27 stycznia 2025 r. mało znane chińskie laboratorium, o którym większość inwestorów nigdy nie słyszała, zmiotło z giełdy 589 mld dol. kapitalizacji Nvidii w jeden dzień. To była największa jednodniowa strata wartości rynkowej w historii amerykańskiego rynku akcji. Iskrą był DeepSeek, a jego „winą” – otwartość.
Nawet Bitcoin (BTC) zachwiał się, gdy rynek przetrawiał prostą myśl: zaawansowana sztuczna inteligencja przestała być domeną garstki zamkniętych laboratoriów.
Najważniejsze punkty
- Modele z otwartymi wagami publikują wytrenowane parametry do pobrania, uruchamiania i adaptacji przez każdego – to coś innego niż w pełni open‑source’owe AI, które obejmuje także dane treningowe i kod.
- Różnica jakości między najlepszymi modelami otwartymi i zamkniętymi na publicznych rankingach skurczyła się z 8 proc. do poniżej 2 proc. w nieco ponad rok, a ceny inferencji spadły setki razy.
- Tania implementacja, dążenie do suwerenności technologicznej, łagodniejsze regulacje i ogromny ekosystem deweloperów dają dziś modelom z otwartymi wagami realną przewagę nad graczami oferującymi wyłącznie API.
Co tak naprawdę oznacza „open weight AI”
Ten termin bywa używany bardzo swobodnie, więc precyzja ma znaczenie. Otwarte wagi oznaczają, że twórca udostępnia gotowe parametry wytrenowanej sieci neuronowej – liczby, które kodują to, czego model się nauczył. Można je pobrać, uruchomić na własnej infrastrukturze i dalej dostrajać.
Otwarte wagi to nie to samo co open source. Open Source Initiative 28 października 2024 r. opublikowała Open Source AI Definition, podnosząc poprzeczkę. Aby spełnić kryteria, trzeba udostępnić wagi, kod treningowy oraz na tyle szczegółowe informacje o danych, by kompetentny zespół mógł w dużym stopniu odtworzyć system.
Większość modeli reklamowanych dziś jako open source tego testu nie przechodzi. Llama od Meta, Qwen od Alibaba i DeepSeek udostępniają wagi, ale nie pełną „recepturę” danych.
Open Source Initiative mówi o tym wprost, podkreślając, że same otwarte wagi nie dają tych samych wolności, co otwarte oprogramowanie. Ta luka napędza trwający spór o „open washing”, czyli sytuację, w której firmy deklarują otwartość, ale w praktyce zatrzymują kluczowe elementy uniemożliwiające niezależne odtworzenie pracy.
Dla większości budujących rozwiązania to jednak właśnie wagi są prawdziwym trofeum. Mając je, można model serwować, odchudzać, douczać i wdrażać. W praktyce wygląda to tak:
- Otwarte wagi: wytrenowane parametry, zwykle na licencji pozwalającej na użycie, modyfikację i często komercyjne wdrożenia.
- Pełne open source: wagi plus kod treningowy i dokumentacja danych wystarczająca do ponownego zbudowania modelu.
- Model zamknięty: brak możliwości pobrania czegokolwiek, wyłącznie rozliczany dostęp przez interfejs.
To właśnie ten środkowy segment eksploduje popularnością – i to on spędza sen z powiek zamkniętym laboratoriom.
Zobacz też: Nvidia spada o niemal 5% przez warte 250 mld dol. gwarancje dla OpenAI, których jeszcze nie podpisano
Czym to się różni od podejścia OpenAI i Anthropic
OpenAI i Anthropic grają dokładnie odwrotnie. Najlepsze wagi trzymają we własnych centrach danych i sprzedają wyłącznie dostęp przez API. Wysyłasz prompt, dostajesz odpowiedź – ale samego modelu nigdy nie dotykasz.
Z biznesowego punktu widzenia to spójna logika. Chroni inwestycję w trening, utrzymuje „licznik” subskrypcji w ruchu i pozwala laboratorium na bieżąco łatać zachowania modeli lub odcinać dostęp.
Jest też argument bezpieczeństwa. Szef Anthropic, Dario Amodei, przekonuje, że po upublicznieniu wag twórca traci możliwość zdalnego dociskania „bezpieczników” czy wycofania niebezpiecznego systemu.
