En iyi açık kaynaklı yapay zeka modelleri: Tüm ücretsiz kullanım seçenekleriniz açıklandı
Türe, uygulamaya ve lisanslama hususlarına göre düzenlenmiş metin, resim ve ses için en iyi açık kaynaklı ve ücretsiz yapay zeka modellerini burada bulabilirsiniz.
Üretken Yapay Zeka (Gen AI), iki yıl önceki halka açık lansmanından bu yana önemli ölçüde ilerleme kaydetti. Teknoloji, etkileyici doğruluk ve yaratıcılıkla metin, resim ve diğer medyaları oluşturabilen dönüştürücü uygulamalara yol açtı.
Açık kaynaklı üretken modeller, yüksek lisans ücretleri veya kısıtlayıcı ticari politikalar ödemeden en son yapay zeka teknolojisinden yararlanmak isteyen geliştiriciler, araştırmacılar ve kuruluşlar için değerlidir. Daha fazlasını öğrenelim.
Açık kaynak ve tescilli modeller
Açık kaynaklı yapay zeka modelleri; özelleştirme, şeffaflık ve topluluk odaklı inovasyon gibi çeşitli avantajlar sunar. Bu modeller, kullanıcıların bunları belirli ihtiyaçlara göre uyarlamasına ve sürekli iyileştirmelerden faydalanmasına olanak tanır. Ek olarak, genellikle hem ticari hem de ticari olmayan kullanıma izin veren lisanslarla birlikte gelirler, bu da çeşitli uygulamalarda erişilebilirlik ve uyarlanabilirliklerini artırır.
Ancak açık kaynaklı çözümler her zaman en iyi seçim değildir. Mevzuata sıkı uyumluluk, veri gizliliği ve özel destek gerektiren sektörlerde, özel modeller genellikle daha iyi performans gösterir. Daha güçlü yasal çerçeveler, özel müşteri desteği ve endüstri gereksinimlerine göre uyarlanmış optimizasyonlar sağlarlar. Kapalı kaynak çözümleri, yüksek performans ve güvenilirlik için tasarlanan ayrıcalıklı özellikler sayesinde son derece uzmanlaşmış görevlerde de başarılı olabilir.
Kuruluşlar gerçek zamanlı güncellemelere, gelişmiş güvenliğe veya özel işlevlere ihtiyaç duyduğunda, özel modeller daha sağlam ve güvenli bir çözüm sunabilir ve açıklık ile kalite ve hesap verebilirliğe yönelik zorlu talepleri etkili bir şekilde dengeleyebilir.
Açık Kaynak Yapay Zeka Tanımı
Açık Kaynak Girişimi (OSI), neyin gerçekten açık kaynaklı yapay zeka olarak nitelendirildiğini açıklığa kavuşturmak için yakın zamanda Açık Kaynak Yapay Zeka Tanımını (OSAID) tanıttı. OSAID standartlarını karşılamak için bir modelin tasarım ve eğitim verilerinde tamamen şeffaf olması, kullanıcıların onu özgürce yeniden oluşturmasına, uyarlamasına ve kullanmasına olanak sağlaması gerekir.
Bununla birlikte, Meta'nın LLaMA'sı ve Stability AI'nin Stable Diffusion'ı da dahil olmak üzere bazı popüler modellerde lisanslama kısıtlamaları vardır veya eğitim verileri konusunda şeffaflık yoktur, bu da OSAID ile tam uyumluluğu engeller.
OSAID doğrulama sürecinin bir parçası olarak OSI aşağıdakileri değerlendirdi:
- Uyumlu modeller: Pythia (Eleuther AI), OLMo (AI2), Amber ve CrystalCoder (LLM360) ve T5 (Google).
- Potansiyel olarak uyumlu modeller: Bloom (BigScience), Starcoder2 (BigCode) ve Falcon (TII), lisanslama koşullarında veya şeffaflıkta küçük ayarlamalar yaparak OSAID standartlarını karşılayabilir.
- Uyumlu olmayan modeller: LLaMA (Meta), Grok (X/Twitter), Phi (Microsoft) ve Mixtral (Mistral) gerekli şeffaflıktan yoksundur veya kısıtlayıcı lisanslama koşulları uygulamamaktadır.
