27 stycznia 2025 r. mało znome chińskie laboratorium w jeden dzień zmiotło z giełdy 589 mld dol. kapitalizacji Nvidii. To była największa jednodniowa przecena w historii amerykańskiego rynku akcji. Zapalnikiem był DeepSeek, a jego „winą” – otwartość.
Nawet Bitcoin (BTC) zadrżał, gdy rynek uświadomił sobie prostą rzecz: czołowa sztuczna inteligencja nie jest już wyłączną domeną kilku zamkniętych laboratoriów.
Kluczowe wnioski
- Modele z otwartymi wagami udostępniają wytrenowane parametry do pobrania, uruchamiania i modyfikacji, co różni je od w pełni otwartego open source, który obejmuje także dane treningowe i kod.
- Różnica jakości między najlepszymi modelami otwartymi i zamkniętymi w publicznych rankingach skurczyła się z ok. 8% do poniżej 2% w rok, a ceny inferencji spadły setki razy.
- Tania implementacja, presja na suwerenność technologiczną, bardziej przychylne regulacje i ogromny ekosystem deweloperów dają dziś otwartym wagom realną przewagę nad modelami dostępnymi wyłącznie przez API.
Co faktycznie oznacza „open weight”
Pojęcie bywa używane swobodnie, dlatego precyzja ma znaczenie. Otwarte wagi oznaczają, że twórca publikuje gotowe parametry wytrenowanej sieci neuronowej – liczby, które kodują to, czego nauczył się model. Można je pobrać, uruchomić na własnym sprzęcie i dalej dostrajać.
Otwarte wagi to nie to samo co open source. Open Source Initiative 28 października 2024 r. opublikowała swoją Open Source AI Definition, która ustawia poprzeczkę wyżej. Aby się zakwalifikować, projekt musi udostępnić wagi, kod treningowy i na tyle szczegółowe informacje o danych, by kompetentny zespół mógł w dużej mierze odtworzyć system.
Większość modeli sprzedawanych dziś jako „open source” tego kryterium nie spełnia. Llama od Meta, Qwen od Alibaba i DeepSeek publikują wagi, ale nie pełną „recepturę” danych.
Open Source Initiative mówi o tym wprost, zaznaczając, że same otwarte wagi nie dają swobód, które zapewnia klasyczne oprogramowanie open source. Ta luka napędza spór o „open washing”: firmy chętnie chwalą się otwartością, jednocześnie zatrzymując kluczowe elementy potrzebne do pełnej replikacji.
Dla większości budowniczych to jednak właśnie wagi są trofeum. Mając je, można model serwować, zmniejszać, douczać i wdrażać. W praktyce dostajemy trzy kategorie:
- Otwarte wagi: wytrenowane parametry, zwykle na licencji dopuszczającej użycie, modyfikację i często komercyjne wdrożenie.
- Pełne open source: wagi, kod treningowy i dokumentacja danych pozwalająca odtworzyć model.
- Model zamknięty: nic do pobrania, wyłącznie taryfikowany dostęp przez API.
To właśnie środkowa kategoria eksploduje dziś popularnością – i to ona spędza sen z powiek zamkniętym laboratoriom.
Zobacz też: Nvidia spada o prawie 5% przez niewiążącą jeszcze gwarancję OpenAI na 250 mld dol.
Czym to się różni od podejścia OpenAI i Anthropic
OpenAI i Anthropic grają zupełnie inną kartą. Najlepsze wagi trzymają w swoich centrach danych i sprzedają wyłącznie dostęp przez API. Wysyłasz prompt, dostajesz odpowiedź, ale modelu nigdy nie dotykasz.
Biznesowo to ma sens: chroni nakłady na trening, zapewnia stały strumień subskrypcyjnych przychodów i pozwala laboratorium w każdej chwili poprawić zachowanie modelu lub odciąć użytkownika.
