27 січня 2025 року маловідомий китайський дослідницький центр за один день “стер” 589 млрд доларів з капіталізації Nvidia. Це стало найбільшим одноденним падінням вартості компанії в історії американського фондового ринку. Причиною був DeepSeek, а його “провина” — відкритість.
Навіть Bitcoin (BTC) хитнувся, коли ринок усвідомив просту річ: передові моделі ШІ більше не є монополією кількох закритих лабораторій.
Ключові тези
- Моделі з відкритими вагами публікують навчені параметри для вільного завантаження, запуску й адаптації, на відміну від повністю open source‑ШІ, де додатково відкриті тренувальні дані та код.
- Вимірюваний розрив якості між найкращими відкритими й закритими моделями на відкритих рейтингах за рік скоротився приблизно з 8% до менш як 2%, тоді як ціни на інференс впали у сотні разів.
- Дешевий запуск, прагнення до технологічного суверенітету, м’якше регулювання та величезна спільнота розробників надають відкритим вагам реальний імпульс проти гравців з моделлю “лише через API”.
Що насправді означає “ШІ з відкритими вагами”
Термін часто вживають некоректно, тому важливі нюанси. “Відкриті ваги” означають, що розробник викладає фінальний набір параметрів натренованої нейромережі — числа, які кодують те, що модель “вивчила”. Ви можете завантажити їх, запустити на власному обладнанні й донавчити під свої задачі.
Але відкриті ваги — це ще не open source. Open Source Initiative 28 жовтня 2024 року оприлюднила Open Source AI Definition, де планка значно вища. Щоб реліз вважався справді open source, потрібні ваги, тренувальний код і достатньо інформації про дані, аби кваліфікована команда могла суттєво відтворити систему.
Більшість моделей, які сьогодні маркетують як open source, цим критеріям не відповідають. Llama від Meta, Qwen від Alibaba і DeepSeek постачають ваги, але не повний “рецепт” даних.
Open Source Initiative прямо наголошує на різниці, зазначаючи, що самі лише відкриті ваги не дають тих свобод, які забезпечує open source‑ПЗ. Ця прогалина й підживлює постійну дискусію про “open washing” — коли компанії декларують відкритість, але приховують критичні елементи, необхідні для відтворення роботи.
Утім, для більшості практичних розробників саме ваги — головний приз. Маючи їх, ви можете розгортати модель, оптимізувати, донавчати й вбудовувати в продукти. Якщо спростити, кожен формат релізу означає таке:
- Відкриті ваги: натреновані параметри, зазвичай під ліцензією, яка дозволяє використання, модифікацію й часто комерційне застосування.
- Повний open source: ваги плюс тренувальний код і настільки докладна документація даних, що модель можна перебудувати з нуля.
- Закритий підхід: нічого не завантажується, доступ лише через лічильник API.
Саме “проміжна” категорія зараз зростає вибуховими темпами — і саме вона не дає спокійно спати закритим лабораторіям.
Також читайте: Nvidia падає майже на 5% через гарантію OpenAI на $250 млрд, якої ще не існує
Чим це відрізняється від моделі OpenAI та Anthropic
OpenAI та Anthropic працюють за протилежною схемою. Найкращі ваги вони тримають замкненими у власних дата-центрах і продають лише доступ через API. Ви надсилаєте запит, отримуєте відповідь — але ніколи не бачите самої моделі.
Така конструкція має чітку бізнес‑логіку. Вона захищає інвестиції в тренування, забезпечує підписну монетизацію та дозволяє лабораторії будь‑якої миті змінити поведінку моделі чи відключити доступ.
Є й аргумент безпеки. Генеральний директор Anthropic Даріо Амодей стверджував, що після публікації ваг розробник втрачає можливість оперативно оновлювати “запобіжники” та відкликати небезпечну систему.
Але зворотний бік — залежність.
Коли модель живе лише на чужих серверах, саме постачальник визначає ціну, SLA, політику щодо даних і графік “виведення на пенсію” версій. Ваш продукт спирається на інфраструктуру, якою ви не володієте й не можете проінспектувати.
Попри роки публічних заяв про підтримку відкритих досліджень, OpenAI з 2019 року (GPT‑2) не випускала жодної відкритої мовної моделі — аж до 5 серпня 2025 року. Її дві моделі gpt‑oss, запущені під ліберальною ліцензією Apache 2.0, виглядають як пряма поступка тиску з боку табору відкритих ваг. Компанії, що побудувала бізнес на закритому API, довелося відповідати на виклик на полі опонентів.
Також читайте: OpenAI просить у Nvidia $250 млрд кредиту для гігантського кампусу в Огайо
Десять причин, чому відкриті ваги загрожують централізованій моделі
Жоден із наведених аргументів не гарантує остаточної перемоги відкритих ваг. Фронтир як і раніше контролюють великі лабораторії, а ризики реальні. Але тренд останніх трьох років стійко йде проти закритої, лічильникової моделі.
