هوش مصنوعی متن‌باز

بر اساس تعریف پیشگامان متن‌باز، هوش مصنوعی متن‌باز، به سامانه‌ای از هوش مصنوعی گفته می‌شود که استفاده، مطالعه، تغییر و بازتوزیع آن به صورت آزاد امکان‌پذیر است.[۱][۲] این تعریف شامل مجموعه‌داده‌هایی که برای آموزش مدل استفاده می‌شوند، کد منبع، و پارامترهای مدل است و رویکردی مشارکتی و شفاف به توسعه هوش مصنوعی را ترویج می‌کند، به‌گونه‌ای که دیگران بتوانند به نتیجه‌ای تا حد زیادی مشابه دست یابند.[۳][۴]

همیشه بحث درباره این که با توجه به طیف‌های مختلف میزان گشودگی در پروژه‌های هوش مصنوعی، چه چیزی باید «متن‌باز» محسوب شود، بسیار گسترده بوده است. برخی از توسعه دهندگان مدل‌های زبانی بزرگ که به عنوان متن‌باز معرفی شده‌اند، تنها وزن‌های مدل را منتشر می‌کنند ( نه داده‌های آموزشی و کد منبع را)[۵][۶] و به دلیل همین موضوع به عنوان نمونه‌هایی از «متن‌بازنمایی»[الف] مورد انتقاد قرار گرفته‌اند. این واژه یعنی سامانه‌هایی که در اصل عمدتاً بسته هستند ولی در ظاهر مدعی متن‌باز بودن هستند.[۷][۸] مجوزهای نرم‌افزار آزاد و متن‌باز (کوته‌نوشت: FOSS)، مانند مجوز آپاچی، ام‌آی‌تی و پروانه جامع همگانی گنو، شرایط دسترسی، تغییر و بازتوزیع هوش مصنوعی متن‌باز را مشخص می‌کنند.[۹]

دسته‌بندی رایج پروژه‌های هوش مصنوعی متن‌باز شامل مدل‌های زبانی بزرگ، ابزارهای ترجمه ماشینی و چت‌بات‌ها است.[۱۰] بحث‌ها پیرامون مزایا و خطرات هوش مصنوعی متن‌باز عوامل گوناگونی مانند امنیت، حریم خصوصی و پیشرفت فناورانه را دربر می‌گیرد.[۱۱][۱۲][۸][۱۳]

تاریخچه

تاریخچه هوش مصنوعی متن‌باز به طور تنگاتنگی با هر دو توسعه فناوری‌های هوش مصنوعی و همچنین رشد جنبش نرم‌افزار متن‌باز درهم‌تنیده است.[۱۴] هوش مصنوعی متن‌باز طی چند دهه گذشته با مشارکت نهادهای دانشگاهی، آزمایشگاه‌های پژوهشی، شرکت‌های فناوری و توسعه‌دهندگان مستقل به طور چشمگیری تکامل یافته است.[۱۵] این بخش به بررسی نقاط عطف اصلی در توسعه هوش مصنوعی متن‌باز، از روزهای آغازین تا وضعیت کنونی آن می‌پردازد.

دهه ۱۹۹۰: توسعه ابتدایی هوش مصنوعی و نرم‌افزار متن‌باز

مفهوم هوش مصنوعی به اواسط قرن بیستم بازمی‌گردد، زمانی که دانشمندانی چون آلن تورینگ و جان مک‌کارتی بنیان‌های نظریه‌ها و الگوریتم‌های مدرن هوش مصنوعی را پایه‌گذاری کردند.[۱۶] یکی از شکل‌های اولیه هوش مصنوعی، «پزشک» پردازش زبان طبیعی به نام الیزا بود که در سال ۱۹۷۷ توسط جف شریگر به صورت برنامه‌ای در زبان BASIC بازپیاده‌سازی و منتشر شد و به سرعت به زبان‌های برنامه‌نویسی دیگر ترجمه گردید. پژوهش‌های اولیه هوش مصنوعی بر توسعه سامانه‌های استدلال نمادین و سامانه‌های خبره مبتنی بر قواعد تمرکز داشتند.[۱۷]

در همین دوره، ایده نرم‌افزار متن‌باز در حال شکل‌گیری بود و پیشگامانی مانند ریچارد استالمن از نرم‌افزار آزاد به عنوان ابزاری برای ترویج همکاری و نوآوری در برنامه‌نویسی دفاع می‌کردند.[۱۸] بنیاد نرم‌افزار آزاد که در سال ۱۹۸۵ توسط استالمن بنیان‌گذاری شد، از نخستین سازمان‌های مهمی بود که از ایده نرم‌افزاری با قابلیت استفاده، تغییر و توزیع آزاد حمایت کرد. اندیشه‌های این جنبش در نهایت بر توسعه هوش مصنوعی متن‌باز اثر گذاشت، زیرا توسعه‌دهندگان بیشتری به مزایای همکاری باز در ایجاد نرم‌افزار، از جمله مدل‌ها و الگوریتم‌های هوش مصنوعی، پی بردند.[۱۹][۱۵]

