AI nguồn mở được bàn tán như thể nó là một chiếc chìa khóa thần kỳ mở ra mọi thứ. Thực ra không phải vậy. Nhưng nó là một cách thiết thực, dễ xin phép để xây dựng các hệ thống AI mà bạn có thể hiểu, cải thiện và triển khai mà không cần phải cầu xin nhà cung cấp bật công tắc. Nếu bạn đang tự hỏi điều gì được coi là "mở", tiếp thị chỉ là gì, và làm thế nào để thực sự áp dụng nó vào công việc, thì bạn đã đến đúng nơi rồi. Hãy nhâm nhi một tách cà phê - bài viết này sẽ hữu ích, và có thể sẽ hơi mang tính chủ quan một chút ☕🙂.
Những bài viết bạn có thể muốn đọc sau bài này:
🔗 Làm thế nào để tích hợp trí tuệ nhân tạo vào doanh nghiệp của bạn?
Các bước thực tiễn để tích hợp công cụ AI nhằm thúc đẩy tăng trưởng kinh doanh thông minh hơn.
🔗 Làm thế nào để sử dụng trí tuệ nhân tạo để tăng năng suất?
Khám phá các quy trình làm việc hiệu quả với trí tuệ nhân tạo giúp tiết kiệm thời gian và nâng cao hiệu quả.
🔗 Kỹ năng trí tuệ nhân tạo là gì?
Nắm vững các kỹ năng AI then chốt cần thiết cho các chuyên gia sẵn sàng cho tương lai.
🔗 Google Vertex AI là gì?
Tìm hiểu về Vertex AI của Google và cách công nghệ này hợp lý hóa quá trình học máy.
AI nguồn mở là gì? 🤖🔓
Nói một cách đơn giản nhất, AI Nguồn Mở có nghĩa là các thành phần của một hệ thống AI—mã nguồn, trọng số mô hình, đường ống dữ liệu, tập lệnh đào tạo và tài liệu—được phát hành theo các giấy phép cho phép bất kỳ ai sử dụng, nghiên cứu, chỉnh sửa và chia sẻ chúng, với các điều khoản hợp lý. Ngôn ngữ tự do cốt lõi đó xuất phát từ Định nghĩa Nguồn Mở và các nguyên tắc lâu đời về quyền tự do của người dùng [1]. Điểm khác biệt của AI là có nhiều thành phần hơn là chỉ mã nguồn.
Một số dự án xuất bản mọi thứ: mã, nguồn dữ liệu huấn luyện, công thức và mô hình đã huấn luyện. Những dự án khác chỉ phát hành trọng số với giấy phép tùy chỉnh. Hệ sinh thái đôi khi sử dụng lối viết tắt cẩu thả, vì vậy chúng ta hãy cùng xem xét lại trong phần tiếp theo.
AI nguồn mở so với trọng số mở so với truy cập mở 😅
Đây là nơi mọi người nói chuyện với nhau.
-
Trí tuệ nhân tạo nguồn mở — Dự án tuân thủ các nguyên tắc nguồn mở trên toàn bộ stack. Mã nguồn được cấp phép bởi OSI, và các điều khoản phân phối cho phép sử dụng, chỉnh sửa và chia sẻ rộng rãi. Tinh thần ở đây phản ánh những gì OSI mô tả: quyền tự do của người dùng là trên hết [1][2].
-
Trọng số mở — Các trọng số mô hình đã được huấn luyện có thể tải xuống (thường miễn phí) nhưng theo các điều khoản riêng. Bạn sẽ thấy các điều kiện sử dụng, giới hạn phân phối lại hoặc quy tắc báo cáo. Gia đình Llama của Meta minh họa điều này: hệ sinh thái mã nguồn mở, nhưng các trọng số mô hình được cung cấp theo một giấy phép cụ thể với các điều kiện dựa trên việc sử dụng [4].
-
Truy cập mở — Bạn có thể truy cập API, có thể miễn phí, nhưng bạn sẽ không nhận được trọng số. Hữu ích cho việc thử nghiệm, nhưng không phải là mã nguồn mở.
Đây không chỉ là vấn đề ngữ nghĩa. Quyền lợi và rủi ro của bạn thay đổi tùy theo từng danh mục. Nghiên cứu hiện tại của OSI về AI và tính cởi mở đã giải thích những sắc thái này bằng ngôn ngữ dễ hiểu [2].