Плата за “оренду чорної скриньки” дедалі важче виправдовується. Конвергенція йде одночасно по трьох осях — технічній, економічній і політичній.
Ось десять причин, чому баланс змістився.
Розрив у якості майже зник
Головний факт — зближення результатів. Звіт Stanford AI Index 2025 року зафіксував, що різниця у балах між найкращою закритою й найкращою відкритою моделлю в рейтингу Chatbot Arena скоротилася з 8% у січні 2024 року до 1,7% у лютому 2025‑го.
Фронтир також став багатолюдним. Розрив між першою й десятою моделлю в рейтингу за рік зменшився з 11,9% до 5,4%.
Коли друга за якістю опція коштує у рази чи десятки разів дешевше за першу, премія за “ексклюзивний доступ” стає важко захищуваною. Для компаній, які монетизують саме дефіцит і закритість, це прямий виклик ціновій моделі.
Ціна “інтелекту” обвалилася
Вартість падала ще швидше, ніж розрив у якості. Спираючись на дані Epoch AI та Artificial Analysis, AI Index звiтує: ціна виконання запиту рівня GPT‑3.5 знизилася орієнтовно з 20 доларів за мільйон токенів у листопаді 2022 року до 0,07 долара в жовтні 2024‑го.
Це приблизно 280‑разове здешевлення менш ніж за два роки.
DeepSeek переніс ту саму логіку й на навчання. У технічному звіті щодо моделі V3 команда заявляє про фінальний тренувальний прогін вартістю близько 5,6 млн доларів на 2 048 чіпах Nvidia H800 — проти десятків або навіть сотень мільйонів, які витрачають західні конкуренти на моделі порівняного класу. Дешевий “інтелект” грає на руку тим, хто може максимально широко його розгорнути, а не тим, хто ретельно його оберігає.
Ви володієте моделлю
Якщо ви “орендуєте” закриту модель, то приймаєте правила орендодавця. Постачальник може підняти ціни, змінити умови або зняти з підтримки версію, на якій тримається ваш продукт.
Якщо у вас є ваги, цей важіль зникає. Ви можете “заморозити” версію, тримати її в продакшені роками й змінювати інфраструктурного провайдера без переписування всієї системи.
Vendor lock‑in — не теоретична загроза. Він проявляється як:
- високі витрати на міграцію;
- примусове оновлення стеку;
- тарифи, які ви не можете по‑справжньому обговорювати.
Володіння вагами послідовно знімає кожен із цих ризиків:
- Ви фіксуєте конкретну версію моделі й тримаєте її стабільною стільки, скільки потрібно.
- Переїжджаєте між хмарами чи на власне “залізо” без кардинальної перебудови архітектури.
- Не залежите від раптових “депрікацій”, які можуть за ніч поламати робочий продукт.
Водночас навіть щедрі відкриті ліцензії мають нюанси. Умови Llama від Meta зобов’язують компанії з понад 700 млн активних користувачів на місяць укладати окрему угоду — через це принципові прихильники open source й відмовляються називати Llama справді відкритою.
Конфіденційність і суверенітет даних
Частину даних за законом не можна виводити за межі організації. Лікарні, банки, держустанови часто не мають права відправляти конфіденційну інформацію на сторонній API‑сервіс.
Відкриті ваги дозволяють “привезти модель до даних”. Ви запускаєте інференс на своїх серверах або в приватній хмарі, і чутлива інформація не перетинає кордонів вашого контуру безпеки.
Саме ця властивість відкриває двері, куди закриті API навіть не можуть заглянути. Для регульованих секторів можливість повністю контролювати середовище виконання часто є вирішальним фактором.
Держави будують власні моделі
Тривога щодо технологічного суверенітету стала глобальною. Все більше урядів розглядають залежність від кількох американських чи китайських API як стратегічний ризик.
2 вересня 2025 року EPFL, ETH Zurich і Швейцарський національний суперкомп’ютерний центр представили Apertus — повністю відкриту модель, натреновану на 15 трлн токенів понад ніж 1 000 мовами. Technology Innovation Institute в Абу‑Дабі з 2023 року розвиває лінійку відкритих моделей Falcon, а інші країни запускають власні національні ініціативи.
Картина повторюється в різних юрисдикціях:
- Швейцарія випустила Apertus, публічно відкривши ваги, дані й код.
- ОАЕ послідовно оновлюють Falcon під ліберальними ліцензіями.
- Франція, Індія, Японія та Південна Корея фінансують власні програми з розробки моделей і обчислювальної інфраструктури.
Неможливо побудувати суверенний ШІ на моделі, яку вам дозволяють лише орендувати. Відкриті ваги — базова передумова, тому держави природно стають головними спонсорами відкритого табору.
