OpenWALDOとは何か、グレッグ・カーツァーはなぜそれを開発する必要があったのか

オリジナル記事「What is OpenWALDO and Why Did Greg Kurtzer Need to Create It?」

グレッグ・カーツァーには思い込みががある。CentOS、Rocky Linux、Apptainer（Singularity）、Warewulfの創始者として、彼は明らかにオープンソースソフトウェアに偏った見方をしており、それは多くのHPC専門家にとって有益なものとなっている。そのため、今年初め、カーツァーは多くの人がオープンウェイトAIモデルについて、あたかもそれが実際にオープンソースであるかのように語っていることに気づき、納得がいかなかった。

「 「多くの人がオープンソースとオープンウェイトを混同しているのは非常に残念だ」とカーツァーは述べた。「［オープンウェイトモデル］はオープンソースライセンスの下で提供されているが、オープンソースではない。そのため、用語が混同されてしまっているのだ。」

真のオープンソースと見なされるためには、特定のソフトウェアを作成するために使用されたすべてのソース素材が、誰でも利用または検証できるよう公開されていなければならない。Rocky Linuxのようなエンタープライズソフトウェアの場合、それはすべてのソースコードがオープンソースライセンスの下で、誰でも検証・利用できるようになっていることを意味する。AIモデルが真にオープンソースであるためには、アーキテクチャ、重み、学習データが誰でも検証・利用できるようになっている必要がある。

	グレッグ・カーツァーはOpenWALDOの開発者だ

これは、Llama-3、Qwen3、ディープシーク 4といった、現在広く普及しているオープンウェイトAIモデルには当てはまらない。これらのソフトウェアは、すでにコンパイル済みの実行可能プログラムであるフリーウェアのバイナリのように機能する。これらのAIモデルを構成する最も重要な要素であるトレーニングデータは、モデル開発者以外には誰もアクセスできない秘密のままである。

これは、セキュリティや合法性を重視する人にとっては問題だ。

「それは箱のようなもので、その箱の中に何が入っているのか分からない」と、カーツァー氏はHPCwireに語った。「そして、その箱の中には、トレーニングに使用された悪意のあるトレーニングコンテンツが容易に含まれている可能性がある。だから、これに対処する最善の方法は、まあ、もしこれらが実際にオープンソースであれば、これほど大きな問題にはならなかっただろう、ということだ。

「そこで、私ははっと気づいたんだ」と彼は続けた。「ちょっと待て。こういうAIモデルの構築をめぐる、真の意味でのオープンソースコミュニティやプロジェクトなんて存在しないじゃないか。それで、私はその開発に取り組み始めたんだ。」

トレーニングデータのBOM

「それ」とは、もちろんOpenWALDOのことだ。カーツァー氏は先月、自身が経営するエンタープライズソフトウェア企業CIQのウェブサイト上のブログ記事でこれを発表した。（カーツァー氏は、このプロジェクトを後援しているCIQのCEO兼創業者だが、プロジェクト自体はカーツァー氏個人のものである。）

WALDOという名称は、open weights（公開された重み）、open artifacts（公開されたアーティファクト）、open licenses（公開されたライセンス）、open data（公開されたデータ）、open origins（公開された出所）の頭文字をとった略語だ。「これは基本的に、AIモデル内部にあるすべての要素をオープンソース化するという根本的な取り組みだ」とカーツァー氏は述べた。「つまり、OpenWALDOは文字通り『オープンソースAI』を意味するのだ。」

OpenWALDOの構想は、AIモデル開発者が自身のトレーニングデータを保管し、下流のユーザに対して、データの出所（どこで収集されたか、誰が収集したか、どのように使用できるか）を証明する部品表（BOM）を提供できるリポジトリを構築することにある。このBOMは、AIモデルの出所に関する透明性を高め、現在のオープンウェイトモデルに伴う不確実性を解消するために不可欠だ。

つまり、BOMによってAIモデルが99.99％オープンソースであることが示されていても、0.01％の非公開部分が存在する場合、OpenWALDOがあれば顧客はその事実を把握できるのだ。

(Efkaysim/Shutterstock)

「そして問題は、その会社と提携したいか、その会社を信頼できるかということだ」とカーツァー氏は述べた。「少なくとも米国では、大企業や連邦政府機関にとって、モデルを信頼するかどうかは問題ではない。単に、それを行うことができないのだ。」

特に中国のオープンウェイトモデルは、米国のクローズドソースモデルとほぼ同等の性能を達成しており、多くの組織がその利用に魅力を感じている。しかし、F5 Labsによれば、これらのモデルを使用する場合は自己責任となる。

