Ali Ghodsi, oprichter en op het moment van schrijven CEO van Databricks, pleit in de Verenigde Staten voor meer open source in kunstmatige intelligentie. Hij zegt dat de VS zo sneller kunnen innoveren en een voorsprong op China houden. Dat debat raakt ook aan de Europese AI-verordening en de gevolgen voor overheid en bedrijven. Het standpunt is relevant voor organisaties die eigen datamodellen willen bouwen of inkopen.
Open aanpak als strategie
Ghodsi stelt dat open source kennis deelt en kosten verlaagt. Dat trekt meer ontwikkelaars en onderzoekers aan, wat de kwaliteit verhoogt. Zo kan een land of regio sneller leren en verbeteren dan met alleen gesloten systemen. De kern is snelheid én veiligheid door transparantie.
De vergelijking met China draait om schaal en tempo. China investeert zwaar in rekenkracht en data. De VS kunnen volgens hem tegenwicht bieden met een open ecosysteem dat innovatie spreidt. Dat verlaagt de drempel voor start-ups en universiteiten.
Open broncode en open modelgewichten versnellen hergebruik. Teams hoeven niet telkens opnieuw te beginnen. Ze bouwen voort op elkaars werk en publiceren verbeteringen terug. Dat maakt de cyclus van proef, fout en fix korter.
Databricks zet in op open
Databricks publiceerde eerder het taalmodel DBRX met open gewichten. Open gewichten betekent dat de getrainde parameters vrij beschikbaar zijn binnen een licentie. Ontwikkelaars kunnen het model zo aanpassen aan hun data. Het bedrijf deelt ook evaluaties en documentatie om hergebruik te vergemakkelijken.
Naast DBRX bouwt Databricks aan tools voor het trainen en beheren van modellen op eigen data. Het doel is dat bedrijven systemen op hun eigen infrastructuur kunnen draaien. Dat helpt om gevoelige gegevens te beschermen. Het vermindert ook afhankelijkheid van één leverancier.
Volledig “open source” in AI kent gradaties. Soms is de code open, maar de trainingsdata niet. Soms zijn alleen de gewichten beschikbaar, met gebruiksregels in de licentie. Databricks positioneert zich in deze open-gewichtenbenadering.
Open source in AI betekent vaak: code of modelgewichten zijn vrij te gebruiken en aan te passen, binnen duidelijke licentievoorwaarden.
Voordelen en risico’s
Open modellen geven transparantie. Onderzoekers kunnen fouten, bias en kwetsbaarheden opsporen. Bedrijven kunnen het model toetsen aan eigen normen. Dat verhoogt vertrouwen en versnelt audits.
Er zijn ook risico’s, zoals misbruik of hergebruik zonder kwaliteitscontrole. Open publicaties maken replicatie makkelijker, ook door kwaadwillenden. Daarom zijn licenties belangrijk, met randvoorwaarden voor veiligheid. Beheersmaatregelen zoals contentfilters blijven nodig.
Technisch vergt open AI veel rekenkracht. Trainen en fijnslijpen kosten geld en energie. Niet elke organisatie kan dat dragen. Samenwerking via open community’s verdeelt die last.
Europese regels voor open modellen
De Europese AI-verordening (AI Act) introduceert plichten voor algemene AI-modellen, ook als ze open zijn. Modellen met “systeemrisico” moeten extra veiligheidsmaatregelen en testen aantonen. Leveranciers moeten documentatie, energiedata en evaluaties delen. Dat geldt naast bestaande privacyregels zoals de AVG.
Open componenten krijgen soms vrijstellingen, maar niet voor risico’s rond krachtige basismodellen. Transparantie over herkomst van data en beperkingen blijft verplicht. Voor Europese ontwikkelaars is dit een kans om open én verantwoord te bouwen. Het legt ook de lat hoger voor technische documentatie.
Voor overheden in de EU is inkopen van open modellen aantrekkelijk door controle en aanpasbaarheid. Maar ze moeten borgen dat gegevensverwerking AVG-proof is. Denk aan dataminimalisatie, versleuteling en duidelijke doelen. De Europese AI-verordening gevolgen overheid zijn dus zowel kansen als extra werk.
Impact voor Nederland
Nederlandse ministeries, gemeenten en zorginstellingen zoeken vaak naar systemen die lokaal kunnen draaien. Open gewichten maken een on-premise implementatie realistischer. Zo blijven persoonsgegevens binnen de eigen muren. Dat past bij de AVG en interne security-eisen.
Ook onderwijs en onderzoek profiteren. Universiteiten kunnen modellen bestuderen, aanpassen en verantwoord publiceren. Studenten leren hoe moderne datamodellen werken. Dat versterkt het talentaanbod op de arbeidsmarkt.
Tegelijk vraagt dit om governance. Instellingen moeten versiebeheer, audit-trails en modelkaarten bijhouden. Ze hebben ook beleid nodig voor hergebruik van datasets. Zonder die basis wordt beheer snel onoverzichtelijk.
Kansen en knelpunten
Open modellen versnellen innovatie en verlagen vendor lock-in. Ze maken het makkelijker om Europese waarden in te bouwen, zoals privacy en non-discriminatie. Bedrijven kunnen sneller voldoen aan sectorregels. Dat scheelt tijd bij compliance en aanbestedingen.
Er blijven knelpunten bestaan. Rekenkracht en energieverbruik zijn duur, en chips blijven schaars. Exportregels en supplychains beïnvloeden beschikbaarheid van hardware. Dat remt de praktijktesten bij kleinere partijen.
De volgende stap is opschalen met waarborgen. Publieke en private partijen kunnen rekenkracht en tooling delen. Europese fondsen en programma’s helpen met standaardisatie. Zo wordt open AI bruikbaar, veilig en betaalbaar in de praktijk.