Jest też argument „bezpieczeństwa”. Szef Anthropic, Dario Amodei, przekonuje, że po upublicznieniu wag twórca traci możliwość skutecznego aktualizowania zabezpieczeń i cofnięcia niebezpiecznego systemu.
Problemem staje się jednak zależność.
Jeśli model żyje wyłącznie na cudzych serwerach, to dostawca decyduje o cenach, dostępności, warunkach przetwarzania danych i tempie wygaszania kolejnych wersji. Twój produkt opiera się na infrastrukturze, której nie kontrolujesz i której nie możesz skontrolować.
Mimo lat deklarowanej wiary w otwarte badania, OpenAI od czasu GPT‑2 z 2019 r. nie wypuściło żadnego otwartego modelu językowego – aż do 5 sierpnia 2025 r. Dwa modele gpt‑oss, uruchomione na liberalnej licencji Apache 2.0, są de facto przyznaniem, jak silna stała się presja ze strony otwartych wag. Firma, która zbudowała biznes na zamkniętym API, musiała odpowiedzieć na własnym podwórku.
Zobacz też: OpenAI szuka 250 mld dol. kredytu Nvidii na gigantyczny kampus w Ohio
Dziesięć powodów, dla których otwarte wagi zagrażają modelowi scentralizowanemu
Żaden z poniższych punktów nie oznacza, że otwarte wagi na pewno „wygrają wszystko”. Frontier wciąż należy do wielkich laboratoriów, a ryzyka są realne. Kierunek zmian od trzech lat jest jednak konsekwentny – i idzie pod prąd zamkniętemu, taryfikowanemu modelowi.
Zmieniło się to, że argumenty za płaceniem premii za „wynajem czarnej skrzynki” słabną. Konwergencja jest jednocześnie techniczna, ekonomiczna i polityczna.
Oto dziesięć powodów, dla których szala zaczyna się przechylać.
Różnica jakości praktycznie zniknęła
Najważniejszym faktem jest zbliżenie poziomu jakości. W raporcie AI Index 2025 Stanford pokazał, że różnica punktowa między najlepszym modelem zamkniętym a najlepszym otwartym na liście Chatbot Arena spadła z 8% w styczniu 2024 r. do 1,7% w lutym 2025 r.
Frontier też się zagęścił. Luka między pierwszym a dziesiątym miejscem skurczyła się z 11,9% do 5,4% w ciągu roku.
Gdy druga najlepsza opcja kosztuje ułamek ceny pierwszej, trudno uzasadnić wysoką premię za dostęp do modelu zamkniętego. To fundamentalny problem cenowy dla biznesu opartego na ekskluzywności.
Cena „inteligencji” runęła
Koszty spadały jeszcze szybciej niż luka jakościowa. W oparciu o dane Epoch AI i Artificial Analysis, AI Index wylicza, że koszt zapytania na poziomie GPT‑3.5 spadł z ok. 20 dol. za milion tokenów w listopadzie 2022 r. do 0,07 dol. w październiku 2024 r.
To około 280‑krotny spadek w niespełna dwa lata.
DeepSeek przesunął tę logikę także na etap treningu. W raporcie technicznym V3 podaje, że finalny run treningowy kosztował ok. 5,6 mln dol. na 2048 układach Nvidia H800 – wobec dziesiątek czy setek milionów wydawanych na porównywalne modele na Zachodzie. Tania „inteligencja” premiuje tych, którzy potrafią ją szeroko wdrożyć, a nie tych, którzy najbardziej jej pilnują.
Masz model na własność
Wynajmując model zamknięty, akceptujesz zasady właściciela. Dostawca może podnieść ceny, zmienić warunki lub wyłączyć wersję, na której opiera się twój produkt.
Mając wagi, tę dźwignię odbierasz. Możesz zamrozić konkretną wersję, używać jej latami i zmieniać infrastrukturę bez przepisywania całego stosu.
Vendor lock‑in nie jest abstrakcją. Objawia się kosztami zmiany dostawcy, wymuszonymi migracjami i cennikami, których nie negocjujesz. Posiadanie wag rozbraja te ryzyka po kolei:
- Zamrażasz wersję modelu i utrzymujesz stabilność tak długo, jak potrzebujesz.