OSAID, önde gelen açık kaynak topluluğu üyeleri arasında kayda değer bir muhalefete yol açtı. Yazılım için kullanılan geleneksel açık kaynak tanımından farklı olduğu için, açık kaynak üretken yapay zeka modelleri üzerindeki ilgisi ve etkisi, Açık Kaynak Tanımı'nın bülten panoları (OSI'ye alternatif bir organizasyon) dahil olmak üzere topluluk forumlarında yoğun tartışmalara yol açmıştır. e-posta listeleri ve LinkedIn gibi halka açık platformlar.
LLaMA ve diğer uyumlu olmayan mimariler
Meta LLaMA mimarisi, yalnızca araştırma amaçlı kısıtlayıcı lisansı ve eğitim verileriyle ilgili tam şeffaflık eksikliği, ticari kullanımı ve tekrarlanabilirliği sınırlaması nedeniyle OSAID ile uyumsuzluğun bir örneğidir. Mistral'ın Mixtral'ı ve Vicuna Takımı'nın MiniGPT-4'ü gibi türetilmiş modeller bu kısıtlamaları devralıyor ve LLaMA'nın uyumsuzluğunu ek projelere yayıyor.
LLaMA tabanlı modellerin ötesinde, yaygın olarak kullanılan diğer mimariler de benzer sorunlarla karşı karşıyadır. Örneğin, Stabilite Yapay Zekası ile Stabilite Difüzyonu, OSAID'in sınırsız kullanım gerekliliklerinden sapan etik kısıtlamaları içeren Creative ML OpenRAIL-M lisansını kullanır. Benzer şekilde, Grok by xAI, özel unsurları kullanım sınırlamalarıyla birleştirerek açık kaynak idealleriyle uyumunu zorluyor.
Birçok yapay zeka geliştiricisi açık erişimi ticari ve etik hususlarla dengelediğinden, bu örnekler OSAID standartlarını karşılamanın zorluğunu vurgulamaktadır.
Kuruluşlar için çıkarımlar: OSAID uyumluluğu ve uyumsuzluk
OSAID uyumlu modellerin seçilmesi, kuruluşlara şeffaflık, yasal güvenlik ve sorumlu ve esnek yapay zeka kullanımı için gerekli olan tam özelleştirilebilirlik özelliklerini sağlar. Bu uyumlu modeller, etik uygulamalara bağlı kalır ve güçlü topluluk desteğinden faydalanarak işbirliğine dayalı gelişimi teşvik eder.
Bunun aksine, uyumlu olmayan modeller uyarlanabilirliği sınırlayabilir ve özel kaynaklara daha fazla bağımlı olabilir. Esnekliğe ve açık kaynak değerlerine uyum sağlamaya öncelik veren kuruluşlar için OSAID uyumlu modeller avantajlıdır. Ancak uyumlu olmayan modeller, özel özellikler gerektiğinde hala değerli olabilir.
Açık kaynaklı yapay zeka modellerinde lisanslamayı anlama
Açık kaynaklı yapay zeka modelleri, kullanım, değişiklik ve paylaşım koşullarını tanımlayan lisanslar altında yayınlanır. Bazı lisanslar geleneksel açık kaynak standartlarıyla uyumluyken diğerleri tam OSAID uyumluluğunu engelleyen kısıtlamalar veya etik yönergeler içerir. Anahtar lisanslar şunları içerir:
- Apache 2.0: Patent verilmesinin yanı sıra ücretsiz kullanım, değişiklik ve dağıtıma olanak tanıyan izin veren bir lisans. Apache 2.0, OSI onaylıdır ve açık kaynaklı projeler için popüler olup esneklik ve yasal koruma sağlar.
- MIT: Yalnızca yeniden kullanım için atıf gerektiren başka bir izin veren lisans. Apache 2.0 gibi MIT de OSI onaylıdır, geniş çapta benimsenir ve basitlik ve minimum kısıtlamalar sunar.
- Creative ML OpenRAIL-M: Yapay zeka uygulamaları için tasarlanmış, geniş kullanıma izin veren ancak zararlı kullanımı önlemek için etik kurallar uygulayan bir lisans. OpenRAIL-M, OSI'nin sınırsız özgürlük ilkeleriyle çelişen kullanım kısıtlamaları içerdiğinden OSI onaylı değildir. Ancak yapay zekada etik kullanıma öncelik vermeyi amaçlayan geliştiriciler tarafından takdir edilmektedir.
