Darmowe szkolenie AI opiera się na sieciach neuronowych open source.
To jest prosta odpowiedź, ale wymaga jednego ważnego zastrzeżenia. „Darmowe” nie oznacza, że samo działanie trenowania nie ma kosztu. Zazwyczaj oznacza to, że wagi modelu, kod lub narzędzia do trenowania są dostępne do użytku publicznego, więc strona programowa jest darmowa do inspekcji i uruchomienia. Sprzęt, dane i czas nadal muszą pochodzić z jakiegoś źródła.
Utrzymuję to proste w głowie. Jeśli sieć neuronowa jest open source, mogę badać, jak jest zbudowana. Mogę ją też skopiować, zmienić i wytrenować ponownie, jeśli licencja na to pozwala. To jest główny powód, dla którego modele open source mają znaczenie dla darmowego szkolenia AI. Obniżają one barierę wejścia dla osób, które chcą się uczyć, testować pomysły lub budować małe systemy bez konieczności płacenia dostawcy z góry.
Przydatna część nie polega tylko na słowie „open source”. Chodzi o stos technologiczny stojący za nim. Konfiguracja trenowania zazwyczaj wymaga modelu, frameworka i danych. Modelem jest sama sieć neuronowa. Frameworkiem jest kod obsługujący proces trenowania. Danymi jest to, czego sieć się uczy. Kiedy wszystkie trzy elementy są otwarte lub dostępne bezpłatnie, trenowanie staje się możliwe bez pośrednictwa płatnego API.
Ta różnica ma znaczenie. Płatne API pozwala użytkownikowi wywołać model. Zazwyczaj nie pozwala jednak temu użytkownikowi ponownego trenowania modelu. Trenowanie open source to umożliwia. Daje bezpośrednią kontrolę nad wagami i procesem nauki. Dla deweloperów oznacza to, że prawdziwa praca jest widoczna. Można zmieniać warstwy, funkcje straty, rozmiary partii lub metody dopracowywania (fine-tuning). Można również zobaczyć, gdzie model zawodzi, co często jest częścią pomijaną przez ludzi, gdy mówią publicznie o AI.
Myślę, że to właśnie tutaj fraza „darmowe szkolenie AI” staje się niejasna. Ludzie używają jej w kilku znaczeniach. Czasami oznaczają nią darmowe kursy lub samouczki. Czasami chodzi o darmowe kredyty w chmurze. Czasami o modele z otwartymi wagami, które można dopracowywać na lokalnym sprzęcie. Nie są to te same rzeczy. Główna odpowiedź w nagłówku nadal obowiązuje, ale tylko wtedy, gdy jesteśmy szczersi co do tego, co jest naprawdę darmowe.
Sieci neuronowe open source są przydatne, ponieważ uczą konkretnych umiejętności. Framework, taki jak darmowa biblioteka uczenia głębokiego, daje pętlę trenowania. Otwarty model daje wagi i architekturę. Otwarty zbiór danych daje materiał do nauki. Połączmy je razem, a trenowanie przestaje być czarną skrzynką. Jest to system, który można zinspekcjonować.
Nie sprawia to, że jest to łatwe. Darmowe trenowanie nadal może napotywać twarde ograniczenia. Najbardziej oczywistym z nich jest moc obliczeniowa. Trenowanie nawet małej sieci neuronowej może zużyć dużo pamięci i czasu. Większe modele są trudniejsze. Innym limitem jest jakość danych. Dane open source nie zawsze są czyste, zrównoważone lub legalne do każdego użycia. Darmowy stos technologiczny może wciąż dać zły model, jeśli dane są słabe. Model nie dba o nasze dobre intencje. Uczy się tylko z wejścia.
Istnieje też limit licencyjny. Niektóre modele open source są otwarte tylko w luźnym sensie. Ich kod może być publiczny, ale wagi mogą mieć ograniczenia użytkowe. Albo ich licencja może zezwalać na badania, ale nie na szerokie wykorzystanie komercyjne. Dlatego nie traktuję każdej etykiety „open” jako tej samej rzeczy. Słowo brzmi prosto. Warunki prawne nie są takie same.
Dla czytelnika technicznego podstawowa idea jest wystarczająco prosta. Darmowe szkolenie AI zazwyczaj oznacza korzystanie z sieci neuronowych open source lub z otwartymi wagami oraz darmowych narzędzi do trenowania. Można to zrobić lokalnie, w chmurze lub poprzez darmowe poziomy usług. Sieć nie jest magiczna. To po prostu zestaw liczb i reguł, które masz pozwolenie badać i zmieniać. W tym tkwi wartość.
Myślę też, że pomaga utrzymywać obietnicę w granicach rozsądku. Darmowe szkolenie AI jest dobre do nauki, prototypowania i uczciwych eksperymentów. Jest mniej przydatne, gdy ktoś oczekuje dużego modelu, natychmiastowych rezultatów lub ścieżki skalowania bez kosztów. Branża nadal zależy od mocy obliczeniowej, magazynowania i starannej pracy z danymi. Open source obniża prog. Nie usuwa jednak pokoju za nim.
Więc odpowiedź pozostaje bezpośrednia: darmowe szkolenie AI korzysta z sieci neuronowych open source, ponieważ otwarte modele i otwarte narzędzia czynią trenowanie możliwym bez płacenia za sam model. Rzeczywistym limitem jest to, że „darmowe” prawie nigdy nie obejmuje wszystkiego. Moc obliczeniowa, dane i warunki licencyjne wciąż mają znaczenie i decydują o tym, jak daleko może zajść trenowanie.
O taki rodzaj szczegółów chodzi mi w The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jedna szczera ocena tego, co faktycznie działa.