Điều gì làm cho AI nguồn mở thực sự tốt ✅
Chúng ta hãy nhanh chóng và trung thực.
-
Khả năng kiểm toán — Bạn có thể đọc mã, kiểm tra công thức dữ liệu và theo dõi các bước đào tạo. Điều này giúp ích cho việc tuân thủ, đánh giá an toàn và khơi gợi sự tò mò theo kiểu truyền thống. Khung Quản lý Rủi ro AI của NIST khuyến khích các hoạt động ghi chép tài liệu và minh bạch mà các dự án mở có thể đáp ứng dễ dàng hơn [3].
-
Khả năng thích ứng — Bạn không bị bó buộc vào lộ trình của nhà cung cấp. Hãy phân nhánh nó. Vá nó. Vận chuyển nó. Lego, không phải nhựa dán.
-
Kiểm soát chi phí — Tự lưu trữ khi giá rẻ hơn. Chuyển sang đám mây khi giá cao hơn. Kết hợp và lựa chọn phần cứng.
-
Tốc độ cộng đồng — Lỗi được sửa, tính năng được hoàn thiện và bạn học hỏi từ đồng nghiệp. Lộn xộn? Đôi khi. Hiệu quả? Thường xuyên.
-
Minh bạch về quản trị — Giấy phép mở thực sự có thể dự đoán được. Hãy so sánh điều đó với Điều khoản Dịch vụ API, vốn lặng lẽ thay đổi vào thứ Ba.
Liệu nó có hoàn hảo không? Không. Nhưng những đánh đổi thì dễ thấy - nhiều hơn những gì bạn nhận được từ nhiều dịch vụ hộp đen.
Bộ công cụ AI nguồn mở: mã, trọng số, dữ liệu và keo dán 🧩
Hãy tưởng tượng một dự án AI giống như một món lasagna kỳ quặc. Có nhiều lớp ở khắp mọi nơi.
-
Khung và thời gian chạy — Công cụ để xác định, đào tạo và phục vụ các mô hình (ví dụ: PyTorch, TensorFlow). Cộng đồng và tài liệu lành mạnh quan trọng hơn tên thương hiệu.
-
Kiến trúc mô hình — Bản thiết kế: máy biến áp, mô hình khuếch tán, thiết lập tăng cường truy xuất.
-
Trọng số — Các tham số được học trong quá trình đào tạo. “Mở” ở đây phụ thuộc vào việc phân phối lại và quyền sử dụng thương mại, chứ không chỉ khả năng tải xuống.
-
Dữ liệu và công thức — Các tập lệnh quản lý, bộ lọc, phần bổ sung, lịch trình đào tạo. Tính minh bạch ở đây là vàng cho khả năng tái tạo.
-
Công cụ và phối hợp — Máy chủ suy luận, cơ sở dữ liệu vectơ, công cụ đánh giá, khả năng quan sát, CI/CD.
-
Cấp phép — Xương sống thầm lặng quyết định những gì bạn thực sự có thể làm. Xem thêm bên dưới.
Cấp phép 101 cho AI nguồn mở 📜
Bạn không cần phải là luật sư. Bạn chỉ cần phát hiện ra các quy luật.
-
Giấy phép mã cho phép — MIT, BSD, Apache-2.0. Apache bao gồm một khoản cấp bằng sáng chế rõ ràng mà nhiều nhóm đánh giá cao [1].
-
Copyleft — Gia đình GPL yêu cầu các sản phẩm phái sinh vẫn được mở theo cùng một giấy phép. Mạnh mẽ, nhưng hãy lên kế hoạch cho nó trong kiến trúc của bạn.
-
Giấy phép dành riêng cho mô hình — Đối với trọng số và tập dữ liệu, bạn sẽ thấy các giấy phép tùy chỉnh như họ Giấy phép AI Có Trách nhiệm (OpenRAIL). Các giấy phép này mã hóa các quyền và hạn chế dựa trên việc sử dụng; một số cho phép sử dụng thương mại rộng rãi, một số khác bổ sung các quy định hạn chế việc sử dụng sai mục đích [5].
-
Creative Commons cho dữ liệu — CC-BY hoặc CC0 là phổ biến cho các tập dữ liệu và tài liệu. Việc ghi nhận tác giả có thể được quản lý ở quy mô nhỏ; hãy xây dựng một khuôn mẫu ngay từ đầu.
