27 січня 2025 року маловідома для більшості інвесторів китайська лабораторія за один день стерла $589 млрд з ринкової вартості Nvidia. Це стало найбільшим одноденним падінням капіталізації в історії американського фондового ринку. Запуск був за DeepSeek, а «провина» — у відкритості.
Навіть Bitcoin (BTC) похитнувся, коли ринок усвідомив просту річ: передові AI‑моделі більше не є монополією кількох закритих лабораторій.
Ключові тези
- Моделі з відкритими вагами публікують натреновані параметри, які будь‑хто може завантажити, запустити й адаптувати. Це відрізняється від повністю відкритого ПЗ, де додатково доступні навчальні дані та повний код.
- За рік розрив у якості між найкращими відкритими та закритими моделями на публічних рейтингах скоротився з 8% до менш ніж 2%, тоді як вартість інференсу впала у сотні разів.
- Дешевий запуск, прагнення до цифрового суверенітету, м’якше регулювання та величезна спільнота розробників забезпечили моделям з відкритими вагами реальний прорив проти гравців, які працюють лише через API.
Що насправді означає «AI з відкритими вагами»
Термін часто вживають надто вільно, тому важлива точність. Відкриті ваги означають, що розробник викладає фінальні параметри натренованої нейромережі — числа, які кодують те, чого навчилась модель. Ви можете завантажити їх, запустити на власному «залізі» та донавчити під свої задачі.
Відкриті ваги — це не те саме, що повністю відкрите програмне забезпечення. Open Source Initiative 28 жовтня 2024 року опублікувала Open Source AI Definition, що встановлює значно вищу планку. Щоб реліз вважався по‑справжньому відкритим, мають бути доступні ваги, навчальний код і достатній опис датасетів, аби кваліфікована команда змогла суттєво відтворити систему.
Більшість моделей, які сьогодні маркетують як open source, цього порогу не долають. Llama від Meta, Qwen від Alibaba та DeepSeek постачають ваги, але не повний «рецепт» даних.
Open Source Initiative говорить про відмінність прямо, зазначаючи, що лише відкриті ваги не дають усіх свобод, притаманних відкритому ПЗ. Ця прогалина підживлює постійну дискусію про «open washing», коли компанії декларують відкритість, але приховують критичні частини, без яких неможливо відтворити їхню роботу.
Попри це, для більшості будівників саме ваги — головний приз. Маючи їх, ви можете розгортати модель, зменшувати її, перенавчати й поставляти клієнтам. По суті, варто розрізняти, що конкретно отримує користувач:
- Відкриті ваги: натреновані параметри, зазвичай під ліцензією, що дозволяє використання, модифікацію й часто комерційне розгортання.
- Повністю open source: ваги плюс навчальний код і достатня документація з даних, щоб відбудувати модель з нуля.
- Закриті моделі: нічого не можна завантажити, доступ лише через лічильник API.
Саме проміжна категорія — моделі з відкритими вагами — і вибухово зростає за популярністю. І саме вона не дає спокійно спати закритим лабораторіям.
Читайте також: Nvidia падає майже на 5% через нібито $250 млрд гарантії від OpenAI, якої ще немає на папері
Чим це відрізняється від підходу OpenAI та Anthropic
OpenAI та Anthropic працюють за протилежною моделлю. Вони тримають найкращі ваги виключно у власних дата‑центрах і продають доступ до них через API. Ви надсилаєте запит, отримуєте відповідь — і ніколи не бачите саму модель.
Такий дизайн має чітку бізнес‑логіку. Він захищає інвестиції в навчання, забезпечує постійний підписний дохід і дозволяє лабораторії будь‑якої миті змінювати поведінку моделі чи відімкнути клієнту доступ.
Є й аргумент безпеки. Генеральний директор Anthropic Даріо Амодеї наполягає: як тільки ваги стають публічними, розробник втрачає можливість оперативно оновлювати запобіжники або відкликати небезпечну систему.
Але є й зворотний бік — залежність.
Коли модель живе лише на чужих серверах, саме вендор визначає ціну, гарантує (або ні) безвідмовну роботу, диктує умови обробки даних і графік «списання» старих версій. Ваш продукт стоїть на інфраструктурі, яку ви не контролюєте й не можете перевірити.
Попри роки публічних заяв про підтримку відкритих досліджень, OpenAI з 2019 року (GPT‑2) до 5 серпня 2025 року не випустила жодної відкритої мовної моделі. Лише тоді компанія презентувала два моделі gpt‑oss, запущені під ліберальною Apache 2.0. Це виглядало як пряма поступка тиску з боку табору відкритих ваг: компанія, яка вибудувала бізнес на закритому API, змушена була вийти на поле своїх опонентів.
