Open-weightmodel
Een open-weightmodel is een kunstmatige-intelligentiemodel waarvan de makers de 'gewichten' vrijgeven: de miljoenen tot miljarden getallen die bepalen hoe het model reageert op een vraag of opdracht. Iedereen met genoeg rekenkracht kan zo'n model downloaden, op eigen servers draaien, aanpassen en er nieuwe toepassingen mee bouwen, zonder daarvoor te betalen aan of afhankelijk te zijn van het bedrijf dat het model maakte.
Vergelijk het met een recept versus een kant-en-klare maaltijd. Bij een gesloten model zoals GPT-4 van OpenAI krijg je alleen de maaltijd: je stuurt een vraag naar hun server en krijgt een antwoord terug, maar je mag niet weten hoe het gerecht precies is klaargemaakt. Bij een open-weightmodel krijg je het volledige recept inclusief de exacte hoeveelheden ingrediënten (de gewichten). Je kunt het zelf nakoken in je eigen keuken, het recept aanpassen naar smaak, of het doorgeven aan anderen. Wat je meestal niet krijgt, is de boodschappenlijst van de oorspronkelijke chef: welke data precies is gebruikt om het model te trainen, blijft vaak geheim.
Wat is het precies?
Een taalmodel zoals ChatGPT bestaat uit een neuraal netwerk: een wiskundige structuur met lagen van kunstmatige 'neuronen' die met elkaar verbonden zijn. Elke verbinding heeft een gewicht, een getal dat aangeeft hoe sterk die verbinding meetelt bij het berekenen van een antwoord. Bij grote taalmodellen gaat het al gauw om miljarden van zulke gewichten.
Tijdens het trainen wordt het model gevoed met enorme hoeveelheden tekst, en worden de gewichten stap voor stap bijgesteld totdat het model goed voorspelt welk woord waarschijnlijk volgt op een stuk tekst. Dat trainingsproces kost typisch miljoenen euro's aan rekenkracht en energie. Het resultaat, de verzameling gewichten, is wat er bij een open-weightmodel wordt vrijgegeven, meestal als een bestand dat je kunt downloaden.
Belangrijk is het onderscheid met 'open source' in de klassieke betekenis. Bij echte open-sourcesoftware is niet alleen het eindproduct openbaar, maar ook de broncode én de manier waarop het is gemaakt, inclusief trainingsdata bij AI-modellen. Bij de meeste open-weightmodellen is alleen het eindresultaat (de gewichten) vrij, terwijl de trainingsdata en soms ook trainingscode geheim blijven. Critici, waaronder de Open Source Initiative, vinden daarom dat de term 'open source AI' vaak onterecht wordt gebruikt voor modellen die eigenlijk 'open weight' zijn.
Ook de gebruiksvoorwaarden lopen uiteen. Sommige modellen zijn vrijgegeven onder een licentie die vrijwel alles toestaat, ook commercieel gebruik. Andere licenties bevatten beperkingen, bijvoorbeeld dat grote techbedrijven het model niet mogen gebruiken, of dat je toestemming nodig hebt boven een bepaald aantal gebruikers.
Wat wil men ermee bereiken?
Voorstanders noemen verschillende redenen om modellen open te stellen. Ten eerste transparantie en controleerbaarheid: onderzoekers kunnen een open model onderzoeken op vooroordelen, fouten of veiligheidsrisico's, iets wat bij een gesloten model achter een API onmogelijk is.
Ten tweede onafhankelijkheid. Bedrijven en overheden willen niet permanent afhankelijk zijn van een Amerikaans techbedrijf voor kritieke AI-toepassingen. Met een open-weightmodel kun je de software lokaal draaien, wat ook belangrijk is voor privacygevoelige data die niet naar een externe server mag.
Ten derde democratisering: kleinere bedrijven, universiteiten en individuele ontwikkelaars die het miljoenenbudget missen om zelf een model te trainen, kunnen toch voortbouwen op krachtige technologie. Dit versnelt innovatie, omdat duizenden partijen tegelijk kunnen experimenteren en verbeteren.
Er is ook een strategische kant. Voor bedrijven als Meta en Mistral AI is het vrijgeven van modellen een manier om marktaandeel en invloed te winnen tegenover marktleiders als OpenAI en Google, zonder dat ze zelf een winstgevend AI-product hoeven te verkopen. Voor landen als China speelt geopolitiek mee: open modellen zoals die van DeepSeek en Alibaba zijn ook een vorm van soft power en een antwoord op Amerikaanse exportbeperkingen op chips.