در دهه ۱۹۹۰، نرم‌افزار متن‌باز به‌تدریج با استقبال بیشتری روبه‌رو شد،[۲۰] و هم‌زمان، رشد یادگیری ماشین و روش‌های آماری به توسعه ابزارهای عملی‌تر هوش مصنوعی انجامید. در سال ۱۹۹۳، «مخزن هوش مصنوعی دانشگاه کارنگی ملون» راه‌اندازی شد که طیفی از نرم‌افزارهای به صورت آزاد به‌اشتراک گذاشته‌شده را در بر می‌گرفت.[۲۱]

دهه ۲۰۰۰: ظهور هوش مصنوعی متن‌باز

در اوایل دهه ۲۰۰۰، هوش مصنوعی متن‌باز شتاب بیشتری گرفت و کتابخانه‌ها و چارچوب‌های زیربنایی کاربرپسندتری منتشر شدند که استفاده و مشارکت در آن‌ها برای همگان امکان‌پذیر بود.[۲۲]

اوپن‌سی‌وی در سال ۲۰۰۰ منتشر شد[۲۳] و مجموعه‌ای از الگوریتم‌های سنتی هوش مصنوعی مانند درخت‌های تصمیم، کی-نزدیک‌ترین همسایه (کوته‌نوشت: kNN)، بیز ساده و ماشین بردار پشتیبانی (کوته‌نوشت: SVM) را در بر داشت.[۲۴]

دهه ۲۰۱۰: رشد جرقه‌های هوش مصنوعی متن‌باز

چارچوب یادگیری عمیق متن‌بازی مانند تورچ در سال ۲۰۰۲ منتشر شد و با معرفی Torch7 در سال ۲۰۱۱ به صورت متن‌باز در دسترس قرار گرفت و بعدها با چارچوب‌هایی مانند پای‌تورچ و تنسورفلو گسترش یافت.[۲۵]

الکس نت در سال ۲۰۱۲ منتشر شد.[۲۶] جی‌پی‌تی ۱ در سال ۲۰۱۸ منتشر گردید.

دهه ۲۰۲۰: هوش مصنوعی متن‌باز و وزن‌باز

با معرفی جی‌پی‌تی ۲ در سال ۲۰۱۹، شرکت اوپن‌ای‌آی در ابتدا قصد داشت کد منبع مدل‌های خود را به‌دلیل نگرانی از کاربردهای مخرب به صورت محرمانه نگه دارد.[۲۷] با این حال، پس از واکنش منفی گسترده عمومی، اوپن‌ای‌آی سه ماه پس از انتشار جی‌پی‌تی ۲، کد منبع آن را در گیت‌هاب منتشر کرد.[۲۷] اوپن‌ای‌آی کد منبع یا وزن‌های ازپیش‌آموزش‌دیده مدل جی‌پی‌تی ۳ را به صورت عمومی منتشر نکرد.[۲۸] در زمان انتشار جی‌پی‌تی ۳، مدل جی‌پی‌تی ۲ همچنان قدرتمندترین مدل زبانی متن‌باز جهان به شمار می‌رفت. رقابت برای ساخت مدل‌های بازتر عمدتاً شامل تلاش‌های کوچک‌تری مانند EleutherAI بود.[۲۹][۳۰] سال ۲۰۲۲ همچنین شاهد ظهور مدل‌های بزرگ‌تر و قدرتمندتری با مجوزهایی با درجات مختلف گشودگی بود، از جمله مدل OPT متعلق به شرکت متا.[۳۱]

