Co je opravdu open-source AI – definice OSI, čtyři svobody a rozdíl oproti otevřeným váhám

Nabídka „otevřených“ modelů umělé inteligence roste: lze si stáhnout model, spustit ho na vlastním počítači a upravit. Slovo „open source“ se ale používá volně, i když část modelů zveřejňuje jen váhy (naučené parametry), nikoli kód ani informace o trénovacích datech. Open Source Initiative (OSI), organizace, která dlouhodobě definuje pojem otevřeného softwaru, proto vydala Open Source AI Definition (OSAID 1.0). Tento článek vysvětluje, co definice požaduje, v čem se liší od pouhého „open-weight“ a co z toho plyne pro uživatele a firmy.

Informace vycházejí z Open Source AI Definition 1.0 (OSI) a z obecných zásad rámce NIST AI RMF a úvodu Google – Introduction to LLMs (stav k 14. 11. 2026). Definice OSI není právním předpisem; konkrétní licence si vždy přečtěte. Nejde o právní poradenství.

Související články: Open-source AI modely – Llama a Mistral, Lokální AI doma – Ollama a Jak se trénuje AI model.

Aktualizováno: listopad 2026.

Čtyři svobody

Podle OSI musí systém umělé inteligence, který se označuje za open source, uživatelům zaručit svobodu:

1. používat systém k jakémukoli účelu bez žádosti o povolení,
2. studovat, jak funguje, a prohlížet jeho součásti,
3. upravovat ho k jakémukoli účelu, včetně změny výstupů,
4. sdílet ho (s úpravami či bez) k jakémukoli účelu.

Tyto svobody se vztahují jak na celý systém, tak na jeho jednotlivé prvky. K jejich uplatnění je nutný přístup k „preferované formě pro úpravy“ (preferred form to make modifications).

Postup posouzení, zda je AI model open source – vlastní infografika

Tři povinné složky

OSAID 1.0 uvádí, že preferovaná forma pro úpravy modelu strojového učení zahrnuje tři prvky:

1. Informace o datech (data information). Dostatečně podrobný popis trénovacích dat, aby zkušená osoba dokázala postavit v podstatě rovnocenný systém. Zahrnuje úplný popis dat (včetně těch, která nelze sdílet), jejich původ, jak byla získána a filtrována, postupy označování a seznam veřejných a třetích zdrojů. Informace o datech musí být dostupné za podmínek schválených OSI.

2. Kód. Úplný zdrojový kód použitý k trénování i běhu systému, včetně zpracování dat, tréninku, validace, inference a architektury modelu. Musí být pod licencemi schválenými OSI.

3. Parametry. Parametry modelu, například váhy či konfigurační nastavení, případně i mezistupně tréninku a závěrečný stav optimalizátoru. Musí být dostupné za podmínek schválených OSI.

Licence mohou vyžadovat, aby upravené verze byly zveřejněny za stejných podmínek jako originál.

Open-weight není totéž

OSI vysvětluje rozdíl takto:

• AI model tvoří architektura, parametry (včetně vah) a inferenční kód.
• Váhy jsou naučené parametry nad architekturou, které z vstupů vytvářejí výstupy.
• „Open Source modely“ a „open source váhy“ musí obsahovat informace o datech a kód použité k odvození těchto parametrů. Pouhé zveřejnění vah definici nesplňuje.

Definice sama pojem „open-weight“ samostatně nevymezuje. Z praktického hlediska to znamená: pokud poskytovatel zveřejní jen váhy (často s omezující licencí), můžete model spustit, ale nemusíte vědět, na čem byl natrénován, ani ho zcela reprodukovat. To má význam pro důvěru, bezpečnost i právní jistotu.

Proč na rozdílu záleží

• Transparentnost: informace o datech umožňují posoudit zkreslení, autorská práva a soukromí; viz Rizika AI – bias a diskriminace.
• Reprodukovatelnost: kód a data umožňují ověřit výsledky.
• Právní jistota: licence určuje, co smíte dělat; „otevřený“ model může mít omezení (například zákaz určitých použití).
• Bezpečnost: při studiu komponent lze snadněji odhalit slabiny; zároveň otevřenost znamená, že model mohou použít i zlovolní aktéři, a proto je třeba přistupovat k rizikům uvážlivě; viz Jailbreak AI modelů.
• Nezávislost: model lze provozovat lokálně bez posílání dat do cloudu; viz Lokální AI doma – Ollama.

Jak číst licence AI modelů

Než model nasadíte, zkontrolujte:

1. Smíte ho použít komerčně?
2. Smíte ho upravovat a sdílet upravenou verzi?
3. Jsou v licenci omezení použití (například zakázané oblasti)?
4. Jsou k dispozici informace o trénovacích datech?
5. Je dostupný kód pro trénink a běh?
6. Jaké povinnosti (uvedení zdroje, sdílení úprav) licence ukládá?
7. Kdo odpovídá za škodu při chybě (obvykle nikdo, model je „tak, jak je“).