「ほとんどの場合、学習データは公開されておらず、学習パイプラインの完全性が保証されていない上、不透明な理由で特定の微調整が組み込まれているリスクが存在する」と、このセキュリティ企業は7月30日のブログ記事で中国のオープンウェイトモデルについて記した。「これらのモデルをローカルで実行する場合、ユーザはそれらを使用し、セキュリティを確保するリスクを負うことになり、これが導入に大きな障壁となり得る。これらのリスクは決して軽視できるものではない。」

オープンAIコミュニティの構築

OpenWALDOは、トレーニングデータのBOMに加え、AI開発者向けのツールや、彼らが協力し合えるコミュニティも提供しており、これらはオープンソースAIの未来にとって重要な要素だ。

「OpenWALDOに貢献している人々、AIを学びたい人々、そしてAIに関する知識をOpenWALDOに取り入れ、他の人々と共有したいと考えている人々によるコミュニティでもある」とカーツァー氏は述べた。

トレーニングデータ自体はOpenWALDOには保存されない。その代わりに、このプロジェクトではフェデレーテッド・ストレージ・システムを採用している。これは、貢献者が各自のトレーニングデータリポジトリを管理し、数百万ものオープンソースプロジェクトのソースコードを管理するオープンなバージョン管理システムであるGitを介して、それをOpenWALDOにリンクさせる仕組みだ。

「コーパスのシャードであるParquetファイルそのものを、自身のS3バケットにホストすることになる」とカーツァー氏は述べた。「そしてインデックスが、そのファイルへのリンクと適切なメタデータを指し示すことで、そのオブジェクトが改ざんされていないことを我々が保証できるようにするのだ」

OpenWALDOプロジェクトは、インデックスに基づいてすべてのオブジェクトの妥当性を検証できると、カーツァー氏は説明した。「チェックサムが分かっている。中身が正確に把握できている。監査も可能だ。どこにあるか、誰が配置したか、誰が承認したか、ライセンス――すべてが把握できる」と彼 は語った。

	(Photo-For-Everything/Shutterstock)

AIモデルの構築者は、コンポーズファイルを呼び出すことでトレーニングデータにアクセスする。これらのコンポーズファイルはYAMLで記述されており、ユーザが構築したいモデルに関するあらゆる要素――基本的なモデルアーキテクチャから、事前学習、学習中、学習後までの全工程――を定義している。

「最終的な目標は、すべてのユーザのレベルを引き上げることだ」とカーツァー氏は述べた。「したがって、ごく特定のタスクに特化したごく小規模な言語モデルを構築したい企業であれ、新興のAI研究所であれ、Frontier研究機関であれ、目標は『さあ、このデータを使ってトレーニングを行ってください』と言うことだ。つまり、無料であり、利用可能だ。このデータのどの部分を活用したいとしても、自由に活用できるのだ。」

AIのためのオープンソース

セキュリティ上の脅威となり得るAIモデルの使用を避けることに加え、このアプローチは組織が著作権侵害を回避するのにも役立つだろう。今日の大規模言語モデルは、Common Pileのような、インターネットから収集された膨大なコーパスを使って学習されている。そのスクレイピングの過程で、どれほどの著作権侵害が行われたのか？　誰にも分からない。

コピーレフトもまた、トレーニングデータにおけるさらなる透明性を求める厄介な問題だ。例えば、ある組織が、コピーレフトライセンスで保護されたデータを用いて独自のモデルを構築したとしよう。このライセンスでは、そのデータに基づく派生作品の無料利用が義務付けられている。そのコピーレフトライセンスは、組織に対しモデルの公開を義務付けるのだろうか？

裁判所はこうした疑問の多くについてまだ判断を下しておらず、法的には依然として不透明なままである。いずれにせよ、カーツァー氏の見解では、AIブームはオープンソースを強く求めており、彼は行動を起こさざるを得ないと感じている。

「問題に直面するたびに、私は常に『オープンソースならこうやって解決できる』という視点で物事を捉えるが、今まさにAIの分野でもまったく同じ状況が見て取れる」と彼は語った。「AIをめぐるオープンソースコミュニティが必要だ。人々が集まり、AIについて話し合い、取り組んでいることを共有し、質問をして有益な回答を得られ、さまざまなサブプロジェクトを立ち上げ、そのコミュニティからさまざまなものを生み出せる場が必要だ。しかし、現時点ではそのような場は存在しない。」

OpenWALDOがあれば、それが実現するかもしれない。