Читайте також: OpenAI шукає $250 млрд кредиту від Nvidia для гігантського кампусу в Огайо
Десять причин, чому відкриті ваги загрожують централізованій моделі
Жоден із наведених аргументів не гарантує повної перемоги відкритих ваг. Фронтир усе ще контролюють великі лабораторії, а ризики реальні. Але вже три роки траєкторія змін послідовно йде проти закритої, дозованої моделі доступу.
Змінилося те, що аргументи «переплачувати за оренду чорної скриньки» слабшають одночасно на технічному, економічному та політичному рівнях.
Ось десять причин, чому баланс змістився.
Якісний розрив майже зник
Найголовніший факт — конвергенція якості. Stanford AI Index 2025 року зафіксував: розрив у балах між найкращою закритою та найкращою відкритою моделлю в рейтингу Chatbot Arena скоротився з 8% у січні 2024‑го до 1,7% у лютому 2025‑го.
Фронтир також став більш щільним. Розрив між першою та десятою моделлю у списку за рік зменшився з 11,9% до 5,4%.
Коли другий за якістю варіант коштує в рази дешевше за перший, премія за «закритий доступ» стає дедалі важче виправданою. А це вже безпосередня цінова проблема для всіх, чий бізнес тримається на ексклюзивності.
Ціна «штучного інтелекту» обвалилася
Вартість падала ще швидше, ніж розрив у якості. Спираючись на дані Epoch AI та Artificial Analysis, AI Index повідомляє, що ціна виконання запиту рівня GPT‑3.5 впала з близько $20 за мільйон токенів у листопаді 2022 року до $0,07 у жовтні 2024‑го.
Це приблизно 280‑разове здешевлення менш ніж за два роки.
DeepSeek переніс ту саму логіку й на етап навчання. У технічному звіті V3 команда заявляє про фінальний тренувальний прогін вартістю близько $5,6 млн на 2 048 GPU Nvidia H800 — проти десятків або сотень мільйонів доларів, які за аналогічні моделі витрачають на Заході. Дешевий інтелект працює на користь тих, хто здатен масово його розгортати, а не тих, хто найретельніше його охороняє.
Ви володієте самою моделлю
Орендуючи закриту модель, ви автоматично приймаєте правила «орендодавця». Постачальник може підняти ціни, змінити умови або зняти з підтримки версію, на якій тримається ваш продукт.
Маючи у власності ваги, ви забираєте цей важіль впливу. Можете «заморозити» потрібну версію на роки, переносити її між хмарними провайдерами чи запускати на власному обладнанні без переробки всієї системи.
Vendor lock‑in — не теоретичний ризик, а практичні витрати: висока ціна переходу, вимушені міграції та тарифи, які ви не можете по‑справжньому обговорювати. Володіння вагами послідовно знімає ці проблеми:
- Фіксуєте версію моделі й тримаєте стабільність стільки, скільки потрібно.
- Вільно мігруєте між хмарами або переходите «на залізо» без переписування стека.
- Уникаєте раптових «списань» версій, які можуть за ніч зламати робочий продукт.
Навіть щедрі відкриті ліцензії мають нюанси, які варто читати уважно. Наприклад, умови Llama від Meta змушують компанії з аудиторією понад 700 млн MAU укладати окремий договір, через що принципові прихильники відкритого ПЗ відмовляються визнавати Llama по‑справжньому open source.
Конфіденційність і суверенітет даних
Частину даних за законом неможливо вивезти за межі організації. Лікарні, банки, держструктури часто не мають права передавати чутливу інформацію третім сторонам через зовнішній API.
Відкриті ваги розв’язують це, дозволяючи перенести модель до даних, а не навпаки. Ви можете запускати інференс у власному дата‑центрі чи приватній хмарі, гарантувавши, що конфіденційна інформація не перетинає межі вашого контуру.
Саме ця властивість відкриває двері туди, де закриті API просто не мають права зайти. Для регульованих секторів on‑prem‑контроль часто стає вирішальним аргументом.
Держави будують власні моделі
Тривога за технологічний суверенітет стала глобальною. Все більше урядів сприймають залежність від кількох американських чи китайських API як стратегічний ризик.
2 вересня 2025 року EPFL, ETH Zurich та Швейцарський національний центр суперкомп’ютерних обчислень представили Apertus — повністю відкриту багатомовну модель, натреновану на 15 трлн токенів більш ніж 1 000 мовами. Technology Innovation Institute в Абу‑Дабі з 2023 року розвиває сімейство відкритих моделей Falcon, інші держави запускають власні національні ініціативи.
Патерн повторюється по регіонах:
- Швейцарія випустила Apertus з повністю відкритими вагами, даними та кодом.
- ОАЕ послідовно оновлюють Falcon під ліберальними умовами використання.
- Франція, Індія, Японія та Південна Корея фінансують національні програми зі створення моделей та інфраструктури.
Суверенний AI неможливо побудувати на моделі, яку дозволено лише «орендувати». Відкриті ваги — базова умова, і саме тому уряди природним чином стають союзниками табору відкритості.