Pokud licence není schválena OSI, může jít o „zdrojově dostupný“ (source-available) či omezený model, i když je v marketingu označen jako otevřený. Pro firmy je rozumné nechat licenci posoudit právníkem.

Praktické důsledky

• Domácí uživatel: stažený model můžete spustit lokálně a vyzkoušet; pokud ho chcete použít k práci či zveřejnění výstupů, ověřte licenci.
• Firma: pro citlivá data je lokální provoz atraktivní, ale vyžaduje správu, zabezpečení a posouzení rizik; viz Firemní politika používání AI.
• Škola či veřejná správa: transparentnost modelu může být předpokladem pro důvěru a audit.
• Vývojář: otevřené komponenty usnadňují úpravy a výzkum, ale zodpovědnost za použití nese uživatel.

NIST ve svém dobrovolném rámci pro řízení rizik AI zdůrazňuje potřebu začlenit hlediska důvěryhodnosti do návrhu, vývoje, používání a hodnocení; otevřenost informací o modelu k tomu může přispět.

Data a soukromí: proč jsou „informace o datech“ citlivé téma

Jazykové modely se učí z obrovského množství textů, obrázků a dalších dat. Podle Googlu jazykový model odhaduje pravděpodobnost tokenu v posloupnosti; kvalita i vlastnosti modelu závisejí na tom, z čeho se učil (Introduction to LLMs). OSAID proto požaduje popis dat včetně těch, která nelze sdílet, jejich původ, způsob filtrování a postupy označování. Pro uživatele je to důležité ze tří důvodů: autorská práva (byla data získána legálně?), osobní údaje (obsahují data soukromé informace?) a zkreslení (jsou některé skupiny nadměrně či nedostatečně zastoupeny?). Viz také AI a ochrana osobních údajů (GDPR) a Etika AI a autorská práva.

Jak postupovat při výběru modelu pro firmu

1. Určete účel a riziko. Co bude model dělat? Jaká data zpracuje?
2. Vyberte kandidáty a porovnejte licence a dostupnost kódu, parametrů a informací o datech.
3. Zkuste model na vlastních úlohách a změřte kvalitu; veřejné benchmarky nemusí odpovídat vašim potřebám; viz Jak hodnotit AI modely – benchmarky.
4. Posuďte bezpečnost provozu: kde poběží, kdo má přístup, jak se aktualizuje.
5. Zaveďte pravidla pro používání (firemní politika AI).
6. Dokumentujte rozhodnutí: proč byl zvolen tento model a jaké zbytkové riziko zůstává. Dobrovolný rámec NIST pro řízení rizik AI doporučuje právě takový systematický přístup (NIST AI RMF).

Otevřenost jako spektrum

V praxi nejde o černobílý rozdíl. Mezi plně uzavřeným modelem dostupným jen přes cloudové rozhraní a modelem splňujícím OSAID existuje široké spektrum: model s otevřenými váhami a omezující licencí, model s otevřenými váhami a kódem bez informací o datech, model s úplnou dokumentací, ale bez povoleného komerčního použití. OSAID dává měřítko, podle kterého můžete vlastnosti posoudit, a pomáhá odlišit skutečnou otevřenost od marketingu. Při rozhodování nejde jen o to, zda je model „zdarma“, ale o to, co s ním smíte a co o něm víte.

Praktický příklad (smyšlený)

Studio chce použít model „otevřený“ podle reklamy pro generování textů klientům. Zjistí, že jsou zveřejněny jen váhy, ale ne informace o datech ani trénovací kód, a licence zakazuje určité komerční použití. Proto zvolí jiný model s licencí schválenou OSI a dokumentací dat, a dohodne se s právníkem na podmínkách. Příklad je smyšlený.

Kontrolní seznam – vlastní infografika

OSAID v kostce

Základní údaje – vlastní infografika

Výhody a nevýhody

Souhrn – vlastní infografika

Související články

V kategorii Základy a principy AI najdete také Co je umělá inteligence a Slovník pojmů umělé inteligence.

Shrnutí

Podle Open Source AI Definition 1.0 (OSI) musí open source AI zaručit čtyři svobody (používat, studovat, upravovat, sdílet) a poskytnout informace o datech, kód a parametry pod licencemi schválenými OSI. Pouhé zveřejnění vah (open-weight) nestačí. Před nasazením zkontrolujte licenci, dostupnost kódu a dat a omezení použití. Nejde o právní poradenství.

Často kladené otázky k open-source AI