- Przenosisz się między chmurami lub na własną infrastrukturę bez przebudowy aplikacji.
- Unikasz niespodziewanych wygaszeń wersji, które potrafią z dnia na dzień wyłączyć działający produkt.
Nawet hojnie brzmiące licencje mają haczyki. Warunki Llamy od Meta nakazują firmom z ponad 700 mln miesięcznie aktywnych użytkowników osobną umowę komercyjną – to powód, dla którego ortodoksyjni zwolennicy open source odmawiają uznania Llamy za prawdziwie otwartą.
Prywatność i suwerenność danych
Pewnych danych nie wolno po prostu wynieść poza organizację. Szpitale, banki czy instytucje publiczne często nie mogą wysyłać wrażliwych informacji do zewnętrznego API.
Otwarte wagi rozwiązują ten problem, „przenosząc” model do danych. Inference można uruchamiać on‑premises albo w prywatnej chmurze, tak by żadne wrażliwe informacje nie przekraczały granic dostawcy.
Ten jeden parametr otwiera drzwi, których zamknięte API nigdy nie przekroczy. W wielu regulowanych sektorach lokalna kontrola nad wdrożeniem jest czynnikiem decydującym.
Państwa budują własne modele
Lęk o suwerenność cyfrową stał się globalny. Coraz więcej rządów widzi zależność od kilku amerykańskich czy chińskich API jako ryzyko strategiczne.
2 września 2025 r. EPFL, ETH Zurich i Swiss National Supercomputing Centre wypuściły Apertus – w pełni otwarty model, trenowany na 15 bln tokenów w ponad 1000 języków. Technology Innovation Institute w Abu Zabi rozwija rodzinę otwartych modeli Falcon od 2023 r., a kolejne państwa dokładają własne inicjatywy.
Schemat powtarza się w różnych regionach:
- Szwajcaria udostępniła Apertus z publicznymi wagami, danymi i kodem.
- ZEA rozwijają kolejne wersje Falcona na liberalnych licencjach.
- Francja, Indie, Japonia i Korea Południowa wspierają narodowe programy modeli lub mocy obliczeniowych.
Nie da się zbudować „suwerennej AI” na modelu, który można wyłącznie wynająć. Otwarte wagi są warunkiem wyjściowym, co czyni rządy naturalnym sojusznikiem obozu otwartego.
Regulatorzy przechylają się ku otwartości
Polityka zaczyna sprzyjać także otwartym podejściom. 23 lipca 2025 r. Biały Dom opublikował dokument „America’s AI Action Plan” z rozdziałem „Encourage Open-Source and Open-Weight AI”.
Europa idzie w podobnym kierunku, choć z inną motywacją. Unijna AI Act przyznaje dostawcom darmowych i otwartych modeli ogólnego przeznaczenia częściowe zwolnienia z części obowiązków dokumentacyjnych, o ile model nie zostanie uznany za systemowe ryzyko.
Zachęty przesuwają się więc w stronę publikowania, a nie zamykania, przynajmniej dla modeli poniżej absolutnego frontu. Gdy największy gracz w wyścigu AI wprost promuje otwarte wagi, domyślny prymat podejścia zamkniętego przestaje być oczywisty.
Ekosystem deweloperów napędza sam siebie
Skala rodzi skalę. Hugging Face urósł w 2025 r. do 13 mln użytkowników, ponad 2 mln publicznych modeli i ponad 500 tys. publicznych zbiorów danych.
Wyścigi na liczbę pobrań mówią same za siebie. Meta informowała, że Llama przekroczyła miliard pobrań 18 marca 2025 r., w górę 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. pochodnych wersji, po drodze wyprzedzając Llamę jako najczęściej forkowaną otwartą rodzinę modeli.