پیشگامان متن‌باز طی دو سال با کارشناسان مختلف مشورت کرد تا تعریفی از «متن‌باز» ارائه دهد که با نیازهای نرم‌افزارها و مدل‌های هوش مصنوعی سازگار باشد. بحث‌برانگیزترین بخش این تعریف به دسترسی به داده‌ها مربوط می‌شود، زیرا برخی مدل‌ها با داده‌های حساس آموزش داده می‌شوند که امکان انتشار آن‌ها وجود ندارد. در سال ۲۰۲۴، این نهاد «تعریف هوش مصنوعی متن‌باز ۱٫۰»[ب] را منتشر کرد.[۱][۲][۳] این تعریف مستلزم انتشار کامل نرم‌افزار مورد استفاده برای پردازش داده‌ها، آموزش مدل و انجام استنتاج از مدل است. در مورد داده‌ها، تنها دسترسی به جزئیات مربوط به داده‌های مورد استفاده برای آموزش هوش مصنوعی را الزامی می‌داند تا دیگران بتوانند آن را درک کرده و بازتولید کنند.[۲] در سال ۲۰۲۳، مدل‌های وزن‌باز لاما ۱ و ۲ و همچنین مدل‌های میسترال و میکسترال از شرکت میسترال ای‌آی برای نخستین بار منتشر شدند،[۳۲][۳۳] و هم‌زمان مدل متن‌باز MPT از شرکت MosaicML نیز عرضه شد.[۳۴][۳۵] در سال ۲۰۲۴، شرکت متا مجموعه‌ای از مدل‌های بزرگ هوش مصنوعی، از جمله لاما ۳٫۱ با ۴۰۵ میلیارد پارامتر، را منتشر کرد که از نظر عملکرد با مدل‌های کم‌گشودگی رقابت می‌کرد.[۳۶] این شرکت ادعا کرد که رویکرد آن به هوش مصنوعی متن‌باز است و با رویکرد سایر شرکت‌های بزرگ فناوری تفاوت دارد.[۳۶] با این حال، پیشگامان متن‌باز و دیگر نهادها اعلام کردند که لاما متن‌باز محسوب نمی‌شود، زیرا مجوز نرم‌افزاری آن استفاده از مدل را برای برخی مقاصد ممنوع می‌کند.[۳۷][۳۸][۳۹] دیپ‌سیک در دسامبر ۲۰۲۴ مدل زبانی بزرگ V3 خود و در ۲۰ ژانویه ۲۰۲۵ مدل استدلال مبتنی بر مدل R1 را منتشر کرد که هر دو به صورت مدل‌های وزن‌باز تحت مجوز ام‌آی‌تی عرضه شدند.[۴۰][۴۱] این انتشار به طور گسترده نشان داد که چین چگونه استفاده و توسعه سامانه‌های هوش مصنوعی بازتر را به‌عنوان راهی برای کاهش وابستگی به نرم‌افزارهای غربی و محدودیت‌های دسترسی، و نیز فراهم‌سازی دسترسی سریع‌تر صنایع خود به هوش مصنوعی قدرتمندتر، در پیش گرفته است.[۴۲] پروژه‌های مستقر در چین از آن پس در سطح جهانی کاربرد گسترده‌تری یافته‌اند و همچنین توانسته‌اند دست‌کم بخشی از فاصله خود با مدل‌های مالکیتی پیشرو آمریکایی را کاهش دهند.[۴۲][۴۳][۴۴] از زمان انتشار مدل مالکیتی جی‌پی‌تی از شرکت اوپن‌ای‌آی در اواخر سال ۲۰۲۲، تنها تعداد اندکی مدل زبانی بزرگ کاملاً باز (از نظر وزن‌ها، داده‌ها، کد و غیره) منتشر شده‌اند. در سپتامبر ۲۰۲۵، یک کنسرسیوم سوئیسی با انتشار مدلی کاملاً باز به نام Apertus به این فهرست کوتاه افزود.[۴۵][۴۶] مدل Latam-GPT، که مدلی باز با تمرکز بر آمریکای لاتین است، در سال ۲۰۲۵ به‌عنوان تلاشی منطقه‌ای راه‌اندازی شد و عمدتاً با محتوای اسپانیایی و پرتغالی آموزش دیده است.[۴۷][۴۸]

اهمیت

برچسب «متن‌باز» می‌تواند مزایای واقعی برای شرکت‌هایی داشته باشد که به‌دنبال جذب نیروی انسانی برتر یا جلب مشتریان هستند.[۴] بحث پیرامون «متن‌بازنمایی» (یا نامیدن یک پروژه به‌عنوان متن‌باز در حالی که عمدتاً بسته است) پیامدهای مهمی برای موفقیت پروژه‌های مختلف در این صنعت دارد.[۷]

هوش مصنوعی متن‌باز معمولاً در کشورها و شرکت‌هایی با استقبال و پذیرش بیشتری روبه‌رو می‌شود که خودشان مدل پیشروی هوش مصنوعی ندارند.[۴] این پروژه‌های متن‌باز می‌توانند به تضعیف موقعیت رقبای تجاری و ژئوپولیتیکی‌ای کمک کنند که قدرتمندترین مدل‌های مالکیتی را در اختیار دارند.[۴]

کاربردها

مراقبت پزشکی

در صنعت مراقبت سلامت، از هوش مصنوعی متن‌باز در حوزه‌هایی مانند تشخیص، مراقبت از بیمار و گزینه‌های درمان شخصی‌سازی‌شده استفاده شده است.[۴۹] کتابخانه‌های متن‌باز در تصویربرداری پزشکی برای وظایفی مانند تشخیص تومور به‌کار رفته‌اند و موجب افزایش سرعت و دقت فرایندهای تشخیصی شده‌اند.[۵۰][۴۹] افزون بر این، OpenChem، یک کتابخانه متن‌باز که به طور خاص برای کاربردهای شیمی و زیست‌شناسی طراحی شده است، امکان توسعه مدل‌های پیش‌بینی برای کشف دارو را فراهم می‌کند و به پژوهشگران در شناسایی ترکیبات بالقوه درمانی کمک می‌کند.[۵۱]

