Open-Source AI
L'open-source AI désigne les modèles d'IA, les frameworks ou les systèmes dont les poids, le code ou l'architecture sont publiquement publiés — permettant à quiconque de télécharger, inspecter, modifier et déployer — par opposition aux modèles propriétaires fermés accessibles uniquement via une API payante.
L'open-source AI englobe un large éventail de publications publiques dans le domaine de l'IA, des frameworks de deep learning (PyTorch, TensorFlow) et des datasets d'entraînement (Common Crawl, The Pile) aux poids complets des grands modèles de langage. Les publications d'open-source les plus conséquentes ont été les poids des modèles de base : les séries LLaMA de Meta (LLaMA 1 en février 2023, LLaMA 3 en avril 2024, et versions ultérieures), Mistral 7B et Mixtral de Mistral AI (fin 2023), et DeepSeek-R1 (DeepSeek, janvier 2025), qui ont démontré des capacités de raisonnement largement compétitives avec GPT-4o à un coût d'entraînement signalé dramatiquement inférieur, envoyant des chocs importants à travers les valorisations de l'industrie de l'IA.
La définition de « open source » en IA est activement contestée. l'Open Source Initiative a publié une définition formelle d'IA Open Source en octobre 2024, exigeant la publication d'informations suffisantes — y compris les données d'entraînement, le code et les poids — sous des conditions permettant l'utilisation, l'étude, la modification et la redistribution sans restriction. La plupart des publications de modèles les plus en vue ne répondent pas à cette norme : les publications LLaMA de Meta fournissent les poids et le code d'inférence mais pas les données d'entraînement ; beaucoup ajoutent des restrictions commerciales (par exemple, interdisant l'utilisation au-dessus de certains seuils de revenus). Le terme industriel « open weights » est donc de plus en plus utilisé pour distinguer les modèles où seuls les paramètres sont publics des logiciels qui sont open source au sens traditionnel.
L'IA open-weight importe pour plusieurs raisons interconnectées. Elle permet aux chercheurs d'étudier les éléments internes du modèle, d'identifier les modes de défaillance et de reproduire les résultats — un prérequis pour la rigueur scientifique que les API fermées excluent. Elle permet aux entreprises et aux gouvernements d'auto-héberger les modèles sans encourir de frais par token d'API ou d'acheminer les données par des tiers, ce qui est critique pour les applications sensibles à la confidentialité ou réglementées. Elle accélère également le développement de l'écosystème : des milliers de variantes fine-tuned, de benchmarks d'évaluation et de frameworks de service (llama.cpp pour l'inférence CPU, vLLM pour le service GPU optimisé pour le débit, Ollama pour le déploiement local) ont été construits sur des fondations open-weight, créant une piste d'innovation parallèle aux laboratoires fermés.
À 2026, l'écart de capacité entre les meilleurs modèles open-weight et les modèles fermés de pointe s'est considérablement réduit. DeepSeek-V3 et ses successeurs ont montré que des modèles hautement capables peuvent être entraînés à des coûts signalés bien inférieurs à ceux des produits phares d'OpenAI ou d'Anthropic, remettant en question les hypothèses que l'échelle de calcul seule maintiendrait les laboratoires fermés définitivement en avant. Les débats réglementaires — en particulier selon la Loi sur l'IA de l'UE — se concentrent sur la question de savoir si des modèles open-weight hautement capables justifient des obligations supplémentaires, car une fois les poids publics, ils ne peuvent pas être retirés. Les partisans soutiennent que l'ouverture produit un bénéfice net social via la transparence et l'accès ; certains chercheurs en sécurité de l'IA argumentent qu'elle supprime une couche de contrôle d'accès significatif pour les capacités potentiellement dangereuses.