10 причин, по которым открытые веса ИИ угрожают бизнес-модели OpenAI и Anthropic

27 января 2025 года малоизвестная китайская лаборатория за один день стерла 589 млрд долларов из капитализации Nvidia. Это стало крупнейшим однодневным падением стоимости компании в истории американского фондового рынка. Причиной стал DeepSeek — и его «вина» заключалась в открытости.

Даже Bitcoin (BTC) дрогнул, когда рынок осознал простую вещь: передовой ИИ больше не принадлежит исключительно нескольким закрытым лабораториям.

Ключевые тезисы

Модели с открытыми весами публикуют обученные параметры для свободного скачивания, запуска и дообучения всеми желающими. Это отличается от полностью открытого ИИ, где дополнительно раскрываются обучающие данные и код.

Разрыв в качестве между лучшими открытыми и закрытыми моделями на публичных лидербордах за год сократился с 8% до менее чем 2%, а цены на инференс рухнули в сотни раз.

Дешевый запуск, курс на технологический суверенитет, более мягкое регулирование и огромная экосистема разработчиков придали моделям с открытыми весами реальный импульс против чисто API‑подхода.

Что на самом деле означает «ИИ с открытыми весами»

Термин часто используют расплывчато, но точность здесь важна. «Открытые веса» — это когда разработчик публикует итоговые параметры обученной нейросети: набор чисел, в которых зашито то, чему модель научилась. Эти веса можно скачать, запустить на собственном железе и дообучать под свои задачи.

«Открытые веса» — не то же самое, что «open source». Open Source Initiative 28 октября 2024 года представила Open Source AI Definition — определение «открытого ИИ», которое задает более жесткие критерии. Чтобы им соответствовать, релиз должен включать веса, обучающий код и достаточно подробное описание данных, чтобы квалифицированная команда могла по сути пересобрать систему.

Большинство моделей, которые сегодня маркетируют как open source, под эту планку не попадают. Llama от Meta, Qwen от Alibaba и тот же DeepSeek отдают веса, но не раскрывают полный «рецепт» данных.

Open Source Initiative предельно прямо подчеркивает, что одни только открытые веса не дают тех свобод, которые традиционно ассоциируются с открытым ПО. Отсюда постоянный спор об «open washing» — когда компании декларируют открытость, фактически оставляя у себя ключевые компоненты, без которых работу нельзя воспроизвести.

Тем не менее для подавляющего большинства разработчиков именно веса — главный трофей. Получив их, можно разворачивать модель, сжимать ее, переобучать и интегрировать в продукты. Если разобрать, что именно дает каждый формат релиза, картина такая:

Открытые веса: обученные параметры, как правило под лицензией, позволяющей использовать, модифицировать и зачастую коммерчески разворачивать модель.
Полностью open source: веса, обучающий код плюс достаточная документация по данным, чтобы заново собрать модель.
Закрытый вариант: ничего скачать нельзя, доступ только по счетчику через интерфейс.

Именно эта «средняя» категория — открытые веса без полного рецепта — сегодня растет взрывными темпами и именно она не дает спать по ночам операторам закрытых лабораторий.

Чем это отличается от подхода OpenAI и Anthropic

OpenAI и Anthropic играют по диаметрально противоположным правилам. Лучшие модели они держат строго внутри своих дата‑центров и продают доступ к ним исключительно через API. Вы отправляете промпт, получаете ответ — и ни разу не прикасаетесь к самой модели.

У такой схемы есть четкая коммерческая логика. Она защищает инвестиции в обучение, обеспечивает постоянный подписочный денежный поток и позволяет в любой момент подкрутить поведение модели или отключить клиента.

Есть и аргумент безопасности. Глава Anthropic Дарио Амодеи не раз утверждал, что как только веса оказываются в открытом доступе, разработчик теряет возможность централизованно ужесточать ограничения или отзывать опасную систему.

Но у такой модели есть и обратная сторона — зависимость.

Когда модель живет только на чужих серверах, поставщик диктует цену, правила аптайма, условия работы с данными и график вывода старых версий из эксплуатации. Ваш продукт строится на инфраструктуре, которую вы не контролируете и не можете нормально инспектировать.

Несмотря на имидж сторонника открытых исследований, OpenAI с 2019 года и GPT‑2 не выпускала ни одной действительно открытой языковой модели вплоть до 5 августа 2025‑го. Запуск двух моделей gpt‑oss под разрешительной лицензией Apache 2.0, объявленный, выглядит как прямое признание давления, которое создают открытые веса. Компания, построившая бизнес на закрытом API, была вынуждена ответить «открытому лагерю» на его территории.

Десять причин, почему открытые веса подрывают централизованную модель

Ничто из сказанного не гарантирует, что открытые веса окончательно победят. На технологическом фронтире по‑прежнему доминируют крупные лаборатории, а риски вполне реальны. Но направление движения последние три года стабильно — и оно явно против закрытой, поминутно тарифицируемой модели.