صنایع نظامی

پس از آن که مشخص شد پژوهشگران چینی وابسته به ارتش آزادی‌بخش خلق (کوته‌نوشت: PLA) در مدل‌های لاما از شرکت متا، که از سوی این شرکت به‌عنوان متن‌باز توصیف شده‌اند، تغییرات غیرمجاز ایجاد کرده‌اند، توسط پیمانکاران دفاعی ایالات متحده مانند لاکهید مارتین و اورکل به‌کار گرفته شدند.[۵۲][۵۳] پیشگامان متن‌باز و دیگران استفاده متا از اصطلاح «متن‌باز» برای توصیف لاما را مورد مناقشه قرار داده‌اند، زیرا مجوز لاما شامل یک سیاست استفاده مجاز[پ] است که برخی کاربردها، از جمله استفاده نظامی غیرآمریکایی، را ممنوع می‌کند.[۳۹] پژوهشگران چینی از نسخه‌ای قدیمی‌تر از لاما برای توسعه ابزارهایی مانند ChatBIT استفاده کردند که برای اطلاعات نظامی و تصمیم‌گیری بهینه‌سازی شده بود. این امر متا را بر آن داشت تا همکاری‌های خود با پیمانکاران آمریکایی را گسترش دهد تا اطمینان حاصل شود که این فناوری به طور راهبردی برای امنیت ملی استفاده می‌شود.[۵۳] این کاربردها اکنون شامل بهبودهای لجستیکی، نگهداشت و امنیت سایبری نیز می‌شود.[۵۳]

مزایا

حریم شخصی و استقلال فردی

یک سرمقاله در مجله نیچر هشدار می‌دهد که مراقبت‌های پزشکی ممکن است به مدل‌های هوش مصنوعی‌ای وابسته شوند که هر لحظه امکان ازکارافتادن آن‌ها وجود دارد، ارزیابی‌شان دشوار است و می‌توانند حریم خصوصی بیماران را تهدید کنند.[۱۲] نویسندگان این سرمقاله پیشنهاد می‌کنند که نهادهای مراقبت سلامت، پژوهشگران دانشگاهی، پزشکان، بیماران و شرکت‌های فناوری در سراسر جهان برای ساخت مدل‌های متن‌باز حوزه سلامت همکاری کنند؛ مدل‌هایی که کد زیربنایی و مدل‌های پایه آن‌ها به سادگی در دسترس بوده و بتوان آن‌ها را با مجموعه‌داده‌های اختصاصی به طور آزاد تنظیم دقیق کرد.[۱۲]

همکاری و پیشرفت‌های چشمگیر

همکاری‌های گسترده، مانند آنچه در توسعه چارچوب‌های متن‌بازی چون تنسورفلو و پای‌تورچ مشاهده می‌شود، موجب تسریع پیشرفت‌ها در یادگیری ماشین و یادگیری عمیق شده‌اند.[۵۴] ماهیت متن‌باز این پلتفرم‌ها همچنین امکان تکرار سریع و بهبود مستمر را فراهم می‌کند، زیرا مشارکت‌کنندگان از سراسر جهان می‌توانند اصلاحات و ارتقاهای خود را برای ابزارهای موجود پیشنهاد دهند.[۵۴]

همگانی‌سازی دسترسی[ت]

متن‌باز بودن به کشورها و سازمان‌هایی که به مدل‌های مالکیتی دسترسی ندارند، این امکان را می‌دهد که با هزینه کمتر بتوانند از هوش مصنوعی استفاده کرده و در آن زمینه سرمایه‌گذاری کنند.[۴][۵۵][۵۶]

شفافیت

یکی از مزایای کلیدی هوش مصنوعی متن‌باز، شفافیت بیشتر آن در مقایسه با جایگزین‌های متن‌بسته است.[۵۷] جنبه‌ی متن‌باز مدل‌ها امکان بازرسی الگوریتم‌ها و کد را فراهم می‌کند که همین امر به نوبه خود باعث بالا بردن سطح پاسخ‌گویی شده و به توسعه‌دهندگان کمک می‌کند درک بهتری از نحوه به نتیجه رسیدن یک مدل داشته باشند.[۵۸] افزون بر این، مدل‌های وزن‌باز، مانند لاما و استیبل دیفیوژن، به توسعه‌دهندگان این امکان را می‌دهند که مستقیماً به پارامترهای مدل دسترسی داشته باشند و این امر می‌تواند به کاهش سوگیری و ارتقای انصاف در کاربردها منجر شود.[۵۸] این سطح از شفافیت می‌تواند به ایجاد سامانه‌هایی با خروجی‌های قابل‌فهم برای انسان، یا «هوش مصنوعی توضیح‌پذیر»، کمک کند. به طور خاص، موضوع «هوش مصنوعی توضیح‌پذیر» در کاربردهای پرمخاطره مانند مراقبت سلامت، عدالت کیفری و امور مالی اهمیت فزاینده‌ای یافته است، زیرا پیامدهای تصمیم‌های اتخاذشده توسط سامانه‌های هوش مصنوعی می‌تواند بسیار گسترده باشد.[۵۹]

