IA abierta o cerrada: qué son los modelos de pesos abiertos

Un modelo de pesos abiertos es aquel cuyos pesos, los números que aprendió al entrenarse, se publican para que cualquiera los descargue. Un modelo cerrado no se entrega: lo usas a través de un servicio que controla la empresa. La diferencia parece técnica, pero cambia quién controla el modelo, quién paga por usarlo y qué pasa con tus datos.

Qué son los pesos

Para entender la diferencia, piensa en un modelo de lenguaje como una enorme tabla de números ajustados durante el entrenamiento. Esos números son los pesos. Cuando escribes una pregunta, el modelo combina tu texto con sus pesos para generar la respuesta.

Si tienes los pesos, puedes ejecutar el modelo en tu propio equipo o en tu nube, ajustarlo con tus datos o combinarlo con otras herramientas. Si no los tienes, solo puedes enviar preguntas y recibir respuestas. Para repasar la base de estos sistemas, lee qué es un modelo de lenguaje.

Abierto frente a cerrado

Esta tabla resume la idea general, no reglas fijas. Tanto los modelos cerrados como los abiertos tienen distintos niveles de documentación y de seguridad, y cada caso depende de la licencia y del proveedor.

Un ejemplo con números redondos ayuda a ver el costo. Supón que una pequeña empresa paga US$ 500 al mes por usar un servicio cerrado. Si decide ejecutar un modelo abierto, cambia ese pago por el costo de un equipo, la electricidad y alguien que lo mantenga. Puede salir más barato o más caro, según el volumen de uso. Es un ejemplo ilustrativo, no una cifra de mercado.

Qué dijo el gobierno de EE. UU. en 2024

El 30 de julio de 2024, la Administración Nacional de Telecomunicaciones e Información (NTIA), del Departamento de Comercio de Estados Unidos, publicó un informe sobre los modelos de base de doble uso con pesos ampliamente disponibles. Doble uso significa que pueden servir para fines civiles y también para fines dañinos.

Según el informe, esos modelos traen beneficios: amplían el número de actores que investigan con IA, incluidos los que tienen menos recursos; reparten el control del mercado, que no queda solo en pocas empresas grandes; y permiten usar modelos sin compartir datos con terceros. También reconoce riesgos para la seguridad nacional, la equidad, la seguridad, la privacidad y los derechos civiles, por usos indebidos o por falta de supervisión y responsabilidad.

La conclusión principal fue cautelosa. La NTIA dijo que la evidencia de ese momento no bastaba para afirmar que restringir los pesos abiertos estuviera justificado, ni para descartar que algún día lo estuviera. Recomendó que el gobierno vigile un conjunto de riesgos y se prepare para actuar si aparecen. Es un informe de 2024: no es una ley ni una prohibición, y las reglas posteriores pueden haber cambiado.

Por qué “pesos abiertos” no es lo mismo que “código abierto”

En el software tradicional, “código abierto” suele significar que el código fuente está disponible con una licencia que permite usarlo, modificarlo y compartirlo. En los modelos de IA la situación es más variada. Puedes tener pesos disponibles sin tener los datos de entrenamiento ni todo el código que lo produjo.

Por eso conviene leer la licencia de cada modelo. Los ejemplos son distintos:

• Llama 3 de Meta. Su licencia comunitaria, con versión del 18 de abril de 2024, exige mostrar “Built with Meta Llama 3” si distribuyes el modelo o un producto o servicio que lo use. Si creas un modelo derivado que distribuyes, debes incluir “Llama 3” al inicio de su nombre. Además, no puedes usar sus salidas para mejorar otros modelos de lenguaje, salvo sus derivados. Y si en la fecha de lanzamiento de Llama 3 los productos del licenciatario superaban los 700 millones de usuarios activos al mes, este debe pedir una licencia a Meta, que decide a su criterio.
• Qwen2.5 de Alibaba. Según el anuncio del 19 de septiembre de 2024, la mayoría de sus modelos abiertos se publicó con licencia Apache 2.0. Las variantes de 3B y 72B tenían otras condiciones, así que hay que revisar cada una.

Estos ejemplos no son una comparación de calidad. Solo muestran que la licencia cambia lo que puedes hacer.

Cómo elegir entre abierto y cerrado

No hay una opción correcta para todos. Estas son las preguntas que conviene hacerse:

1. ¿Tus datos pueden salir de tu organización? Si la respuesta es no, un modelo que puedas ejecutar localmente tiene una ventaja clara.
2. ¿Tienes equipos y personal para mantenerlo? Un modelo grande necesita hardware potente. Descargarlo no significa que puedas correrlo en una computadora común.
3. ¿Cuánto volumen de uso tendrás? Con poco uso, pagar por un servicio suele ser más simple. Con mucho uso, el cálculo puede cambiar.
4. ¿Qué condiciones impone la licencia? Revisa si tu caso de uso está permitido y si cumples con las menciones y restricciones.

Para un estudiante o una persona que empieza, una opción práctica puede ser probar un servicio cerrado con una cuenta de prueba y estudiar luego la diferencia en un proyecto concreto. Si piensas invertir en empresas que desarrollan estos modelos, recuerda que el tipo de licencia no dice nada sobre el precio de sus acciones. Un modelo abierto no protege a un inversionista de perder dinero: supón que compras US$ 1.000 en acciones y caen un 20 %. Te quedan US$ 800.

Qué ver después

Si te interesa la postura de una empresa concreta, lee Meta, Llama y los modelos abiertos. Para el marco regulatorio más amplio, revisa la regulación de la IA. Y para comparar con un proveedor cerrado, lee qué es OpenAI.

Más a fondo

El informe de la NTIA se apoya en una consulta pública de febrero de 2024, que recibió 332 comentarios, y en reuniones con expertos. Agrupa los riesgos y beneficios en seguridad pública, riesgos sociales y de bienestar, competencia e investigación, consideraciones geopolíticas e incertidumbre sobre riesgos futuros. Para medirlos, usa el concepto de riesgo marginal: el riesgo que aporta el modelo abierto frente a otras tecnologías existentes, incluidos los modelos cerrados.

El informe también aclara que, bajo la definición de la orden ejecutiva de 2023 que le dio origen, no se consideran de doble uso los modelos con menos de 10.000 millones de parámetros. Como recomendaciones, propone reunir evidencia, evaluar cuánto tardan las capacidades de los modelos cerrados en aparecer en los abiertos, y mantener la posibilidad de restringir el acceso si los riesgos crecen.