Mẹo chuyên nghiệp: Hãy giữ một trang liệt kê từng phần phụ thuộc, giấy phép của nó và liệu có được phép phân phối lại cho mục đích thương mại hay không. Nhàm chán ư? Có. Cần thiết ư? Cũng có.
Bảng so sánh: các dự án AI nguồn mở phổ biến và điểm nổi bật của chúng 📊
hơi lộn xộn một cách có chủ đích - đó là cách các ghi chú thực sự trông như thế nào
| Công cụ / Dự án | Dành cho ai | Giá cả tương đối | Lý do nó hiệu quả |
|---|---|---|---|
| PyTorch | Các nhà nghiên cứu, kỹ sư | Miễn phí | Biểu đồ động, cộng đồng lớn, tài liệu mạnh mẽ. Đã được kiểm nghiệm thực tế trong quá trình sản xuất. |
| TensorFlow | Các nhóm doanh nghiệp, hoạt động ML | Miễn phí | Chế độ đồ thị, TF-Serving, độ sâu hệ sinh thái. Học tập sâu hơn đối với một số người, vẫn vững chắc. |
| Transformers ôm mặt | Người xây dựng có thời hạn | Miễn phí | Các mô hình, quy trình, tập dữ liệu được đào tạo trước, dễ dàng tinh chỉnh. Thực sự là một lối tắt. |
| vLLM | Các đội có tư duy hạ tầng | Miễn phí | Phục vụ LLM nhanh, bộ nhớ đệm KV hiệu quả, thông lượng mạnh trên các GPU thông dụng. |
| Llama.cpp | Những người thợ sửa chữa, thiết bị biên | Miễn phí | Chạy mô hình cục bộ trên máy tính xách tay và điện thoại với tính năng lượng tử hóa. |
| LangChain | Nhà phát triển ứng dụng, người tạo nguyên mẫu | Miễn phí | Chuỗi, đầu nối, tác nhân có thể cấu hình. Thắng lợi nhanh chóng nếu bạn giữ mọi thứ đơn giản. |
| Sự khuếch tán ổn định | Đội ngũ sáng tạo, sản phẩm | Tạ tự do | Tạo hình ảnh cục bộ hoặc trên nền tảng đám mây; quy trình làm việc khổng lồ và giao diện người dùng xung quanh nó. |
| Ollama | Các nhà phát triển yêu thích CLI cục bộ | Miễn phí | Chạy thử các mô hình địa phương. Giấy phép khác nhau tùy theo thẻ mô hình—hãy chú ý điều đó. |
Đúng vậy, rất nhiều thứ "Miễn phí". Lưu trữ, GPU, dung lượng lưu trữ và giờ làm việc đều không miễn phí.
Các công ty thực sự sử dụng AI nguồn mở như thế nào trong công việc 🏢⚙️
Bạn sẽ nghe thấy hai thái cực: hoặc là mọi người nên tự lưu trữ mọi thứ, hoặc không ai nên làm vậy. Cuộc sống thực tế thì lỏng lẻo hơn.
-
Tạo nguyên mẫu nhanh chóng — Bắt đầu với các mô hình mở cho phép xác thực UX và tác động. Tái cấu trúc sau.
-
Dịch vụ kết hợp — Duy trì mô hình lưu trữ trên VPC hoặc tại chỗ cho các cuộc gọi nhạy cảm về quyền riêng tư. Chuyển sang API được lưu trữ cho các yêu cầu tải dài hoặc tải đột biến. Hoàn toàn bình thường.
-
Tinh chỉnh cho các nhiệm vụ hẹp — Việc thích ứng theo miền thường tốt hơn quy mô thô.
-
RAG ở khắp mọi nơi — Công nghệ tăng cường truy xuất giúp giảm ảo giác bằng cách đặt câu trả lời vào dữ liệu của bạn. Cơ sở dữ liệu vectơ mở và bộ điều hợp giúp việc này trở nên dễ dàng hơn.
-
Edge và ngoại tuyến — Các mô hình nhẹ được biên soạn cho máy tính xách tay, điện thoại hoặc trình duyệt giúp mở rộng bề mặt sản phẩm.
-
Tuân thủ và kiểm toán — Vì bạn có thể kiểm tra nội bộ, nên các kiểm toán viên có thông tin cụ thể để xem xét. Kết hợp điều đó với chính sách AI có trách nhiệm, phù hợp với các danh mục RMF và hướng dẫn tài liệu của NIST [3].