نگرانی ها

کیفیت و امنیت

هوش مصنوعی متن‌باز ممکن است به گروه‌های بیوتروریستی اجازه دهد تنظیم دقیق و سایر سازوکارهای حفاظتی مدل‌های هوش مصنوعی را حذف یا بی اثر کنند.[۱۱][۴] گزارشی از کاخ سفید در ژوئیه ۲۰۲۴ اعلام کرد که هنوز شواهد کافی برای محدود کردن انتشار وزن‌های مدل وجود ندارد.[۶۰]

پس از عمومی‌شدن یک مدل متن‌باز، در صورت شناسایی مشکلات جدی امنیتی، امکان بازگرداندن یا به‌روزرسانی کامل آن وجود ندارد.[۶۱] مانع اصلی در توسعه طرح‌های تروریستی واقعی، محدودیت‌های سخت‌گیرانه در دسترسی به مواد اولیه و تجهیزات لازم است.[۶۱] باید در نظر داشت که سرعت بالای پیشرفت هوش مصنوعی باعث می‌شود استفاده از مدل‌های قدیمی‌تر، که هم آسیب‌پذیرتر و هم کم‌توان‌تر هستند، جذابیت کمتری داشته باشد.[۶۱]

به علاوه، پژوهشگران، هوش مصنوعی متن‌باز را به‌دلیل نگرانی‌های امنیتی و اخلاقی موجود در آنها مورد انتقاد قرار داده‌اند. یک تحلیل با استفاده از اسکنرهای آسیب‌پذیری کد مانند Bandit، FlawFinder و Semgrep بر روی بیش از ۱۰۰٬۰۰۰ مدل متن‌باز در هاگینگ فیس و گیت‌هاب نشان داد که بیش از ۳۰٪ این مدل‌ها دارای آسیب‌پذیری‌های با شدت بالا هستند.[۶۲] افزون بر این، مدل‌های بسته معمولاً خطرات ایمنی کمتری نسبت به مدل‌های متن‌باز دارند.[۶۱] آزادی در توسعه و تغییر مدل‌های متن‌باز موجب شده است برخی توسعه‌دهندگان مدل‌هایی بدون دستورالعمل‌های اخلاقی منتشر کنند، مانند GPT4-Chan.[۶۱]

عملگرایی

برخلاف بسیاری از پروژه‌های متن‌باز دیگر که تنها به دانلود کد نیاز دارند، حتی با وجود متن‌باز بودن کامل هوش مصنوعی، هزینه آموزش یک مدل به صورت مستقل همچنان می‌تواند برای بسیاری از کاربران بسیار بالا و غیرقابل تامین باشد.[۴]

کدهای نیمه‌متن‌بازی که با محدودیت‌های حقوقی فراوان منتشر می‌شوند، برخی شرکت‌ها را به‌دلیل نگرانی از دعاوی حقوقی احتمالی در آینده، از استفاده از این پروژه‌ها منصرف کرده‌اند.[۴]

جستارهای وابسته

یادداشت‌ها

  1. ↑ Openwashing
  2. ↑ Open Source AI Definition 1.0 یا OSAID 1.0
  3. ↑ Acceptable use policy
  4. ↑ Democratizing access