Haczyk to zależność.
Gdy model żyje wyłącznie na cudzych serwerach, to dostawca dyktuje cenę, gwarantuje (lub nie) dostępność, narzuca warunki użycia danych i harmonogram wygaszania wersji. Twój produkt opiera się na infrastrukturze, której nie kontrolujesz i nie możesz sprawdzić „od środka”.
Mimo lat deklarowania przywiązania do otwartych badań, OpenAI od czasu GPT‑2 z 2019 r. nie udostępniło żadnego otwartego modelu językowego – aż do 5 sierpnia 2025 r. Wtedy firma zaprezentowała dwa modele gpt‑oss, wydane na liberalnej licencji Apache 2.0. To wygląda jak bezpośrednia odpowiedź na presję, jaką wywierają dziś otwarte wagi. Spółka, która zbudowała biznes na zamkniętym API, musiała odpowiedzieć obozowi otwartości na jego własnym boisku.
Zobacz też: OpenAI stara się o 250 mld dol. linii kredytowej w akcjach Nvidii na gigantyczny kampus w Ohio
Dziesięć powodów, dla których otwarte wagi zagrażają scentralizowanemu modelowi
Nic z poniższego nie oznacza, że otwarte wagi na pewno „wygrają wszystko”. Technologiczna czołówka nadal należy do największych laboratoriów, a ryzyka są realne. Kierunek zmian pozostaje jednak od trzech lat konsekwentny – i idzie pod prąd zamkniętemu, licznikowemu modelowi API.
Zmieniło się to, że argumenty za płaceniem premii za wynajem „czarnej skrzynki” systematycznie tracą na sile. Konwergencja ma jednocześnie wymiar technologiczny, ekonomiczny i polityczny.
Oto dziesięć powodów, dla których szala zaczęła się przechylać.
Przewaga jakości praktycznie zniknęła
Najważniejszym faktem jest zbliżenie poziomów. AI Index 2025 z Uniwersytetu Stanforda wykazał, że różnica wyników między najlepszym modelem zamkniętym a najlepszym otwartym na liście Chatbot Arena skurczyła się z 8 proc. w styczniu 2024 r. do 1,7 proc. w lutym 2025 r.
Czołówka także się zagęściła. Luka między pierwszym a dziesiątym modelem na liście spadła z 11,9 proc. do 5,4 proc. w ciągu roku.
Jeżeli druga najlepsza opcja kosztuje ułamek ceny pierwszej, trudno utrzymać wysoką premię za dostęp do modelu zamkniętego. To fundamentalny problem cenowy dla firm, których cały biznes opiera się na ekskluzywności.
Cena „inteligencji” się załamała
Koszty spadały jeszcze szybciej niż luka jakości. W oparciu o dane Epoch AI i Artificial Analysis, AI Index raportuje, że koszt uruchomienia zapytania na poziomie GPT‑3.5 zszedł z ok. 20 dol. za milion tokenów w listopadzie 2022 r. do 0,07 dol. w październiku 2024 r.
To ok. 280‑krotny spadek w mniej niż dwa lata.
DeepSeek przeniósł tę logikę także na proces treningu. W raporcie technicznym V3 twierdzi, że końcowy etap treningu kosztował ok. 5,6 mln dol. na 2048 układach Nvidia H800 – wobec dziesiątek lub setek milionów dol. wydawanych na porównywalne modele na Zachodzie. Tania „inteligencja” premiuje tych, którzy potrafią ją szeroko wdrażać, a nie tych, którzy najskrupulatniej ją strzegą.
Posiadasz model na własność
Wynajmując zamknięty model, przejmujesz reguły właściciela. Dostawca może podnieść ceny, zmienić warunki, wycofać wersję, od której zależy twój produkt.
Mając wagi na własność, odbierasz mu tę dźwignię. Możesz „zamrozić” wersję, używać jej przez lata i zmieniać infrastrukturę bez przepisywania całego stosu.