Регулятори схиляються до відкритості
Політика також дедалі більше заохочує відкриті підходи. 23 липня 2025 року Білий дім оприлюднив “America’s AI Action Plan”, де окремий розділ називається “Encourage Open-Source and Open-Weight AI”.
Європа рухається в тому самому напрямку за структурою, якщо не завжди за риторикою. Регламент ЄС про ШІ (EU AI Act) дає постачальникам безкоштовних і відкритих моделей загального призначення часткові послаблення щодо обсягу документації — якщо модель не визнана системним ризиком.
Стимули тепер радше штовхають до публічного релізу, ніж до тотальної закритості — принаймні для моделей нижче абсолютного фронтиру. Коли найбільший гравець у глобальній гонці ШІ прямо заохочує відкриті ваги, закрита модель втрачає статус “належного за замовчуванням” варіанту.
Екосистема розробників працює як маховик
Масштаб народжує новий масштаб. Hugging Face за підсумками 2025 року виріс до 13 млн користувачів, понад 2 млн публічних моделей і більш як 500 000 відкритих датасетів.
Динаміка завантажень говорить сама за себе. Meta повідомляла, що Llama перетнула позначку в 1 млрд завантажень до 18 березня 2025‑го — проти 650 млн на початку грудня 2024 року. Qwen від Alibaba досягла 700… ...млн сумарних завантажень на Hugging Face до січня 2026 року та понад 180 000 похідних версій — цього вистачило, щоб обігнати Llama й стати найчастіше форкованою відкритою моделлю на ринку.
Кожен донавчений варіант, адаптер чи квантизована версія, створені на базі відкритої моделі, зміцнюють її «ров» конкурентних переваг. Закритий API не здатен акумулювати цей ефект складного відсотка від спільноти, бо ніхто не може будувати на моделі, до якої не має прямого доступу.
Працює На Вашому Ноутбуці
Відкриті ваги поєднуються зі звичайним залізом через дешевий інструментарій. Квантизація стискає модель до нижчої точності, щоб та вміщувалася в менший обсяг пам’яті, а технології на кшталт LoRA дають змогу донавчати її без повного тренування з нуля.
Локальні рантайми зробили це масовим явищем. Ollama, llama.cpp та vLLM дозволяють розгорнути потужні моделі на одній споживчій відеокарті чи навіть на звичайному ноутбуці.
Модель, яку можна запускати на машині за $2 000, — це модель, яку ніхто не зможе дистанційно «вимкнути». Така автономність — саме те, чого принципово не може дати тарификуємий, «погодинний» доступ до закритої моделі.
Аудитованість Та Інтерпретованість
Не можна проаудитувати те, чого не видно. Закриті API повертають лише відповіді, не залишаючи способу заглянути в сам механізм їхнього ухвалення.
Відкриті ваги дають дослідникам можливість напряму вивчати модель, аналізувати її збої та публічно тестувати безпеку. Саме ця прозорість і є аргументом табору «відкритих»: такі моделі з часом простіше, а не складніше, зробити надійними.
Для регульованих секторів, які зобов’язані пояснювати кожне рішення, така видимість — не опція «було б добре», а часто пряма норма закону.
Децентралізований Рубеж
Найсвіжіший аргумент лежить на перетині ШІ та криптоекономіки. Якщо ваги відкриті, то обчислення для навчання й розгортання моделі не обов’язково мають зосереджуватись у дата-центрі однієї корпорації.
Такі проєкти, як Prime Intellect, уже навчали моделі на глобально розподіленому «залізі», використовуючи схеми верифікації, що віддалені машини дійсно виконали заявлений обсяг роботи. Bittensor будує токенізований ринок машинного інтелекту, де потужності оцінюються й оплачуються у власному токені TAO (TAO).
Чесна застережна ремарка: сьогодні децентралізоване навчання повільніше й дорожче за класичні централізовані кластери. Але зв’язка відкритих ваг із верифікованими, токенізованими обчисленнями — це справді новий конкурентний вектор, який закриті лабораторії не можуть просто скопіювати.
Також читайте: Pixel 11 подорожчає, і Google пояснює це витратами на AI-дата-центри
Вердикт
Відкриті ваги не «знищать» закриті лабораторії. Лідерство на передовій, як і раніше, належить тим, хто витрачає найбільше на обчислення; відкриті релізи все ще відстають від найкращих закритих моделей на кілька місяців, а публічні ваги несуть ризики зловживань, які неможливо «відкликати» після релізу.
Але «подолати» — не означає «стерти з мапи». Це означає змістити центр ваги, і цей зсув уже триває.
Розрив у якості мінімальний, ціна «інтелекту» прямує до нуля, а уряди, розробники й регулятори знову й знову обирають моделі, якими можуть володіти. Централізований ШІ й далі продаватиме зручність на верхівці ринку. Увесь інший ринок тихо рухається до ваг, які можна тримати у власних руках.
Читайте далі: Apple втрачає контроль над цінами на пам’ять, і різницю доплачують користувачі