Регулятори схиляються до відкритих підходів
Політика також почала грати на користь відкритості. 23 липня 2025 року Білий дім оприлюднив документ «America's AI Action Plan» з окремим розділом «Encourage Open-Source and Open-Weight AI».
Європа структурно рухається в тому ж напрямку, хай і з іншим світоглядним підґрунтям. Регламент EU AI Act надає постачальникам безкоштовних та відкритих загального призначення моделей часткове звільнення від окремих вимог до документації — за умови, що модель не визнана «системним ризиком».
Стимули дедалі частіше налаштовані на публічний реліз, а не на повне блокування, щонайменше для моделей нижче найвищого класу потужності. Коли найбільший гравець у перегонах AI відкрито заохочує моделі з відкритими вагами, закритий «дефолт» втрачає статус очевидної норми.
Девелоперська екосистема перетворюється на маховик
Масштаб народжує масштаб. Hugging Face виріс до 13 млн користувачів, понад двох мільйонів публічних моделей і більш ніж 500 000 відкритих датасетів лише протягом 2025 року.
Динаміка завантажень говорить сама за себе. Meta повідомляла, що Llama перетнула позначку в один мільярд завантажень станом на 18 березня 2025 року — проти 650 млн на початку грудня 2024‑го, тоді як Qwen від Alibaba досягла 700 … ...млн сукупних завантажень на Hugging Face до січня 2026 року та понад 180 000 похідних версій — цього вистачило, щоб обійти Llama й стати найбільш форкованою відкритою родиною моделей.
Кожен донавчений варіант, адаптер чи квантизована версія на основі відкритої моделі поглиблює її конкурентний «ров». Закритий API не здатен акумулювати цей кумулятивний внесок спільноти, бо ніхто не може будувати на моделі, до якої не має фізичного доступу.
Працює на вашому ноутбуці
Відкриті ваги стикаються зі звичайним «залізом» завдяки дешевому інструментарію. Квантизація стискає модель до нижчої розрядності, щоб вона вміщувалася в менший обсяг пам’яті, а підходи на кшталт LoRA дозволяють донавчати її без повного перевчання.
Локальні рантайми зробили це масовим явищем. Ollama, llama.cpp і vLLM сьогодні дають розробникам змогу запускати потужні моделі на одній споживчій GPU чи навіть на звичайному ноутбуці.
Модель, яка працює на машині за $2 000, — це модель, яку ніхто не може вимкнути дистанційно. Така автономність — саме те, чого принципово не може забезпечити «лічильникова» модель за передплатою.
Аудитованість і інтерпретованість
Неможливо проаналізувати те, чого не видно. Закриті API повертають лише відповіді, не відкриваючи жодного доступу до механіки їх формування.
Відкриті ваги дають дослідникам змогу напряму досліджувати модель, вивчати її збої та тестувати безпеку публічно. Саме ця прозорість — ключовий аргумент прихильників відкритого підходу, які стверджують, що такі моделі простіше, а не складніше, зробити надійними в довгостроковій перспективі.
Для регульованих галузей, які мають пояснювати кожне рішення, така «видимість» — не опція, а часто юридичний обов’язок.
Децентралізований фронтир
Найсвіжіший драйвер з’явився на перетині AI та крипто. Якщо ваги відкриті, обчислення для навчання й інференсу не обов’язково повинні жити в дата-центрі однієї корпорації.
Проєкти на кшталт Prime Intellect вже навчали моделі на глобально розподіленій інфраструктурі, використовуючи схеми верифікації того, що віддалені машини справді виконали заявлену роботу. Bittensor будує токенізований ринок машинного інтелекту, де потужність оцінюється в токені TAO (TAO).
Чесне застереження: сьогодні децентралізоване навчання все ще повільніше й дорожче за централізовані кластери. Але поєднання відкритих ваг із верифікованими, токенізованими обчисленнями формує справді новий вектор конкуренції, який закриті лабораторії просто не можуть відтворити.
Також читайте: Pixel 11 подорожчає, і Google пояснює це витратами на AI-дата-центри
Вирок
Відкриті ваги не зітруть закриті лабораторії з карти. Лідерство на передньому краї й далі належатиме тим, хто витрачає найбільше на обчислення; відкриті релізи досі виходять із запізненням у кілька місяців відносно топових закритих моделей, а публічні ваги несуть ризики зловживань, які неможливо «відкликати» після публікації.
Але «перемогти» — не означає «ліквідувати». Це означає змістити центр ваги, і цей зсув уже відбувається.
Різниця в якості стає мінімальною, «ціна» інтелекту прямує до нуля, а уряди, розробники й регулятори послідовно обирають моделі, які можна тримати у власних руках. Централізований AI й надалі продаватиме зручність у верхньому ціновому сегменті. Увесь інший ринок повільно, але впевнено рухається до моделей, вагами яких можна володіти.
Читайте далі: Apple втрачає контроль над цінами на пам’ять — різницю доплачують користувачі