„Vendor lock‑in” to nie abstrakcja. Przekłada się na koszty zmiany dostawcy, wymuszone migracje i cenniki, na które trudno negocjować wpływ. Posiadanie wag rozbraja te problemy po kolei:
- Możesz zachować konkretną wersję modelu tak długo, jak potrzebujesz.
- Przenosisz się między chmurami lub na własny sprzęt bez gruntownej przebudowy systemu.
- Unikasz niespodziewanych wycofań wersji, które z dnia na dzień rozbijają działający produkt.
Nawet hojnie brzmiące licencje otwarte mają haczyki, które warto czytać. Warunki Llamy od Meta nakazują firmom powyżej 700 mln miesięcznie aktywnych użytkowników negocjowanie osobnej umowy – dlatego ortodoksyjni zwolennicy otwartości nie nazywają Llamy prawdziwym open source.
Prywatność i suwerenność danych
Są dane, które nie mogą legalnie opuścić budynku. Szpitale, banki czy instytucje publiczne często nie mają prawa wysyłać wrażliwych informacji do zewnętrznego API.
Otwarte wagi odwracają ten wektor: to model przyjeżdża do danych. Można prowadzić inferencję on‑premises lub w prywatnej chmurze, tak by żadne wrażliwe informacje nie przekraczały granicy dostawcy.
Ten jeden parametr otwiera drzwi, do których zamknięte API w ogóle nie ma dostępu. W wielu regulowanych zastosowaniach kontrola on‑prem jest czynnikiem rozstrzygającym.
Państwa budują własne modele
Lęk o suwerenność technologiczno‑informacyjną stał się globalny. Coraz więcej rządów traktuje zależność od kilku amerykańskich czy chińskich API jako strategiczne ryzyko.
2 września 2025 r. EPFL, ETH Zurich i Szwajcarskie Narodowe Centrum Superkomputerowe udostępniły Apertus – w pełni otwarty model wytrenowany na 15 bln tokenów w ponad 1000 języków. Technology Innovation Institute w Abu Zabi rozwija od 2023 r. otwartą rodzinę Falcon, a kolejne państwa uruchamiają własne programy.
Widać powtarzalny schemat:
- Szwajcaria wypuściła Apertus, udostępniając publicznie wagi, dane i kod.
- ZEA kolejnymi wersjami Falcona wzmacniają własny, otwarty ekosystem pod liberalnymi licencjami.
- Francja, Indie, Japonia i Korea Południowa wspierają krajowe programy budowy modeli lub mocy obliczeniowych.
Nie da się zbudować „suwerennej AI” na modelu, który wolno jedynie wynajmować. Otwarte wagi są warunkiem wstępnym – dlatego państwa stają się naturalnymi sponsorami obozu otwartości.
Regulatorzy przechylają się ku otwartości
Polityka również zaczęła premiować otwarte podejście. 23 lipca 2025 r. Biały Dom przedstawił „America’s AI Action Plan”, zawierający rozdział „Encourage Open-Source and Open-Weight AI”.
Europa w strukturze idzie w podobnym kierunku, choć z inną motywacją. Unijna AI Act przewiduje częściowe zwolnienie z niektórych obowiązków dokumentacyjnych dla dostawców darmowych, otwartych modeli ogólnego przeznaczenia – o ile dany model nie zostanie uznany za systemowe ryzyko.
Zachęty ustawione są więc raczej po stronie udostępniania niż zamykania, przynajmniej w odniesieniu do modeli poniżej absolutnej czołówki. Jeżeli największy gracz geopolityczny w wyścigu AI aktywnie promuje otwarte wagi, domyślna przewaga modelu zamkniętego przestaje być oczywista.
Ekosystem deweloperski działa jak koło zamachowe
Skala napędza skalę. Hugging Face urósł do 13 mln użytkowników, ponad 2 mln publicznych modeli i ponad 500 tys. publicznych zestawów danych w samym tylko 2025 r.
Wyścigi na pobrania mówią same za siebie. Meta ogłosiła, że Llama przekroczyła 1 mld pobrań do 18 marca 2025 r., z 650 mln na początku grudnia 2024 r., podczas gdy Qwen od Alibaba dobił do 700 do stycznia 2026 r. modele te zanotowały łącznie milion pobrań z Hugging Face i doczekały się ponad 180 tys. wersji pochodnych, po drodze wyprzedzając Llamę jako najczęściej forkowaną otwartą rodzinę modeli.