Voorbeelden uit de praktijk
Meta's Llama-reeks is het bekendste voorbeeld. Sinds de eerste versie in 2023 en de veelgebruikte opvolgers Llama 2 (2023), Llama 3 (2024) en Llama 4 (2025) heeft Meta telkens modelgewichten vrijgegeven onder een eigen licentie die commercieel gebruik grotendeels toestaat, met uitzondering voor de allergrootste techbedrijven.
Mistral AI, een Frans bedrijf opgericht in 2023, bracht modellen als Mistral 7B en Mixtral uit onder de zeer permissieve Apache 2.0-licentie, wat door velen wordt gezien als een van de meest oprecht open aanpakken onder de grote spelers.
DeepSeek, een Chinees bedrijf, zorgde begin 2025 voor internationale ophef toen het model DeepSeek-R1 liet zien dat je met relatief beperkte middelen toch een model kon trainen dat qua redeneervermogen concurreerde met de duurste Amerikaanse systemen, en de gewichten gratis online zette.
BLOOM, ontwikkeld in 2022 door het internationale onderzoeksinitiatief BigScience met steun van honderden onderzoekers wereldwijd, gold als een van de eerste grootschalige, werkelijk open pogingen, inclusief documentatie over de trainingsdata.
Stable Diffusion van het Britse Stability AI (2022) bracht dezelfde beweging naar beeldgeneratie: een tekst-naar-afbeeldingmodel waarvan de gewichten vrij beschikbaar kwamen, wat leidde tot een golf van lokale toepassingen en aanpassingen door de gebruikersgemeenschap.
Hoe ver is de techniek?
Open-weightmodellen zijn inmiddels qua prestaties dicht bij, en soms zelfs gelijk aan, de beste gesloten modellen op specifieke taken zoals programmeren of wiskundig redeneren. Het gat dat een paar jaar geleden nog groot was, is aanzienlijk kleiner geworden, mede dankzij de concurrentie tussen Meta, Mistral, DeepSeek en anderen.
Toch blijven er obstakels. Het trainen van de allergrootste, meest capabele modellen vergt nog altijd datacenters en investeringen die maar een handjevol bedrijven zich kan veroorloven; wat wordt vrijgegeven is dus meestal net niet het allernieuwste, duurste model. Daarnaast is er discussie over veiligheid: eenmaal vrijgegeven gewichten kunnen niet worden teruggehaald, ook niet als later blijkt dat het model misbruikt wordt voor bijvoorbeeld desinformatie of het omzeilen van beveiligingsfilters, iets wat bij een gesloten, via API aangeboden model makkelijker is te monitoren of blokkeren.
Ook juridisch is er nog geen volledige duidelijkheid. Er lopen rechtszaken, onder meer tegen Meta, over de vraag of het gebruik van auteursrechtelijk beschermd materiaal om deze modellen te trainen is toegestaan, ongeacht of de resulterende gewichten open zijn of niet. De licenties zelf zijn bovendien vaak niet compatibel met de klassieke, strikte definitie van open source, wat tot terminologische discussies blijft leiden.
Wie werken eraan?
In de Verenigde Staten zijn Meta (Llama) en, in mindere mate, Microsoft en Google (met kleinere open modellen als Phi en Gemma) actief. Non-profitinitiatieven zoals EleutherAI en Hugging Face spelen een centrale rol: Hugging Face is uitgegroeid tot de belangrijkste online bibliotheek waar duizenden open-weightmodellen worden gedeeld en getest.
In Europa is Mistral AI (Frankrijk) de belangrijkste speler, mede gesteund door Franse en Europese investeerders die minder afhankelijkheid van Amerikaanse techbedrijven nastreven. Het Technology Innovation Institute in Abu Dhabi (Verenigde Arabische Emiraten) bracht met de Falcon-modellen eveneens invloedrijke open modellen uit.
China is inmiddels een zwaargewicht: naast DeepSeek brengen ook Alibaba (met de Qwen-modellen) en andere Chinese techbedrijven regelmatig sterke open-weightmodellen uit, vaak met impliciete steun van de Chinese overheid als onderdeel van het streven naar technologische zelfstandigheid.