27 stycznia 2025 r. mało znome chińskie laboratorium w jeden dzień zmiotło z giełdy 589 mld dol. kapitalizacji Nvidii. Była to największa jednodniowa strata wartości rynkowej w historii amerykańskiej giełdy. Iskrą był DeepSeek, a jego „winą” – otwartość.
Nawet Bitcoin (BTC) zachwiał się, gdy rynek uświadomił sobie prosty fakt: czołowa sztuczna inteligencja przestała być wyłączną domeną garstki zamkniętych laboratoriów.
Najważniejsze wnioski
- Modele z otwartymi wagami publikują wytrenowane parametry, które każdy może pobrać, uruchomić i modyfikować – to co innego niż w pełni otwartoźródłowa AI, która obejmuje także kod treningowy i dane.
- Różnica jakości między najlepszymi modelami otwartymi i zamkniętymi na publicznych listach rankingowych skurczyła się z ok. 8% do poniżej 2% w niespełna rok, a ceny inferencji spadły setki razy.
- Tanie wdrożenia, presja na suwerenność technologiczną, łagodniejsze regulacje i ogromny ekosystem deweloperów nadają dziś modelom z otwartymi wagami realny impet wobec graczy działających wyłącznie w modelu API.
Co właściwie oznacza „open weight”
Termin jest używany nieprecyzyjnie, dlatego warto go doprecyzować. „Open weight” oznacza, że twórca udostępnia gotowe parametry wytrenowanej sieci neuronowej – liczby kodujące to, czego model się nauczył. Można je pobrać, uruchomić na własnym sprzęcie i dalej dostrajać.
Otwarte wagi to nie to samo co otwarte oprogramowanie. Open Source Initiative 28 października 2024 r. opublikowała definicję Open Source AI, podnosząc poprzeczkę. Aby się zakwalifikować, publikacja musi zawierać wagi, kod treningowy oraz na tyle szczegółowy opis danych treningowych, by kompetentna osoba mogła w dużym stopniu odtworzyć system.
Większość modeli sprzedawanych dziś jako „open source” tego kryterium nie spełnia. Llama od Meta, Qwen od Alibaba i DeepSeek udostępniają wagi, ale bez pełnej „receptury” danych.
Open Source Initiative jasno zaznacza, że same otwarte wagi nie dają wolności, jakie zapewnia oprogramowanie open source. Ta luka napędza spór o „open washing” – firmy reklamują się otwartością, jednocześnie zatrzymując kluczowe elementy potrzebne do replikacji pracy.
Dla większości budowniczych to jednak wagi są najważniejsze. Mając je, można serwować model, odchudzać go, douczać i wdrażać. W praktyce wygląda to tak:
- Open weight: udostępnione wagi, zwykle na licencji pozwalającej na użycie, modyfikację i często komercyjne wdrożenia.
- Pełne open source: wagi + kod treningowy + dokumentacja danych wystarczająca do odtworzenia modelu.
- Model zamknięty: nic do pobrania, tylko taryfikowany dostęp przez interfejs.
To właśnie środkowa kategoria eksploduje 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.
Jak to się różni od modelu OpenAI i Anthropic
OpenAI i Anthropic grają dokładnie odwrotnie. Najlepsze wagi trzymają w swoich centrach danych, a dostęp sprzedają przez API. Wysyłasz prompt, dostajesz odpowiedź – nigdy nie widzisz modelu ani jego parametrów.
Taki model ma sens biznesowy: chroni inwestycję w trening, zapewnia stały licznik subskrypcji i pozwala na bieżąco łatąć zachowanie systemu lub odcinać użytkownikom dostęp.
Ma też uzasadnienie bezpieczeństwa. Szef Anthropic, Dario Amodei, argumentował, że gdy wagi wyciekną do publicznej przestrzeni, twórca traci możliwość aktualizacji zabezpieczeń czy „odzyskania” niebezpiecznego systemu.
Problemem jest jednak zależność.
Gdy model żyje wyłącznie na cudzej infrastrukturze, to dostawca decyduje o cenie, SLA, warunkach przetwarzania danych i tempie wygaszania kolejnych wersji. Twój produkt stoi na fundamencie, którego nie kontrolujesz i nie możesz skontrolować.
Mimo lat deklarowanego poparcia dla otwartych badań, OpenAI od 2019 r. (GPT‑2) nie wypuściła żadnego otwartego modelu językowego – aż do 5 sierpnia 2025 r. Dwa modele gpt-oss, wprowadzone na rynek na liberalnej licencji Apache 2.0, to de facto przyznanie, że presja ze strony otwartych wag stała się realna. Firma, która zbudowała biznes na zamkniętym API, musiała odpowiedzieć obozowi otwartemu na jego własnym terenie.
Zobacz też: OpenAI szuka 250 mld dol. kredytu w formie mocy 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. Czołówka wciąż należy do wielkich laboratoriów, a ryzyka są poważne. Ale od trzech lat wektor zmian jest niezmienny – i biegnie pod prąd zamkniętemu, taryfikowanemu modelowi.