Każdy fine-tuning, adapter czy kwantyzacja zbudowana na otwartym modelu powiększa jego przewagę konkurencyjną. Zamknięte API nie jest w stanie przechwycić tego kumulującego się wysiłku społeczności – nikt nie zbuduje wartościowego ekosystemu na modelu, do którego nie ma pełnego dostępu.
Działa Na Twoim Laptopie
Otwarte wagi spotykają się ze zwykłym sprzętem dzięki tanim narzędziom. Kwantyzacja kompresuje model do niższej precyzji, tak by mieścił się w mniejszej pamięci, a takie techniki jak LoRA pozwalają go dostrajać bez ponownego trenowania całości.
Przełomem okazały się lokalne środowiska uruchomieniowe. Ollama, llama.cpp i vLLM umożliwiają dziś deweloperom serwowanie zaawansowanych modeli na pojedynczym konsumenckim GPU, a nawet na zwykłym laptopie.
Model, który działa na maszynie za 2 tys. dol., to model, którego nikt nie może zdalnie wyłączyć. Taka niezależność jest dokładnie tym, czego mierzone, zamknięte modele nie są w stanie zaoferować.
Audytowalność I Interpretowalność
Nie da się zbadać tego, czego nie widać. Zamknięte API oddają jedynie wynik, bez możliwości zajrzenia w mechanizmy, które do niego doprowadziły.
Otwarte wagi pozwalają badaczom bezpośrednio penetrować model, analizować jego tryby błędów i testować bezpieczeństwo w sposób jawny. To właśnie ta przejrzystość jest powodem, dla którego obóz „open” twierdzi, że jego modele łatwiej – a nie trudniej – uczynić w długim terminie godnymi zaufania.
W branżach regulowanych, które muszą umieć wyjaśnić każdą decyzję, taka widoczność nie jest luksusem. To często wymóg prawny.
Zdecentralizowany Horyzont
Najnowszy argument leży na skrzyżowaniu AI i krypto. Jeśli wagi są otwarte, moc obliczeniowa do trenowania i serwowania modeli nie musi znajdować się w jednym centrum danych konkretnej firmy.
Projekty takie jak Prime Intellect trenowały modele na globalnie rozproszonym sprzęcie, wykorzystując mechanizmy weryfikacji, czy zdalne maszyny faktycznie wykonały deklarowaną pracę. Bittensor buduje natomiast tokenizowany rynek usług inteligencji maszynowej, wyceniany w swoim tokenie TAO (TAO).
Uczciwie trzeba dodać, że zdecentralizowane trenowanie jest dziś wolniejsze i droższe niż praca na scentralizowanym klastrze. Jednak połączenie otwartych wag ze zweryfikowaną, tokenizowaną mocą obliczeniową tworzy zupełnie nowy wektor konkurencji, którego zamknięte laboratoria nie są w stanie skopiować.
Przeczytaj także: Pixel 11 Będzie Droższy, A Google Tłumaczy To Kosztami Centrów Danych AI
Werdykt
Otwarte wagi nie zmiotą z rynku zamkniętych laboratoriów. Na samym froncie nadal wygrywa ten, kto wydaje najwięcej na infrastrukturę, otwarte modele wciąż gonią najlepsze zamknięte konstrukcje z kilkumiesięcznym opóźnieniem, a publicznie dostępne wagi niosą ryzyka nadużyć, których po premierze nie da się już wycofać.
Ale „przeważyć” nie znaczy „wymazać”. Chodzi o przesunięcie środka ciężkości – i to przesunięcie już trwa.
Różnice jakościowe są coraz cieńsze, koszt „inteligencji” zbliża się do zera, a rządy, deweloperzy i regulatorzy konsekwentnie wybierają modele, którymi mogą realnie dysponować. Scentralizowana AI nadal będzie sprzedawać wygodę na samym szczycie rynku. Reszta cicho przesuwa się w stronę modeli, których wagi można mieć na własność.
Przeczytaj następną analizę: Apple Traci Kontrolę Nad Cenami Pamięci, A Rachunek Płacą Klienci