- CC BY-SA: Creative Commons Share-Alike lisansı ücretsiz kullanıma izin verir ve türev çalışmaların açık kaynak olarak kalmasını gerektirir. Açık işbirliğini teşvik etse de OSI onaylı değildir ve yazılım uygulamaları için bir miktar esneklikten yoksun olduğundan kod yerine içerik için daha yaygın olarak kullanılır.
- CC BY-NC 4.0: Atıfla ücretsiz kullanıma izin veren ancak ticari uygulamaları kısıtlayan bir Creative Commons lisansı. Belirli model ağırlıkları için (Meta'nın MusicGen ve AudioGen gibi) kullanılan bu lisans, modellerin ticari ortamlarda kullanılabilirliğini sınırlar ve OSI'nin açık kaynak standartlarıyla uyumlu değildir.
- Özel lisanslar: IBM'in Granite ve Nvidia'nın NeMo'su gibi listemizdeki birçok model, özel veya özel lisanslar altında çalışır. Bu modeller genellikle kullanım için belirli koşullar dayatıyor veya geleneksel açık kaynak terimlerini ticari hedeflerle uyumlu olacak şekilde değiştirerek onları açık kaynak ilkeleriyle uyumsuz hale getiriyor.
- Yalnızca araştırmaya yönelik lisanslar: Meta'nın LLaMA ve Codellama serisi gibi belirli modeller yalnızca araştırma amaçlı kullanım koşulları kapsamında mevcuttur. Bu lisanslar, kullanımı akademik veya ticari olmayan amaçlarla sınırlandırır ve OSI'nin açık kaynak kriterlerini karşılamadıkları için topluluk odaklı geniş çaplı projeleri engeller.
Açık kaynaklı yapay zeka modellerini çalıştırma gereksinimleri
Açık kaynaklı Gen AI modellerini çalıştırmak, model eğitimi, ince ayar ve dağıtım görevleri için belirli donanım, yazılım ortamları ve araç setleri gerektirir. Milyarlarca parametreye sahip yüksek performanslı modeller, Nvidia'nın A100 veya H100 gibi güçlü GPU kurulumlarından yararlanır.
Temel ortamlar genellikle Python'u ve PyTorch veya TensorFlow gibi makine öğrenimi kitaplıklarını içerir. Hugging Face'in Transformers kitaplığı ve Nvidia'nın NeMo'sunu içeren özel araç setleri, ince ayar ve dağıtım süreçlerini basitleştirir. Docker, farklı sistemlerde tutarlı ortamların korunmasına yardımcı olurken Ollama, büyük dil modellerinin uyumlu sistemlerde yerel olarak yürütülmesine olanak tanır.
Aşağıdaki grafik, açık kaynaklı yapay zeka modellerini yönetmek için gerekli araç setlerini, önerilen donanımları ve bunların belirli işlevlerini vurgulamaktadır:
Toolset | Purpose | Requirements | Use |
Python | Primary programming environment | N/A | Essential for scripting and configuring models |
PyTorch | Model training and inference | GPU (e.g., Nvidia A100, H100) | Widely used library for deep learning models |
TensorFlow | Model training and inference | GPU (e.g., Nvidia A100, H100) | Alternative deep learning library |
Hugging Face Transformers | Model deployment and fine-tuning | GPU (preferred) | Library for accessing, fine-tuning, and deploying models |
Nvidia NeMo | Multimodal model support and deployment | Nvidia GPUs | Optimized for Nvidia hardware and multimodal tasks |
Docker | Environment consistency and deployment | Supports GPUs | Containerizes models for easy deployment |
Ollama | Running large language models locally | macOS, Linux, Windows, supports GPUs | Platform to run LLMs locally on compatible systems |
LangChain | Building applications with LLMs | Python 3.7+ | Framework for composing and deploying LLM-powered applications |
LlamaIndex | Connecting LLMs with external data sources | Python 3.7+ | Framework for integrating LLMs with data sources |
Bu kurulum, deneyden üretime hazır dağıtıma kadar Gen AI modellerini verimli bir şekilde yönetmek için sağlam bir çerçeve oluşturur. Her araç seti, geliştiricilerin ortamlarını belirli proje ihtiyaçlarına göre uyarlamalarına olanak tanıyan benzersiz güçlü yönlere sahiptir.
