (por exemplo, LLMs de fronteira), o OSS tem dificuldade.
- Alguns veem a geração de tokens e os LLMs de médio nível já se movendo em direção à comoditização, com vários modelos intercambiáveis e pressão de queda nos preços.
Barreiras práticas às contribuições abertas
- O OSS tradicional permite contribuições de qualquer pessoa com um laptop; o treinamento de LLMs exige computação cara.
- Isso desloca a “competição” da qualidade do código para o acesso a GPUs, elevando a barreira para contribuições significativas e tornando o modelo clássico de desenvolvimento de OSS menos aplicável.
Modelos alternativos de financiamento e prêmios
- As propostas incluem prêmios recorrentes de incentivo para modelos abertos que atendam a benchmarks estritos sob limites fixos de VRAM, possivelmente com cofinanciamento corporativo.
- Os apoiadores acham que isso poderia estimular otimização e reconhecimento; os críticos observam que criar avaliações, manter sigilo e garantir reprodutibilidade seria caro e complexo, possivelmente mais do que as bolsas de prêmios.
Papel do governo: investir, regular ou restringir
- Alguns querem grande investimento público ou até programas de IA liderados pelo Estado no estilo “Manhattan/Apollo”; outros argumentam que as condições políticas e econômicas atuais tornam tal gasto irrealista ou de menor prioridade do que clima, energia ou necessidades sociais.
- Outro grupo quer tributação pesada ou tarifas sobre computação de IA, vendo a IA de fronteira como socialmente prejudicial, intensiva em energia e beneficiando principalmente os “vendedores de pás” (fornecedores de GPU, clouds).
- As sugestões incluem pesos abertos obrigatórios (possivelmente não comerciais), publicação dos dados de treinamento ou até tomada estatal em caso de alto risco — equilibradas por preocupações com competição em segurança nacional e riscos de uso indevido de modelos de fronteira totalmente abertos.
Ética, dados e os comuns
- Disputas em curso sobre se treinar em dados públicos sem consentimento é “roubo” ou consistente com normas antigas da internet.
- Alguns argumentam que a comercialização de modelos treinados com dados públicos deveria exigir o compartilhamento dos resultados de volta aos comuns; outros destacam a hipocrisia, dada a ampla pirataria prévia e o reuso de informações livremente disponíveis.