Coraz słabiej broni się argument, że warto przepłacać za „wynajem” czarnej skrzynki. Konwergencja techniczna, ekonomiczna i polityczna zachodzi równocześnie.
Oto dziesięć powodów, dla których szala zaczęła się przechylać.
Różnica jakości praktycznie zniknęła
Najważniejszym faktem jest konwergencja. W AI Index 2025 Stanford pokazał, że różnica punktowa między najlepszym modelem zamkniętym i najlepszym modelem otwartym na liście Chatbot Arena spadła z 8% w styczniu 2024 r. do 1,7% w lutym 2025 r.
Czołówka też się zagęściła. Luka między modelem z pierwszego i dziesiątego miejsca skurczyła się w rok z 11,9% do 5,4%.
Jeśli druga najlepsza opcja kosztuje ułamek ceny pierwszej, trudno utrzymać premię za dostęp do modelu zamkniętego. To fundamentalny problem cenowy dla firm, których biznes opiera się na ekskluzywności.
Cena „inteligencji” się załamała
Koszty spadają jeszcze szybciej niż luka jakościowa. Wykorzystując dane Epoch AI i Artificial Analysis, AI Index wylicza, że koszt zapytania na poziomie GPT‑3.5 zjechał 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 mniej niż dwa lata.
DeepSeek zastosował tę samą logikę do etapu treningu. W raporcie technicznym V3 deklaruje koszt końcowego treningu rzędu 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, nie tych, którzy bronią do niej dostępu jak fortecy.
Masz model na własność
Gdy wynajmujesz model zamknięty, bierzesz z dobrodziejstwem inwentarza reguły właściciela. Dostawca może podnieść ceny, zmienić warunki lub wyłączyć wersję, od której zależy twój produkt.
Mając wagi na własność, odbierasz mu tę dźwignię. Możesz „zamrozić” konkretną wersję, utrzymywać ją latami i zmieniać infrastrukturę bez przepisywania całego stosu.
„Vendor lock‑in” to nie abstrakcja, lecz konkretne koszty: trudność zmiany dostawcy, wymuszone migracje i cenniki, na które nie masz realnego wpływu. Otwarte wagi rozbrajają kolejne elementy tej pułapki:
- Zamrażasz wersję modelu i utrzymujesz ją stabilnie tak długo, jak chcesz.
- Przenosisz się między chmurami lub na własną infrastrukturę bez przebudowy systemu.
- Unikasz nagłych wycofań wersji, które mogą z dnia na dzień wyłączyć działający produkt.
Nawet szczodre licencje mają haczyki, które trzeba czytać drobnym drukiem. Warunki Llama od Meta wymagają, by firmy z ponad 700 mln aktywnych użytkowników miesięcznie negocjowały osobną umowę – to powód, dla którego „puryści” nie uznają Llamy za prawdziwie open source.
Prywatność i suwerenność danych
Są dane, które z mocy prawa nie mogą opuścić budynku. Szpitale, banki, urzędy – często nie mogą wysyłać wrażliwych informacji do zewnętrznego API.
Otwarte wagi odwracają wektor: to model jedzie do danych. Można uruchomić inferencję on‑premise lub w prywatnej chmurze, tak by żadne dane wrażliwe nie przekraczały granicy zaufanej infrastruktury.
To pojedyncze rozwiązanie otwiera drzwi, do których zamknięte API zwyczajnie nie ma dostępu. W sektorach regulowanych właśnie możliwość pełnej kontroli on‑prem jest często czynnikiem rozstrzygającym.
Państwa budują własne modele
Niepokój o suwerenność technologiczną stał się globalny. Coraz więcej rządów postrzega uzależnienie od kilku amerykańskich lub chińskich API jako ryzyko strategiczne.
2 września 2025 r. EPFL, ETH Zurich i Szwajcarskie Narodowe Centrum Superkomputerowe zaprezentowały Apertus – w pełni otwarty model trenowany na 15 bln tokenów w ponad 1000 języków. W Abu Zabi Technology Innovation Institute od 2023 r. rozwija rodzinę otwartych modeli Falcon, a kolejne państwa odpowiadają własnymi programami.
Schemat powtarza się w różnych regionach:
- Szwajcaria udostępniła Apertus wraz z wagami, danymi i kodem – wszystko publicznie.
- ZEA wypuszczają kolejne modele Falcon na liberalnych licencjach.
- Francja, Indie, Japonia i Korea Południowa finansują krajowe programy modelowe lub infrastrukturalne.
Nie da się zbudować „suwerennej AI” na modelu, który wolno jedynie wynajmować. Otwarte wagi są warunkiem koniecznym – dlatego rządy stają się naturalnymi sponsorami obozu otwartego.
Regulatorzy przechylają się ku otwartości
Polityka też zaczęła faworyzować otwartość. 23 lipca 2025 r. Biały Dom opublikował „America’s AI Action Plan”, z rozdziałem „Encourage Open-Source and Open-Weight AI”.