مراجع

  1. 1 2 Williams, Rhiannon; O'Donnell, James (August 22, 2024). "We finally have a definition for open-source AI". MIT Technology Review (به انگلیسی). Retrieved 28 November 2024.
  2. 1 2 3 Robison, Kylie (28 October 2024). "Open-source AI must reveal its training data, per new OSI definition". The Verge (به انگلیسی). Retrieved 28 November 2024.
  3. 1 2 "The Open Source AI Definition – 1.0". Open Source Initiative (به انگلیسی). Archived from the original on 2025-03-31. Retrieved 2024-11-14.
  4. 1 2 3 4 5 6 7 8 "A battle is raging over the definition of open-source AI". The Economist. November 6, 2024. ISSN 0013-0613. Retrieved 2025-12-09.
  5. ↑ "Open Weights: not quite what you've been told". Open Source Initiative (به انگلیسی). Retrieved 2025-09-23.
  6. ↑ "OpenAI releases lower-cost models to rival Meta, Mistral and DeepSeek". CNBC (به انگلیسی). 2025-08-05. Retrieved 2025-09-23.
  7. 1 2 Liesenfeld, Andreas; Dingemanse, Mark (5 June 2024). "Rethinking open source generative AI: Open washing and the EU AI Act". The 2024 ACM Conference on Fairness, Accountability, and Transparency. Association for Computing Machinery. pp. 1774–1787. doi:10.1145/3630106.3659005. ISBN 979-8-4007-0450-5.
  8. 1 2 Widder, David Gray; Whittaker, Meredith; West, Sarah Myers (November 2024). "Why 'open' AI systems are actually closed, and why this matters". Nature (به انگلیسی). 635 (8040): 827–833. Bibcode:2024Natur.635..827W. doi:10.1038/s41586-024-08141-1. ISSN 1476-4687. PMID 39604616. {{cite journal}}: Check |pmid= value (help)
  9. ↑ "Licenses". Open Source Initiative (به انگلیسی). Archived from the original on 2018-02-10. Retrieved 2024-11-14.
  10. ↑ Castelvecchi, Davide (29 June 2023). "Open-source AI chatbots are booming — what does this mean for researchers?". Nature. 618 (7967): 891–892. Bibcode:2023Natur.618..891C. doi:10.1038/d41586-023-01970-6. PMID 37340135.
  11. 1 2 Sandbrink, Jonas (2023-08-07). "ChatGPT could make bioterrorism horrifyingly easy". Vox (به انگلیسی). Retrieved 2024-11-14.
  12. 1 2 3 Toma, Augustin; Senkaiahliyan, Senthujan; Lawler, Patrick R.; Rubin, Barry; Wang, Bo (December 2023). "Generative AI could revolutionize health care — but not if control is ceded to big tech". Nature (به انگلیسی). 624 (7990): 36–38. Bibcode:2023Natur.624...36T. doi:10.1038/d41586-023-03803-y. PMID 38036861.
  13. ↑ Davies, Pascale (20 February 2024). "What is open source AI and why is profit so important to the debate?". Euronews (به انگلیسی). Retrieved 28 November 2024.
  14. ↑ "The Evolution of Open Source: From Software to AI: Argano". argano.com. Retrieved 2024-11-24.
  15. 1 2 Daigle, Kyle (2023-11-08). "Octoverse: The state of open source and rise of AI in 2023". The GitHub Blog (به انگلیسی). Retrieved 2024-11-24.
  16. ↑ "Appendix I: A Short History of AI | One Hundred Year Study on Artificial Intelligence (AI100)". ai100.stanford.edu (به انگلیسی). Retrieved 2024-11-24.
  17. ↑ Kautz, Henry (2022-03-31). "The Third AI Summer: AAAI Robert S. Engelmore Memorial Lecture". AI Magazine (به انگلیسی). 43 (1): 105–125. doi:10.1002/aaai.12036. ISSN 2371-9621.
  18. ↑ "Why Software Should Be Free - GNU Project - Free Software Foundation". www.gnu.org. Archived from the original on 2024-12-01. Retrieved 2024-11-24.
  19. ↑ "The Power of Collaboration: How Open-Source Projects are Advancing AI". kdnuggets.com.
  20. ↑ Code, Linux (2024-11-03). "A Brief History of Open Source". TheLinuxCode (به انگلیسی). Retrieved 2024-11-24.
  21. ↑ "Topic: (/)". www.cs.cmu.edu. Retrieved 2025-09-11.
  22. ↑ Priya (2024-03-28). "The Evolution of Open Source AI Libraries: From Basement Brawls to AI All-Stars". TheGen.AI (به انگلیسی). Retrieved 2024-11-24.
  23. ↑ Pulli, Kari; Baksheev, Anatoly; Kornyakov, Kirill; Eruhimov, Victor (1 April 2012). "Realtime Computer Vision with OpenCV". ACM Queue. 10 (4): 40:40–40:56. doi:10.1145/2181796.2206309.
  24. ↑ Adrian Kaehler; Gary Bradski (14 December 2016). Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library. O'Reilly Media. pp. 26ff. ISBN 978-1-4919-3800-3.