Ghi chú thực địa nhỏ: Một nhóm SaaS chú trọng quyền riêng tư mà tôi đã thấy (người dùng thị trường tầm trung, EU) đã áp dụng thiết lập kết hợp: mô hình mở nhỏ trong VPC cho 80% yêu cầu; chuyển sang API được lưu trữ cho các yêu cầu hiếm gặp, ngữ cảnh dài. Họ cắt giảm độ trễ cho đường dẫn chung và đơn giản hóa thủ tục giấy tờ DPIA—mà không cần phải làm quá nhiều việc.
Những rủi ro và vấn đề bạn nên chuẩn bị 🧨
Chúng ta hãy trưởng thành hơn trong vấn đề này.
-
Trôi dạt giấy phép — Một kho lưu trữ khởi động MIT, sau đó trọng số chuyển sang giấy phép tùy chỉnh. Hãy cập nhật sổ đăng ký nội bộ của bạn, nếu không bạn sẽ gặp bất ngờ về tuân thủ [2][4][5].
-
Nguồn gốc dữ liệu — Dữ liệu huấn luyện với quyền mờ có thể được truyền vào mô hình. Theo dõi nguồn và tuân thủ giấy phép tập dữ liệu, không phải cảm xúc [5].
-
Bảo mật — Xử lý các hiện vật mô hình như bất kỳ chuỗi cung ứng nào khác: tổng kiểm tra, bản phát hành đã ký, SBOM. Ngay cả một SECURITY.md tối thiểu cũng tốt hơn là im lặng.
-
Độ lệch chất lượng — Các mô hình mở có sự khác biệt rất lớn. Hãy đánh giá bằng nhiệm vụ của bạn, chứ không chỉ dựa trên bảng xếp hạng.
-
Chi phí cơ sở hạ tầng ẩn — Suy luận nhanh cần GPU, lượng tử hóa, xử lý hàng loạt, lưu trữ đệm. Các công cụ mở hỗ trợ; bạn vẫn phải trả phí tính toán.
-
Nợ quản trị — Nếu không ai sở hữu vòng đời mô hình, bạn sẽ gặp rắc rối về cấu hình. Một danh sách kiểm tra MLOps gọn nhẹ là vàng.
Chọn mức độ mở phù hợp cho trường hợp sử dụng của bạn 🧭
Một con đường quyết định hơi quanh co:
-
Bạn cần vận chuyển nhanh với nhu cầu tuân thủ thấp? Hãy bắt đầu với các mô hình mở, điều chỉnh tối thiểu và dịch vụ đám mây.
-
Bạn cần quyền riêng tư nghiêm ngặt hay ngoại tuyến ? Hãy chọn một ngăn xếp mở được hỗ trợ tốt, tự lưu trữ suy luận và xem xét kỹ lưỡng các giấy phép.
-
Cần quyền thương mại rộng rãi và phân phối lại? Ưu tiên các giấy phép mã cộng với mô hình phù hợp với OSI cho phép sử dụng thương mại và phân phối lại một cách rõ ràng [1][5].
-
Cần sự linh hoạt trong nghiên cứu ? Hãy cho phép toàn diện, bao gồm cả dữ liệu, để có thể tái tạo và chia sẻ.
-
Không chắc chắn? Hãy thử cả hai. Một con đường sẽ rõ ràng tốt hơn sau một tuần.
Cách đánh giá một dự án AI nguồn mở như một chuyên gia 🔍
Một danh sách kiểm tra nhanh mà tôi thường ghi lại, đôi khi trên một chiếc khăn ăn.
-
Tính rõ ràng của giấy phép — Mã nguồn đã được OSI phê duyệt chưa? Còn trọng số và dữ liệu thì sao? Có bất kỳ hạn chế sử dụng nào làm ảnh hưởng đến mô hình kinh doanh của bạn không [1][2][5]?
-
Tài liệu — Cài đặt, khởi động nhanh, ví dụ, khắc phục sự cố. Tài liệu là một phần văn hóa.
-
Nhịp độ phát hành — Các bản phát hành được gắn thẻ và nhật ký thay đổi cho thấy sự ổn định; các đợt phát hành không thường xuyên cho thấy sự anh hùng.
-
Tiêu chuẩn và đánh giá — Nhiệm vụ có thực tế không? Đánh giá có khả thi không?
-
Bảo trì và quản trị — Chủ sở hữu mã rõ ràng, phân loại vấn đề, phản hồi quan hệ công chúng.