Europa strukturalnie myśli podobnie, choć z inną retoryką. Unijna ustawa o AI przewiduje częściowe zwolnienie z obowiązków dokumentacyjnych dla dostawców niektórych wolnych i otwartoźródłowych modeli ogólnego przeznaczenia – o ile nie są uznane za „systemowe ryzyko”.
Zachęty przesuwają się więc w stronę udostępniania, a nie zamykania – przynajmniej poniżej absolutnej technologicznej czołówki. Gdy największy państwowy gracz w wyścigu AI aktywnie promuje otwarte wagi, model zamknięty traci domyślną przewagę.
Ekosystem deweloperów działa jak koło zamachowe
Skala rodzi skalę. Hugging Face w 2025 r. urósł do 13 mln użytkowników, ponad 2 mln publicznych modeli i ponad 500 tys. publicznych zbiorów danych.
Wyścig na pobrania mówi sam za siebie. Meta podała, że Llama przekroczyła miliard pobrań 18 marca 2025 r., wobec 650 mln na początku grudnia 2024 r., a Qwen od Alibaba dotarł do 700... milion pobrań z Hugging Face do stycznia 2026 r. oraz ponad 180 tys. pochodnych wersji – po drodze model ten wyprzedził Llamę jako najczęściej forkowaną otwartą rodzinę modeli.
Każdy fine-tuning, adapter czy kwantyzacja zbudowana na otwartym modelu pogłębia jego przewagę konkurencyjną. Zamknięte API nie jest w stanie skapitalizować tej skumulowanej pracy społeczności, bo nikt nie może naprawdę rozwijać modelu, którego nie może fizycznie „posiadać”.
To 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 treningu całej sieci.
Lokalne środowiska uruchomieniowe uczyniły z tego standard. Ollama, llama.cpp i vLLM pozwalają dziś deweloperom serwować zaawansowane modele na pojedynczym konsumenckim GPU, a nawet na zwykłym laptopie.
Model, który uruchomisz na maszynie za 2 tys. dol., to model, którego nikt nie może zdalnie wyłączyć. Tego rodzaju niezależności nie da się pogodzić z modelem rozliczanym w modelu abonamentowym.
Audytowalność I Interpretowalność
Nie da się zbadać czegoś, czego nie widać. Zamknięte API zwraca jedynie wynik, bez jakiejkolwiek możliwości wglądu w mechanizmy, które do niego doprowadziły.
Otwarte wagi pozwalają naukowcom bezpośrednio „rozpinać” model na części, badać jego tryby awarii i testować bezpieczeństwo w sposób jawny. Ta przejrzystość jest kluczowym argumentem zwolenników otwartych rozwiązań: ich zdaniem właśnie dlatego takie modele z czasem łatwiej uczynić wiarygodnymi.
W regulowanych sektorach, które muszą wyjaśniać sposób podjęcia decyzji, taka widoczność nie jest luksusem. Często jest wymogiem prawnym.
Zdecentralizowany Horyzont
Najświeższy argument leży na styku AI i krypto. Jeśli wagi są otwarte, moc obliczeniowa potrzebna do treningu i serwowania modelu nie musi być skupiona w jednym centrum danych konkretnej firmy.
Projekty takie jak Prime Intellect trenowały modele na globalnie rozproszonym sprzęcie, z mechanizmami weryfikacji, że zdalne maszyny faktycznie wykonały deklarowaną pracę. Bittensor tworzy tokenizowany rynek inteligencji maszynowej, wycenianej w tokenie TAO (TAO).
Uczciwie trzeba przyznać, że zdecentralizowany trening jest dziś wolniejszy i droższy niż scentralizowane klastry. Ale połączenie otwartych wag z weryfikowalnym, tokenizowanym compute tworzy zupełnie nowy wektor konkurencji, którego zamknięte laboratoria nie są w stanie skopiować.
Also Read: Pixel 11 będzie droższy. Google twierdzi, że winne są centra danych AI
Wyrok
Otwarte wagi nie wymażą z rynku zamkniętych laboratoriów. Na samym froncie innowacji nadal wygrywa ten, kto wydaje najwięcej na compute, otwarte modele nadal pojawiają się z kilkumiesięcznym opóźnieniem względem najlepiej strzeżonych odpowiedników, a publicznie dostępne wagi niosą ryzyka nadużyć, których nie da się „odwołać” po publikacji.
Ale „przewaga” nie oznacza „unicestwienia”. Chodzi o przesunięcie środka ciężkości – a ten proces już trwa.
Różnica jakościowa jest niewielka, cena „inteligencji” zbliża się do zera, a rządy, deweloperzy i regulatorzy konsekwentnie wybierają modele, które mogą mieć „u siebie”. Scentralizowana AI wciąż będzie sprzedawać wygodę na samym szczycie rynku. Reszta świata po cichu zmierza w kierunku modeli, których wagi da się realnie posiadać.
Read Next: Apple traci kontrolę nad cenami pamięci. Rachunek płacą klienci