Doğru modeli seçmek
Doğru nesil yapay zeka modelinin seçilmesi, lisans gereksinimleri, istenen performans ve belirli işlevler dahil olmak üzere çeşitli faktörlere bağlıdır. Daha büyük modeller daha yüksek doğruluk ve esneklik sunma eğilimindeyken, önemli miktarda hesaplama kaynağı gerektirirler. Daha küçük modeller ise kaynak kısıtlı uygulamalar ve cihazlar için daha uygundur.
Burada listelenen modellerin çoğunun, hatta Apache 2.0 veya MIT gibi geleneksel olarak açık kaynak lisanslarına sahip olanların bile Açık Kaynak Yapay Zeka Tanımını (OSAID) karşılamadığını unutmamak önemlidir. Bu boşluğun temel nedeni, OSAID'in gerçek açık kaynaklı yapay zeka için gerekli olduğunu vurguladığı eğitim verilerinin şeffaflığı ve kullanım sınırlamalarıyla ilgili kısıtlamalardır. Ancak Bloom ve Falcon gibi belirli modeller, lisanslarında veya şeffaflık protokollerinde küçük ayarlamalar yapma potansiyeli gösteriyor ve zaman içinde tam uyumluluğa ulaşabiliyor.
Aşağıdaki tablolar, ister tamamen şeffaf, topluluk odaklı bir model, ister yüksek düzeyde bir model olsun, ihtiyaçlarınız için en iyi seçeneği seçmenize yardımcı olmak üzere türe, veren kuruluşa ve işlevselliğe göre kategorize edilmiş önde gelen açık kaynaklı üretken yapay zeka modellerine düzenli bir genel bakış sunmaktadır. belirli özelliklere ve lisans gereksinimlerine sahip performans aracı.
Dil modelleri
Sohbet robotları, içerik oluşturma, çeviri ve özetleme gibi metin tabanlı uygulamalarda dil modelleri çok önemlidir. Doğal dil işlemenin (NLP) temelini oluştururlar ve dil yapısı ve bağlamına ilişkin anlayışlarını sürekli olarak geliştirirler.
Dikkate değer modeller arasında Meta'nın LLaMA'sı, EleutherAI'nin GPT-NeoX'i ve Nvidia'nın NVLM 1.0 ailesi yer alıyor; bunların her biri çok dilli, büyük ölçekli ve çok modlu görevlerde benzersiz güçlü yönleriyle biliniyor.
| Issuer & Model | Parameter Sizes | License | Highlights |
|---|---|---|---|
| Google T5 | Small to XXL | Apache 2.0 | High-performance language model, OSAID Compliant |
| EleutherAI Pythia | Various | Apache 2.0 | Interpretability-focused, OSAID Compliant |
| Allen Institute for AI (AI2) OLMo | Various | Apache 2.0 | Open language research model, OSAID Compliant |
| BigScience BLOOM | 176B | OpenRAIL-M | Multilingual, responsible AI, OSAID Potential |
| BigCode Starcoder2 | Various | Apache 2.0 | Code generation, OSAID Potential |
| TII Falcon | 7B, 40B | Apache 2.0 | Efficient and high-performance, OSAID Potential |
| AI21 Labs Jamba Series | Mini to Large | Custom | Language and chat generation |
| AI Singapore Sea-Lion | 7B | Custom | Language and cultural representation |
| Alibaba Qwen Series | 7B | Custom | Bilingual model (Chinese, English) |
| Databricks Dolly 2.0 | 12B | CC BY-SA 3.0 | Open dataset, commercial use |
| EleutherAI GPT-J | 6B | Apache 2.0 | General-purpose language model |
| EleutherAI GPT-NeoX | 20B | MIT | Large-scale text generation |
| Google Gemma 2 | 2B, 9B, 27B | Apache 2.0 | Language and code generation |
| IBM Granite Series | 3B, 8B | Apache 2.0 | Summarization, classification, RAG |
| Meta LLaMA 3.2 | 1B to 405B | Research-only | Advanced NLP, multilingual |
| Microsoft Phi-3 Series | Mini to Medium | MIT | Reasoning, cost-effective |
| Mistral AI Mixtral 8x22B | 8x22B | Apache 2.0 | Sparse model, efficient reasoning |
| Mistral AI Mistral 7B | 7B | Apache 2.0 | Dense, multilingual text generation |
| Nvidia NVLM 1.0 Family | 72B | CC by SA 3.0 | High-performance multimodal LLM |
| Rakuten RakutenAI Series | 7B | Custom | Multilingual chat, NLP |
| xAI Grok-1 | 314B | Apache 2.0 | Large-scale language model |
Görüntü oluşturma modelleri
Görüntü oluşturma modelleri, metin istemlerinden yüksek kaliteli görseller veya sanat eserleri oluşturur; bu da onları içerik oluşturucular, tasarımcılar ve pazarlamacılar için paha biçilmez kılar.