-
Phù hợp với hệ sinh thái — Tương thích tốt với phần cứng, kho dữ liệu, ghi nhật ký, xác thực của bạn.
-
Tư thế bảo mật — Các hiện vật đã ký, quét phụ thuộc, xử lý CVE.
-
Tín hiệu cộng đồng — Thảo luận, câu trả lời trên diễn đàn, kho lưu trữ mẫu.
Để có sự liên kết rộng hơn với các hoạt động đáng tin cậy, hãy ánh xạ quy trình của bạn với các danh mục NIST AI RMF và các hiện vật tài liệu [3].
Phân tích sâu 1: Sự hỗn loạn của giấy phép mô hình 🧪
Một số mô hình có khả năng nhất nằm trong nhóm "trọng số mở có điều kiện". Chúng có thể truy cập được, nhưng có giới hạn sử dụng hoặc quy tắc phân phối lại. Điều này có thể ổn nếu sản phẩm của bạn không phụ thuộc vào việc đóng gói lại mô hình hoặc vận chuyển nó đến môi trường khách hàng. Nếu bạn cần điều đó, hãy thương lượng hoặc chọn một cơ sở khác. Điều quan trọng là so sánh của bạn với thực tế , chứ không phải bài đăng trên blog [4][5].
Giấy phép theo kiểu OpenRAIL cố gắng đạt được sự cân bằng: khuyến khích nghiên cứu và chia sẻ mở, đồng thời ngăn chặn việc lạm dụng. Ý định là tốt; nghĩa vụ vẫn thuộc về bạn. Hãy đọc kỹ các điều khoản và quyết định xem các điều kiện có phù hợp với khẩu vị rủi ro của bạn hay không [5].
Phân tích sâu 2: tính minh bạch của dữ liệu và huyền thoại về khả năng tái tạo 🧬
“Nếu không có dữ liệu đầy đủ, AI nguồn mở là giả mạo.” Không hẳn vậy. Nguồn gốc và công thức có thể mang lại tính minh bạch có ý nghĩa ngay cả khi một số tập dữ liệu thô bị hạn chế. Bạn có thể ghi chép lại các bộ lọc, tỷ lệ lấy mẫu và phương pháp làm sạch đủ tốt để nhóm khác có thể ước tính kết quả. Khả năng tái tạo hoàn hảo là một lợi thế. Tính minh bạch có thể hành động thường là đủ [3][5].
Khi các tập dữ liệu mở, các phiên bản Creative Commons như CC-BY hoặc CC0 rất phổ biến. Việc ghi nhận tác giả ở quy mô lớn có thể khá rắc rối, vì vậy hãy chuẩn hóa cách xử lý ngay từ đầu.
Phân tích sâu 3: MLOps thực tế cho các mô hình mở 🚢
Vận chuyển một mô hình mở cũng giống như vận chuyển bất kỳ dịch vụ nào khác, cộng thêm một vài điểm kỳ quặc.
-
Lớp phục vụ — Máy chủ suy luận chuyên dụng tối ưu hóa việc xử lý theo lô, quản lý bộ đệm KV và truyền phát mã thông báo.
-
Lượng tử hóa — Trọng số nhỏ hơn → suy luận rẻ hơn và triển khai biên dễ dàng hơn. Sự đánh đổi về chất lượng rất đa dạng; hãy đo lường dựa trên của bạn .
-
Khả năng quan sát — Ghi lại lời nhắc/đầu ra với sự riêng tư được đặt lên hàng đầu. Mẫu để đánh giá. Thêm các kiểm tra độ lệch như bạn làm với ML truyền thống.
-
Cập nhật — Các mô hình có thể thay đổi hành vi một cách tinh tế; sử dụng canary và lưu trữ để khôi phục và kiểm tra.
-
Bộ công cụ đánh giá — Duy trì bộ công cụ đánh giá dành riêng cho từng tác vụ, không chỉ là các điểm chuẩn chung. Bao gồm các lời nhắc đối kháng và ngân sách độ trễ.
Bản thiết kế nhỏ: từ con số 0 đến phi công hữu ích trong 10 bước 🗺️
-
Xác định một nhiệm vụ và thước đo hẹp. Chưa có nền tảng nào hoành tráng.
-
Chọn một mô hình cơ sở cho phép được sử dụng rộng rãi và có đầy đủ tài liệu.