Ключевое изменение в том, что аргументы «платить премию за аренду черного ящика» стремительно слабеют. Конвергенция идет одновременно по трем линиям — технической, экономической и политической.

Ниже — десять причин, почему баланс сил сместился.

Разрыв в качестве почти исчез

Главный фактор — выравнивание. По данным AI Index 2025 Стэнфордского университета, исследование показало, что разница в баллах между лучшей закрытой и лучшей открытой моделью в рейтинге Chatbot Arena сократилась с 8% в январе 2024‑го до 1,7% к февралю 2025‑го.

Одновременно уплотнился и сам фронтир. Разрыв между первой и десятой моделями в топе за год сузился с 11,9% до 5,4%.

Когда «второй номер» по качеству стоит в разы дешевле «первого», премия за закрытый доступ становится все труднее оправдать. Для бизнес‑модели, построенной на эксклюзивности, это прямая ценовая проблема.

Цена «интеллекта» рухнула

Стоимость падала еще быстрее, чем разрыв в качестве. На основе данных Epoch AI и Artificial Analysis AI Index отмечает, что цена выполнения запроса уровня GPT‑3.5 снизилась примерно с $20 за миллион токенов в ноябре 2022‑го до $0,07 к октябрю 2024‑го.

Это около 280‑кратного удешевления менее чем за два года.

DeepSeek применил ту же логику к обучению. В техническом отчете по V3 команда заявляет, что финальный прогон обучения стоил порядка $5,6 млн на 2048 GPU Nvidia H800 — против десятков и сотен миллионов долларов, которые тратят западные игроки на сопоставимые модели. Дешевый интеллект выгоден тем, кто может максимально широко его развернуть, а не тем, кто сильнее всего его оберегает.

Вы владеете моделью

Арендуя закрытую модель, вы автоматически принимаете правила «арендодателя». Поставщик вправе поднять цены, изменить условия или снять с поддержки версию, на которой держится ваш продукт.

Владея весами, вы забираете этот рычаг себе. Можно «заморозить» конкретную версию, крутить ее годами и при необходимости менять инфраструктурного партнера без переписывания всего стека.

Вендор‑лок‑ин — не теоретический риск, а вполне осязаемая боль: растущие затраты на смену провайдера, вынужденные миграции, цены, которые по сути не обсуждаются. Модели с открытыми весами поочередно снимают эти проблемы:

Фиксируете нужную версию модели и держите ее неизменной столько, сколько нужно бизнесу.
Переезжаете между облаками или на собственное железо без радикального рефакторинга.
Не боитесь внезапной «уборки старых версий», которая за одну ночь ломает работающий продукт.

Даже щедрые на первый взгляд лицензии имеют свои оговорки, которые стоит внимательно читать. Например, условия Llama от Meta обязывают компании с аудиторией свыше 700 млн MAU заключать отдельный коммерческий договор — именно поэтому принципиальные сторонники открытого ПО не считают Llama «по‑настоящему» open source.

Конфиденциальность и суверенитет данных

Часть данных просто нельзя по закону выносить за пределы контура. Больницы, банки, госструктуры зачастую не имеют права отправлять чувствительные записи в сторонний API.

Модели с открытыми весами решают проблему тем, что «переносят модель к данным». Вы запускаете инференс на своей площадке — в дата‑центре или приватном облаке, — и ничто чувствительное не пересекает границу с внешним вендором.

Одна эта характеристика открывает двери, закрытые для чистых API‑решений. Для регулированных отраслей on‑prem‑контроль часто становится решающим фактором при выборе архитектуры.

Страны строят собственные модели

Тревога за технологический суверенитет стала глобальной. Все больше правительств считают зависимость от нескольких американских или китайских API стратегическим риском.

2 сентября 2025 года EPFL, ETH Zurich и Швейцарский национальный суперкомпьютерный центр представили Apertus — полностью открытую модель, обученную на 15 трлн токенов более чем на 1000 языков. В Абу‑Даби Technology Innovation Institute с 2023 года развивает линейку открытых моделей Falcon, к гонке присоединяются и другие государства.

По регионам вырисовывается одинаковый паттерн:

Швейцария вывела Apertus, раскрыв и веса, и данные, и код.
ОАЭ последовательно выпускают Falcon под достаточно мягкими условиями.
Франция, Индия, Япония и Южная Корея запускают собственные программы по моделям и/или мощности.

Суверенный ИИ нельзя построить поверх модели, которую вам разрешают только арендовать. Открытые веса — обязательное условие, и это делает государства естественными спонсорами «открытого лагеря».