  25. ↑ Costa, Carlos J.; Aparicio, Manuela; Aparicio, Sofia; Aparicio, Joao Tiago (January 2024). "The Democratization of Artificial Intelligence: Theoretical Framework". Applied Sciences (به انگلیسی). 14 (18): 8236. doi:10.3390/app14188236. hdl:10362/173131. ISSN 2076-3417.
  26. ↑ Lee, Timothy B. (2024-11-11). "How a stubborn computer scientist accidentally launched the deep learning boom". Ars Technica (به انگلیسی). Retrieved 2025-09-11.
  27. 1 2 Xiang, Chloe (2023-02-28). "OpenAI Is Now Everything It Promised Not to Be: Corporate, Closed-Source, and For-Profit". VICE (به انگلیسی). Retrieved 2024-11-14.
  28. ↑ Hao, Karen (September 23, 2020). "OpenAI is giving Microsoft exclusive access to its GPT-3 language model". MIT Technology Review (به انگلیسی). Archived from the original on 2021-02-05. Retrieved 2024-12-08.
  29. ↑ "GPT-3's free alternative GPT-Neo is something to be excited about". VentureBeat (به انگلیسی). 2021-05-15. Archived from the original on 9 March 2023. Retrieved 2023-04-14.
  30. ↑ "EleutherAI: When OpenAI Isn't Open Enough". IEEE Spectrum (به انگلیسی). 2021-06-02. Archived from the original on March 27, 2022.
  31. ↑ Heaven, Will (2022-05-03). "Meta has built a massive new language AI—and it's giving it away for free". MIT Technology Review. Retrieved 2023-12-26.
  32. ↑ Nicol-Schwarz, Kai (2025-12-02). "French AI lab Mistral releases new AI models as it looks to keep pace with OpenAI and Google". CNBC (به انگلیسی). Retrieved 2025-12-05.
  33. ↑ Heikkilä, Melissa (December 2, 2025). "Mistral unveils new models in race to gain edge in 'open' AI". Financial Times. Retrieved 2025-12-05.
  34. ↑ Nunez, Michael (2023-06-22). "MosaicML challenges OpenAI with its new open-source language model". VentureBeat. Retrieved 2025-07-21.
  35. ↑ Chen, Joanne (2023-07-19). "MosaicML launches MPT-7B-8K, a 7B-parameter open-source LLM with 8k context length". VentureBeat. Retrieved 2025-07-21.
  36. 1 2 Mirjalili, Seyedali (2024-08-01). "Meta just launched the largest 'open' AI model in history. Here's why it matters". The Conversation (به انگلیسی). Retrieved 2024-11-14.
  37. ↑ Waters, Richard (2024-10-17). "Meta under fire for 'polluting' open-source". Financial Times. Retrieved 2024-11-14.
  38. ↑ Edwards, Benj (18 July 2023). "Meta launches Llama 2, a source-available AI model that allows commercial applications". Ars Technica. Archived from the original on 7 November 2023. Retrieved 14 December 2024.
  39. 1 2 "Meta offers Llama AI to US government for national security". CIO. 5 November 2024. Archived from the original on 14 December 2024. Retrieved 14 December 2024.
  40. ↑ Chen, Caiwei (January 24, 2025). "How a top Chinese AI model overcame US sanctions". MIT Technology Review. Archived from the original on 2025-01-25. Retrieved 2025-02-03.
  41. ↑ Guo, Daya; et al. (18 September 2025). "DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning". Nature. 645 (8081): 633–638. Bibcode:2025Natur.645..633G. doi:10.1038/s41586-025-09422-z. PMC 12443585. PMID 40962978. {{cite journal}}: Check |pmc= value (help); Check |pmid= value (help)
  42. 1 2 Bloom, Peter (2025-02-12). "DeepSeek: how China's embrace of open-source AI caused a geopolitical earthquake". The Conversation (به انگلیسی). Retrieved 2025-12-09.
  43. ↑ Huang, Raffaele (2025-08-13). "China's Lead in Open-Source AI Jolts Washington and Silicon Valley". The Wall Street Journal (به انگلیسی). Retrieved 2025-12-09.
  44. ↑ Cui, Jasmine; Perlo, Jared (2025-11-30). "More of Silicon Valley is building on free Chinese AI". NBC News (به انگلیسی). Retrieved 2025-12-09.
  45. ↑ Welle, Elissa (2025-09-03). "Switzerland releases an open-weight AI model". The Verge (به انگلیسی). Retrieved 2025-10-08.
  46. ↑ Allen, Matthew (2025-09-02). "Switzerland launches transparent ChatGPT alternative". SWI swissinfo.ch (به انگلیسی). Retrieved 2025-10-08.
  47. ↑ Lagos, Anna (September 1, 2025). "Latam-GPT: The Free, Open Source, and Collaborative AI of Latin America". Wired (به انگلیسی). ISSN 1059-1028. Retrieved 2025-10-08.