-
Xây dựng suy luận cục bộ và API bao bọc mỏng. Giữ cho nó nhàm chán.
-
Thêm chức năng truy xuất vào dữ liệu đầu ra trên mặt đất.
-
Chuẩn bị một bộ đánh giá có nhãn nhỏ phản ánh người dùng của bạn, cả ưu và nhược điểm.
-
Chỉ tinh chỉnh hoặc điều chỉnh nhanh nếu đánh giá cho thấy bạn nên làm như vậy.
-
Lượng hóa độ trễ hoặc chi phí. Đo lại chất lượng.
-
Thêm chức năng ghi nhật ký, nhắc nhở nhóm đỏ và chính sách chống lạm dụng.
-
Cổng có cờ đặc trưng và thả ra cho một nhóm nhỏ.
-
Lặp lại. Đưa ra những cải tiến nhỏ hàng tuần… hoặc khi nó thực sự tốt hơn.
Những lầm tưởng phổ biến về AI nguồn mở, đã được bác bỏ một chút 🧱
-
Lầm tưởng: mô hình mở luôn kém hơn. Thực tế: đối với các tác vụ mục tiêu với dữ liệu phù hợp, mô hình mở được tinh chỉnh có thể vượt trội hơn mô hình lưu trữ lớn hơn.
-
Huyền thoại: mở đồng nghĩa với không an toàn. Thực tế: cởi mở có thể cải thiện việc giám sát. An ninh phụ thuộc vào thực tiễn, không phải tính bảo mật [3].
-
Lầm tưởng: Giấy phép không quan trọng nếu miễn phí. Thực tế: Giấy phép quan trọng nhất khi miễn phí, vì miễn phí sẽ mở rộng phạm vi sử dụng. Bạn cần quyền rõ ràng, chứ không phải cảm xúc [1][5].
AI nguồn mở 🧠✨
AI nguồn mở không phải là một tôn giáo. Nó là một tập hợp các quyền tự do thực tế cho phép bạn xây dựng với nhiều quyền kiểm soát hơn, quản trị rõ ràng hơn và lặp lại nhanh hơn. Khi ai đó nói một mô hình là "mở", hãy hỏi những lớp nào là mở: mã, trọng số, dữ liệu hay chỉ là quyền truy cập. Đọc kỹ giấy phép. So sánh nó với trường hợp sử dụng của bạn. Và sau đó, điều quan trọng là hãy kiểm tra nó với khối lượng công việc thực tế của bạn.
Điều tuyệt vời nhất, thật kỳ lạ, lại nằm ở văn hóa: các dự án mở khuyến khích sự đóng góp và giám sát, điều này thường khiến cả phần mềm lẫn con người trở nên tốt hơn. Bạn có thể khám phá ra rằng bước đi chiến thắng không phải là mô hình lớn nhất hay chuẩn mực hào nhoáng nhất, mà là bước đi bạn thực sự có thể hiểu, sửa chữa và cải thiện vào tuần tới. Đó chính là sức mạnh thầm lặng của AI Nguồn Mở - không phải là một giải pháp thần kỳ, mà giống như một công cụ đa năng đã qua sử dụng nhưng vẫn luôn hữu ích.
Quá dài không đọc 📝
AI Nguồn Mở liên quan đến quyền tự do có ý nghĩa trong việc sử dụng, nghiên cứu, sửa đổi và chia sẻ các hệ thống AI. Nó thể hiện trên nhiều lớp: khuôn khổ, mô hình, dữ liệu và công cụ. Đừng nhầm lẫn nguồn mở với trọng số mở hoặc truy cập mở. Hãy kiểm tra giấy phép, đánh giá với các nhiệm vụ thực tế của bạn và thiết kế cho bảo mật và quản trị ngay từ ngày đầu. Làm điều đó, bạn sẽ có được tốc độ, khả năng kiểm soát và một lộ trình ổn định hơn. Thật đáng ngạc nhiên là hiếm có, thành thật mà nói là vô giá 🙃.
Tài liệu tham khảo
[1] Sáng kiến nguồn mở - Định nghĩa nguồn mở (OSD): đọc thêm
[2] OSI - Đi sâu vào AI & Tính mở: đọc thêm
[3] NIST - Khung quản lý rủi ro AI: đọc thêm
[4] Meta - Giấy phép mô hình Llama: đọc thêm
[5] Giấy phép AI có trách nhiệm (OpenRAIL): đọc thêm