Stability AI'nin Stabil Difüzyonu, esnekliği ve çıktı kalitesi nedeniyle geniş çapta benimsenirken DeepFloyd'un IF'si, dil anlayışıyla gerçekçi görseller üretmeyi vurguluyor.
| Issuer & Model | Parameter Sizes | License | Highlights |
|---|---|---|---|
| Stability AI Stable Diffusion 3.5 | 2.5B to 8B | OpenRAIL-M | High-quality image synthesis |
| DeepFloyd IF | 400M to 4.3B | Custom | Realistic visuals with language comprehension |
| OpenAI DALL-E 3 | Not disclosed | Custom | State-of-the-art text-to-image synthesis |
| Google Imagen | Not disclosed | Custom | High-fidelity image generation from text |
| Midjourney | Not disclosed | Custom | Artistic and stylized image generation |
| Adobe Firefly | Not disclosed | Custom | Integrated AI image generation within Adobe products |
Görüş modelleri
Görme modelleri, görüntüleri ve videoları analiz ederek nesne algılamayı, segmentasyonu ve metin istemlerinden görsel oluşturmayı destekler.
Bu teknolojiler sağlık hizmetleri, otonom araçlar ve medya dahil olmak üzere birçok sektöre fayda sağlıyor.
| Issuer & Model | Parameter Sizes | License | Highlights |
|---|---|---|---|
| Meta SAM 2.1 | 38.9M to 224.4M | Apache 2.0 | Video editing, segmentation |
| NVIDIA Consistency | Not disclosed | Custom | Character consistency across video frames |
| NVIDIA VISTA-3D | Not disclosed | Custom | Medical imaging, anatomical segmentation |
| NVIDIA NV-DINOv2 | Not disclosed | Non-commercial | Image embedding generation |
| Google DeepLab | Not disclosed | Apache 2.0 | High-quality semantic image segmentation |
| Microsoft Florence | 0.23B, 0.77B | MIT | General-purpose visual model for computer vision |
| OpenAI CLIP | 400M | MIT | Text and image comprehension |
Ses modelleri
Ses modelleri, ses verilerini işleyerek ve oluşturarak konuşma tanımayı, metinden konuşmaya sentezini, müzik kompozisyonunu ve ses geliştirmeyi mümkün kılar.
| Issuer & Model | Sizes | License | Highlights |
|---|---|---|---|
| Coqui.ai TTS | N/A | MPL 2.0 | Text-to-speech synthesis, multi-language support |
| ESPnet ESPnet | N/A | Apache 2.0 | End-to-end speech processing toolkit |
| Facebook AI wav2vec 2.0 | Base (95M), Large (317M) | Apache 2.0 | Self-supervised speech recognition |
| Hugging Face Transformers (Speech Models) | Various | Apache 2.0 | Collection of ASR and TTS models |
| Magenta MusicVAE | N/A | Apache 2.0 | Music generation and interpolation |
| Meta MusicGen | N/A | MIT / CC BY-NC 4.0 | Music generation from text prompts |
| Meta AudioGen | N/A | MIT / CC BY-NC 4.0 | Sound effect generation from text prompts |
| Meta EnCodec | N/A | MIT / CC BY-NC 4.0 | High-quality audio compression |
| Mozilla DeepSpeech | N/A | MPL 2.0 | End-to-end speech-to-text engine |
| NVIDIA NeMo (Speech Models) | Various | Apache 2.0 | ASR and TTS models optimized for Nvidia GPUs |
| OpenAI Jukebox | N/A | MIT | Neural music generation with genre/artist conditioning |
| OpenAI Whisper | 39M to 1.6B | MIT | Multilingual speech recognition and transcription |
| TensorFlow TFLite Speech Models | N/A | Apache 2.0 | Speech recognition models optimized for mobile devices |
Çok modlu modeller
Multimodal modeller, çeşitli girdilerden içerik oluşturmak için metin, resim, ses ve diğer veri türlerini birleştirir.
