Open Weights vs Verdaderamente Open Source AI

1. Visión general del concepto y problema sistémico

El término "Open Source" ha sido manipulado en campañas de marketing de grandes corporaciones de IA:

• La empresa publica un archivo binario de 100 GB con pesos en Hugging Face y orgullosamente declara: "¡Hemos lanzado un modelo Open Source!".
• Pero los ingenieros no tienen acceso al conjunto de datos de origen (¿qué leyó realmente el modelo?), no conocen el código de filtrado de datos y no pueden reproducir el entrenamiento.
• Además, la licencia contiene letra pequeña con restricciones geopolíticas, comerciales o de patentes.

Open Weights vs Open Source — esta es una distinción crítica para la seguridad e integridad de la ingeniería: entender lo que realmente posees en tu proyecto.

2. Taxonomía arquitectónica y modelo mental

┌─────────────────────────────────────────────────────────────┐
│                 MATRIZ DEL ESPECTRO DE ABERTURA DE IA      │
├─────────────────────────────────────────────────────────────┤
│ 1. API PROPIETARIA CERRADA (OpenAI, Anthropic, Google Cloud)│
│    • Acceso solo a través de HTTP; cero control de hardware  │
├─────────────────────────────────────────────────────────────┤
│ 2. PESOS ABIERTOS / LICENCIA RESTRINGIDA (Meta Llama 3)     │
│    • Pesos disponibles para descarga                          │
│    • Restricciones: Límites de usuarios, prohibición de entrenamiento│
│    • Datos de entrenamiento: Completamente secretos          │
├─────────────────────────────────────────────────────────────┤
│ 3. VERDADERAMENTE OPEN SOURCE AI (Cumple con OSI: OLMo, Pythia)│
│    • Código completo de entrenamiento (scripts de PyTorch, distribuidos)│
│    • Conjunto de datos público completo (Dolma / FineWeb con licencias)│
│    • Puntos de control intermedios de cada paso de entrenamiento│
│    • Licencia permisiva (Apache 2.0 / MIT)                   │
└─────────────────────────────────────────────────────────────┘

3. Pipeline técnico y mecánica interna

01. Protección legal de un producto comercial contra demandas

El departamento legal evalúa una startup. Si la arquitectura del negocio depende de un modelo con licencia personalizada que prohíbe el uso en ciertas jurisdicciones geográficas, la empresa se ve obligada a reemplazarlo por un modelo verdaderamente permisivo (por ejemplo, bajo licencia Apache 2.0).

02. Reproducibilidad científica completa

Un grupo de investigación investiga los mecanismos de aparición de alucinaciones. Con el modelo Llama, esto es difícil debido a la composición desconocida del conjunto de datos. Los investigadores eligen el modelo completamente abierto OLMo del Allen Institute, donde cada byte del corpus de entrenamiento es conocido.

4. Escenarios prácticos de ingeniería en producción

01. Protección legal de un producto comercial contra demandas

El departamento legal evalúa una startup. Si la arquitectura del negocio depende de un modelo con licencia personalizada que prohíbe el uso en ciertas jurisdicciones geográficas, la empresa se ve obligada a reemplazarlo por un modelo verdaderamente permisivo (por ejemplo, bajo licencia Apache 2.0).

02. Reproducibilidad científica completa

Un grupo de investigación investiga los mecanismos de aparición de alucinaciones. Con el modelo Llama, esto es difícil debido a la composición desconocida del conjunto de datos. Los investigadores eligen el modelo completamente abierto OLMo del Allen Institute, donde cada byte del corpus de entrenamiento es conocido.

5. Errores comunes, trampas y seguridad

• Licencias "virales" en los negocios: Algunos modelos tienen licencias no permisivas no comerciales (por ejemplo, CC-BY-NC 4.0). Usar tal modelo para automatizar procesos comerciales en una empresa comercial es una violación directa de la ley.
• Riesgo de cambio de licencia en la siguiente versión: La empresa puede lanzar la versión 1 bajo licencia MIT, y la versión 2 bajo una licencia comercial estricta. Siempre registra las versiones de pesos y archivos de licencia en el repositorio.