  48. ↑ Osborn, Catherine (2025-12-22). "Where Does Latin America Stand in the Global AI Race?". Foreign Policy (magazine) (به انگلیسی). Retrieved 2025-12-05.
  49. 1 2 Esteva, Andre; Robicquet, Alexandre; Ramsundar, Bharath; Kuleshov, Volodymyr; DePristo, Mark; Chou, Katherine; Cui, Claire; Corrado, Greg; Thrun, Sebastian; Dean, Jeff (January 2019). "A guide to deep learning in healthcare". Nature Medicine (به انگلیسی). 25 (1): 24–29. Bibcode:2019NatMe..25...24E. doi:10.1038/s41591-018-0316-z. ISSN 1546-170X. PMID 30617335.
  50. ↑ Ashraf, Mudasir; Ahmad, Syed Mudasir; Ganai, Nazir Ahmad; Shah, Riaz Ahmad; Zaman, Majid; Khan, Sameer Ahmad; Shah, Aftab Aalam (2021). "Prediction of Cardiovascular Disease Through Cutting-Edge Deep Learning Technologies: An Empirical Study Based on TENSORFLOW, PYTORCH and KERAS". In Gupta, Deepak; Khanna, Ashish; Bhattacharyya, Siddhartha; Hassanien, Aboul Ella; Anand, Sameer; Jaiswal, Ajay (eds.). International Conference on Innovative Computing and Communications. Advances in Intelligent Systems and Computing (به انگلیسی). Vol. 1165. Singapore: Springer. pp. 239–255. doi:10.1007/978-981-15-5113-0_18. ISBN 978-981-15-5113-0.
  51. ↑ Korshunova, Maria; Ginsburg, Boris; Tropsha, Alexander; Isayev, Olexandr (2021-01-25). "OpenChem: A Deep Learning Toolkit for Computational Chemistry and Drug Design". Journal of Chemical Information and Modeling (به انگلیسی). 61 (1): 7–13. doi:10.1021/acs.jcim.0c00971. ISSN 1549-9596. PMID 33393291.
  52. ↑ Pomfret, James; Pang, Jessie; Pomfret, James; Pang, Jessie (2024-11-01). "Exclusive: Chinese researchers develop AI model for military use on back of Meta's Llama". Reuters (به انگلیسی). Retrieved 2024-11-16.
  53. 1 2 3 Roth, Emma (2024-11-04). "Meta AI is ready for war". The Verge (به انگلیسی). Retrieved 2024-11-16.
  54. 1 2 Dean, Jeffrey (2022-05-01). "A Golden Decade of Deep Learning: Computing Systems & Applications". Daedalus (به انگلیسی). 151 (2): 58–74. doi:10.1162/daed_a_01900. ISSN 0011-5266.
  55. ↑ Hassri, Myftahuddin Hazmi; Man, Mustafa (2023-12-07). "The Impact of Open-Source Software on Artificial Intelligence". Journal of Mathematical Sciences and Informatics (به انگلیسی). 3 (2). doi:10.46754/jmsi.2023.12.006. ISSN 2948-3697.
  56. ↑ Solaiman, Irene (May 24, 2023). "Generative AI Systems Aren't Just Open or Closed Source". Wired. Archived from the original on November 27, 2023. Retrieved July 20, 2023.
  57. ↑ MACHADO, J. (2025). Toward a Public and Secure Generative AI: A Comparative Analysis of Open and Closed LLMs. Conference Paper. arXiv:2505.10603.
  58. 1 2 White, Matt; Haddad, Ibrahim; Osborne, Cailean; Xiao-Yang Yanglet Liu; Abdelmonsef, Ahmed; Varghese, Sachin; Arnaud Le Hors (2024). "The Model Openness Framework: Promoting Completeness and Openness for Reproducibility, Transparency, and Usability in Artificial Intelligence". arXiv:2403.13784 [cs.LG].
  59. ↑ Gujar, Praveen. "Council Post: Building Trust In AI: Overcoming Bias, Privacy And Transparency Challenges". Forbes (به انگلیسی). Retrieved 2024-11-27.
  60. ↑ O'Brien, Matt (2024-07-30). "White House says no need to restrict open-source AI, for now". Associated Press (به انگلیسی). PBS News. Retrieved 2024-11-14.
  61. 1 2 3 4 5 Eiras, Francisco; Petrov, Aleksandar; Vidgen, Bertie; Schroeder, Christian; Pizzati, Fabio; Elkins, Katherine; Mukhopadhyay, Supratik; Bibi, Adel; Purewal, Aaron (2024-05-29). "Risks and Opportunities of Open-Source Generative AI". arXiv:2405.08597 [cs.LG].
  62. ↑ Kathikar, Adhishree; Nair, Aishwarya; Lazarine, Ben (2023). "Assessing the Vulnerabilities of the Open-Source Artificial Intelligence (AI) Landscape: A Large-Scale Analysis of the Hugging Face Platform". 2023 IEEE International Conference on Intelligence and Security Informatics (ISI). pp. 1–6. doi:10.1109/ISI58743.2023.10297271. ISBN 979-8-3503-3773-0.

پیوندهای بیرونی

در ویکی‌انبار پرونده‌هایی دربارهٔ هوش مصنوعی متن‌باز موجود است.
This article is issued from ویکی‌پدیا. The text is available under Creative Commons Attribution-Share Alike 4.0 unless otherwise noted. Additional terms may apply for the media files.