Регуляторы склоняются к открытому подходу

Политика тоже начала подталкивать рынок к открытости. 23 июля 2025 года Белый дом опубликовал документ «America's AI Action Plan», где отдельный раздел носит прямое название: «Encourage Open-Source and Open-Weight AI».

Европа движется в том же направлении на уровне конструкции, пусть и с другой риторикой. Регламент ЕС по ИИ дает поставщикам бесплатных и открытых моделей общего назначения частичное послабление по ряду требований к документации — если модель не отнесена к категории «системного риска».

В итоговой конфигурации стимулы смещаются от тотального закрытия к продуманному открытию — по крайней мере для моделей ниже абсолютного фронтира. Когда крупнейший игрок в гонке за ИИ на уровне государства публично поощряет открытые веса, закрытая модель перестает выглядеть «вариантом по умолчанию».

Эффект «маховика» разработческой экосистемы

Масштаб порождает еще больший масштаб. К 2025 году Hugging Face дорос до 13 млн пользователей, более 2 млн публичных моделей и свыше 500 тыс. открытых датасетов.

Гонка скачиваний показывает сдвиг еще нагляднее. Meta отчиталась, что к 18 марта 2025 года Llama преодолела отметку в 1 млрд загрузок — против 650 млн в начале декабря 2024‑го. Qwen от Alibaba за тот же период добрался до 700 к январю 2026 года — миллионы суммарных загрузок на Hugging Face и свыше 180 000 производных версий, по пути обогнав Llama и выйдя в лидеры среди самых «форкаемых» открытых семейств моделей.

Каждая дообученная версия, каждый адаптер и каждая квантованная сборка на базе открытой модели усиливают её конкурентный барьер. Закрытый API принципиально не способен аккумулировать этот нарастающий эффект сообщества: никто не может строить экосистему вокруг модели, к которой у него нет прямого доступа.

Работает На Вашем Лаптопе

Открытые веса сходятся с массовым «железом» благодаря дешёвому инструментарию. Квантование сжимает модель до более низкой разрядности, чтобы она умещалась в меньший объём памяти, а такие методы, как LoRA, позволяют дообучать её без полного переобучения.

Прорывом стали локальные рантаймы. Ollama, llama.cpp и vLLM уже позволяют разработчикам разворачивать мощные модели на одной потребительской GPU или даже на обычном ноутбуке.

Модель, которую можно запустить на машине за $2 000, — это модель, которую никто не может «выключить» удалённо. Такая автономность — именно то, чего по определению не даёт тарифицируемый, управляемый из облака сервис.

Аудируемость И Интерпретируемость

Невозможно анализировать то, чего не видно. Закрытые API возвращают только ответы, не раскрывая принципов их формирования.

Открытые веса дают исследователям доступ к самой модели: можно изучать её сбои, тестировать безопасность и воспроизводимость в открытой среде. Именно эта прозрачность позволяет сторонникам открытого подхода утверждать, что такие модели со временем проще сделать надёжными, а не сложнее.

Для регулируемых отраслей, которым необходимо объяснять логику решений, такая наблюдаемость — не опция, а зачастую прямое юридическое требование.

Децентрализованный Рубеж

Новый драйвер роста находится на стыке ИИ и криптоэкономики. Если веса открыты, вычисления для обучения и инференса не обязаны находиться в дата-центре одной компании.

Такие проекты, как Prime Intellect, уже обучали модели на глобально распределённой инфраструктуре, внедряя схемы проверки того, что удалённые машины действительно выполнили заявлённый объём работы. Bittensor строит токенизированный рынок машинного интеллекта с ценами в собственном токене TAO (TAO).

Честно говоря, сегодня децентрализованное обучение всё ещё медленнее и дороже, чем централизованные кластеры. Но связка открытых весов с проверяемыми, токенизированными вычислениями — это по-настоящему новый вектор конкуренции, который закрытые лаборатории не могут повторить в прежнем виде.

Читайте также: Pixel 11 Will Cost More, And Google Says AI Data Centers Are Why

Итог

Открытые веса не вытеснят закрытые лаборатории с рынка. Лидирующие позиции по-прежнему у тех, кто тратит максимум на вычисления, открытые релизы выходят с лагом в несколько месяцев относительно топовых закрытых моделей, а публичные веса несут в себе риск злоупотреблений, который уже нельзя «откликать» после публикации.

Но «потеснить» — не значит «уничтожить». Речь о смещении центра тяжести, и этот сдвиг уже начался.

Разрыв в качестве минимален, цена «интеллекта» стремится к нулю, а государства, девелоперы и регуляторы всё чаще делают ставку на модели, которыми можно владеть и которые можно держать «в руках». Централизованный ИИ останется витриной удобства на самом верху рынка. Всё остальное пространство тихо, но последовательно движется к тем весам, которыми можно распоряжаться самостоятельно.

Читайте далее: Apple Loses Its Grip On Memory Prices And Customers Pay The Difference