Każdy fine-tuning, adapter czy kwantyzacja zbudowana na otwartym modelu wzmacnia jego przewagę konkurencyjną. Zamknięte API nie jest w stanie przechwycić tej skali skumulowanego wysiłku społeczności, bo nikt nie zbuduje nic trwałego na modelu, którego nie może samodzielnie uruchomić i modyfikować.
Działa Na Zwykłym Laptopie
Otwarte wagi spotykają się z konsumenckim hardware’em dzięki tanim narzędziom. Kwantyzacja kompresuje model do niższej precyzji, tak by mieścił się w mniejszej pamięci, a techniki takie jak LoRA pozwalają go dostrajać bez ponownego trenowania całej sieci.
Lokalne środowiska uruchomieniowe wyniosły to do mainstreamu. Ollama, llama.cpp i vLLM pozwalają dziś deweloperom serwować wydajne modele na pojedynczym konsumenckim GPU, a nawet na zwykłym laptopie.
Model, który da się uruchomić na maszynie za 2 tys. dol., to model, którego nikt zdalnie nie wyłączy. Tę niezależność systemy rozliczane w modelu metered nie są w stanie zaoferować.
Audytowalność I Interpretowalność
Nie da się zbadać tego, czego nie widać. Zamknięte API oddają wyłącznie wynik, bez możliwości wglądu w mechanizm, który do niego doprowadził.
Otwarte wagi pozwalają badaczom bezpośrednio sondować model, analizować jego tryby błędów i testować bezpieczeństwo w sposób transparentny. Ta przejrzystość jest głównym argumentem zwolenników otwartych modeli: twierdzą oni, że właśnie dlatego łatwiej jest je z czasem uczynić godnymi zaufania.
W sektorach regulowanych, które muszą umieć uzasadnić każdą decyzję, taka widoczność to nie przywilej, lecz często prawny wymóg.
Zdecentralizowany Horyzont
Najświeższy argument leży na skrzyżowaniu AI i krypto. Jeśli wagi są otwarte, to obliczenia potrzebne do trenowania i serwowania modeli nie muszą działać w jednym, scentralizowanym data center.
Projekty takie jak Prime Intellect trenowały modele na globalnie rozproszonej infrastrukturze, z mechanizmami weryfikacji, że zdalne maszyny rzeczywiście wykonały zadeklarowaną pracę. Bittensor buduje natomiast tokenizowany rynek dla usług inteligencji maszynowej, wycenianych w tokenie TAO (TAO).
Uczciwie trzeba dodać, że dziś zdecentralizowane trenowanie jest wolniejsze i droższe niż praca na scentralizowanym klastrze. Jednak połączenie otwartych wag z weryfikowalną, tokenizowaną mocą obliczeniową tworzy zupełnie nowy wektor konkurencji, którego zamknięte laboratoria nie są w stanie skopiować.
Also Read: Pixel 11 Will Cost More, And Google Says AI Data Centers Are Why
Konkluzja
Otwarte wagi nie wymażą z rynku zamkniętych laboratoriów. Na absolutnej granicy możliwości nadal wygrywa ten, kto wydaje najwięcej na moc obliczeniową; otwarte premiery wciąż pojawiają się z kilkumiesięcznym opóźnieniem względem najlepszych modeli zamkniętych, a publicznie udostępnione wagi niosą ryzyka nadużyć, których nie da się „odwołać” po fakcie.
Ale „przełamać dominację” nie znaczy „wykasować z mapy”. Chodzi o przesunięcie środka ciężkości – a to przesunięcie już trwa.
Różnica jakościowa jest niewielka, koszt „inteligencji” zbliża się do zera, a rządy, deweloperzy i regulatorzy wciąż częściej wybierają modele, które mogą faktycznie posiadać. Scentralizowane AI nadal będzie sprzedawać wygodę na absolutnym szczycie rynku. Cała reszta po cichu zmierza w stronę wag, które da się mieć na własność.
Read Next: Apple Loses Its Grip On Memory Prices And Customers Pay The Difference