Bu modeller dil, görsel ve duyusal anlayış gerektiren uygulamalarda etkilidir.
| Model Name | Parameter Sizes | License | Highlights |
|---|---|---|---|
| Allen Institute for AI (AI2) Molmo | 1B, 70B | Apache 2.0 | A multimodal AI model that processes text and visual inputs, OSAID-compliant |
| Meta ImageBind | N/A | Custom | Integrates six data types: text, images, audio, depth, thermal, and IMU. |
| Meta SeamlessM4T | N/A | Custom | Provides multilingual translation and transcription services. |
| Meta Spirit LM | N/A | Custom | Combines text and speech to produce natural-sounding outputs. |
| Microsoft Florence-2 | 0.23B, 0.77B | MIT | Handles computer vision and language tasks proficiently. |
| NVIDIA VILA | N/A | Custom | Processes vision-language tasks effectively. |
| OpenAI CLIP | 400M | MIT | Excels in text and image comprehension. |
| Vicuna Team MiniGPT-4 | 13B | Apache 2.0 | Capable of understanding both text and images. |
Almayla artırılmış nesil (RAG)
RAG modelleri, üretken yapay zekayı bilgi erişimiyle birleştirerek kapsamlı veri kümelerinden ilgili verileri yanıtlarına dahil etmelerine olanak tanır.
| Issuer & Model | Parameter Sizes | License | Highlights |
|---|---|---|---|
| BAAI BGE-M3 | N/A | Custom | Dense and sparse retrieval optimization |
| IBM Granite 3.0 Series | 3B, 8B | Apache 2.0 | Advanced retrieval, summarization, RAG |
| Nvidia EmbedQA & ReRankQA | 1B | Custom | Multilingual QA, GPU-accelerated retrieval |
Özel modeller
Özel modeller programlama, bilimsel araştırma ve sağlık hizmetleri gibi belirli alanlar için optimize edilmiş olup, kendi alanlarına göre geliştirilmiş işlevsellik sunar.
| Issuer & Model | Parameter Sizes | License | Highlights |
|---|---|---|---|
| Meta Codellama Series | 7B, 13B, 34B | Custom | Code generation, multilingual programming |
| IBM Granite (Specialized Models) | 3B, 8B, 20B, 34B | Apache 2.0 | Code generation, time series, geospatial |
| Mistral AI Mamba-Codestral | 7B | Apache 2.0 | Focused on coding and multilingual capabilities |
| Mistral AI Mathstral | 7B | Apache 2.0 | Specialized in mathematical reasoning |
Korkuluk modelleri
Korkuluk modelleri önyargıları, uygunsuz içeriği ve zararlı yanıtları tespit edip azaltarak güvenli ve sorumlu çıktılar sağlar.
| Issuer & Model | Parameter Sizes | License | Highlights |
|---|---|---|---|
| NVIDIA NeMo Guardrails | N/A | Apache 2.0 | Open-source toolkit for adding programmable guardrails |
| Google ShieldGemma | 2B, 9B, 27B | Custom | Safety classifier models built on Gemma 2 |
| IBM Granite-Guardian | 8B | Apache 2.0 | Detects unethical or harmful content |
Açık kaynaklı modelleri seçin
Üretken yapay zekanın manzarası hızla gelişiyor; açık kaynaklı modeller, ileri teknolojiyi herkes için erişilebilir kılmak için hayati önem taşıyor. Bu modeller, yapay zeka gelişimini büyük şirketlerle sınırlayan engelleri ortadan kaldırarak özelleştirmeye ve işbirliğine olanak tanır.
Geliştiriciler, açık kaynaklı Gen AI'yi seçerek, küresel bir topluluğa katkıda bulunarak ve teknolojik ilerlemeyi hızlandırarak çözümleri ihtiyaçlarına göre uyarlayabilirler. Dil ve görüntüden güvenlik odaklı tasarımlara kadar mevcut modellerin çeşitliliği neredeyse her uygulama için seçenekler sağlar.
Açık kaynak yapay zeka topluluklarının desteklenmesi, etik ve yenilikçi yapay zeka gelişmelerini teşvik etmek, bireysel projelere fayda sağlamak ve teknolojiyi sorumlu bir şekilde ilerletmek için gerekli olacaktır.