Inteligencia Artificial de Código Abierto
Inteligencia Artificial de Código Abierto se refiere a modelos, frameworks o sistemas de IA cuyas ponderaciones, código o arquitectura son liberados públicamente, permitiendo que cualquiera los descargue, inspeccione, modifique y despliegue, en contraste con modelos cerrados propietarios accesibles solo a través de una API de pago.
Inteligencia Artificial de Código Abierto abarca un amplio rango de liberaciones públicas en el dominio de IA, desde frameworks de aprendizaje profundo (PyTorch, TensorFlow) y datasets de entrenamiento (Common Crawl, The Pile) hasta las ponderaciones completas de modelos de lenguaje grandes. Las liberaciones más significativas han sido ponderaciones de modelos fundacionales: la serie LLaMA de Meta (LLaMA 1 en febrero de 2023, LLaMA 3 en abril de 2024 y versiones posteriores), Mistral 7B y Mixtral de Mistral AI (finales de 2023), y DeepSeek-R1 (DeepSeek, enero de 2025), que demostraron capacidades de razonamiento ampliamente competitivas con GPT-4o a costo de entrenamiento reportado dramáticamente inferior, enviando ondas de choque significativas a través de valuaciones de la industria de IA.
La definición de "código abierto" en IA es activamente cuestionada. La Open Source Initiative lanzó una Definición Formal de IA de Código Abierto en octubre de 2024, requiriendo la liberación de información suficiente (incluyendo datos de entrenamiento, código y ponderaciones) bajo términos que permitan uso, estudio, modificación y redistribución sin restricción. La mayoría de liberaciones de modelos de alto perfil quedan cortas respecto a este estándar: las liberaciones de LLaMA de Meta proporcionan ponderaciones y código de inferencia pero no datos de entrenamiento; muchas añaden restricciones comerciales (por ejemplo, prohibiendo uso por encima de ciertos umbrales de ingresos). El término de la industria "ponderaciones abiertas" (open weights) es por lo tanto cada vez más usado para distinguir modelos donde solo los parámetros son públicos del software que es código abierto en el sentido tradicional.
La IA de ponderaciones abiertas importa por varias razones interconectadas. Permite a investigadores estudiar internos del modelo, identificar modos de fallo y reproducir resultados, un requisito previo para el rigor científico que las APIs cerradas precluyen. Permite a empresas y gobiernos auto-alojar modelos sin incurrir en costos por token de API o enrutar datos a través de terceros, lo que es crítico para aplicaciones sensibles a la privacidad o reguladas. También acelera el desarrollo del ecosistema: miles de variantes fine-tuned, benchmarks de evaluación y frameworks de serving (llama.cpp para inferencia en CPU, vLLM para serving optimizado por throughput en GPU, Ollama para despliegue local) han sido construidos sobre fundaciones de ponderaciones abiertas, creando una pista de innovación paralela al lado de laboratorios de código cerrado.
A partir de 2026, la brecha de capacidad entre los mejores modelos de ponderaciones abiertas y los modelos de código cerrado de frontera se ha estrechado sustancialmente. DeepSeek-V3 y sus sucesores mostraron que modelos altamente capaces pueden ser entrenados a costos reportados muy por debajo de los de flagships de OpenAI o Anthropic, cuestionando suposiciones de que la escala de cómputo por sí sola mantendría laboratorios cerrados permanentemente adelante. Los debates regulatorios (particularmente bajo la Ley de IA de la UE) se centran en si modelos de ponderaciones abiertas altamente capaces justifican obligaciones adicionales, ya que una vez que las ponderaciones son públicas no pueden ser retractadas. Los proponentes argumentan que la apertura produce beneficio social neto a través de transparencia y acceso; algunos investigadores de seguridad en IA argumentan que elimina una capa de control de acceso significativa para capacidades potencialmente peligrosas.