Ang open source AI ay mas mahalaga kaysa dati, ayon sa Hugging Face's Clem Delangue

Sinubukan ng Anthropic na i-lock down ang Fable release nito. Napansin ito ng CEO ng Hugging Face — at hindi siya tahimik tungkol dito. Si Clem Delangue ay lumabas sa TechCrunch's Equity podcast upang ipakita na ang open source AI ay mas mahalaga kaysa dati, at ang kanyang argumento ay may tunay na kahulugan para sa bawat developer na bumubuo sa Asia ngayon.

Ang Hugging Face ay naging infrastructure layer sa ilalim ng malaking bahagi ng AI development sa buong mundo. Isipin ito bilang GitHub para sa AI: isang platform kung saan nagbabahagi at nag-download ang mga builder ng open models, datasets, at lahat sa pagitan. Ayon sa TechCrunch Equity podcast, humigit-kumulang kalahati ng Fortune 500 ay gumagamit ng Hugging Face. Hindi na ito isang niche open-source project — ito ay critical infrastructure. At ang alalahanin ng Delangue ay direkta: kung ang ilang malakas na kumpanya ay nagtatapos na kontrolin ang foundational AI models na lahat ay umaasa, ang buong ecosystem ay mawawalan ng isang bagay na hindi madaling makukuha ulit.

Ano ang Nangyari

Ang agarang dahilan para sa paglabas ni Delangue sa Equity ay ang hinihintay na Fable release ng Anthropic. Habang ang buong detalye ng Fable situation ay limitado pa rin, ang mas malawak na pattern na inilalarawan ng Delangue ay pamilyar sa sinumang malapit na sumusubaybay sa AI industry: ang isang kumpanya ay bumubuo ng malakas na modelo, pagkatapos ay nagpasya — para sa mga dahilan na bihirang lubos na transparent — na paghigpitan o paantalahin ang public access dito. Kung ang justification ay safety, competitive advantage, o regulatory caution, ang resulta ay pareho. Ang mga developer na bumuo ng workflows sa paligid ng modelo ay biglang may mas kaunting kontrol sa kanilang sariling stack.

Ang counter-narrative ng Delangue ay itinayo sa pattern na paulit-ulit niyang napansin sa buong user base ng Hugging Face. Ang mga kumpanya ay nagsisimula ng kanilang AI journey sa frontier closed APIs — ito ang pinakamabilis na daan sa gumagana na prototype. Ngunit habang lumalaki sila, ang economics ay nagbabago ng malaki. Ang inference costs ay lumalaki, ang rate limits ay nagiging tunay na operational constraint, at ang kakaibang hindi makapag-fine-tune o mag-inspect ng modelo ay lumilikha ng ceiling sa kung ano ang tunay na makakamit. Iyan ang sandali, sabi ni Delangue, kung kailan ang mga team ay naglilipat tungo sa open source models. Ang closed API ay isang mahusay na on-ramp; ito ay isang masamang long-term foundation.

Isa sa mas nakakamangha na data points mula sa conversation: ang mga Chinese labs ay ngayon ay gumagawa ng karamihan ng open models na dine-download sa Hugging Face. Ito ay isang geopolitical signal tulad ng isang technical one. Ang center of gravity sa open AI development ay gumagalaw, at ito ay gumagalaw tungo sa Asia.

Bakit Ito Mahalaga para sa Asia

Para sa mga developer at founder sa buong Southeast Asia, East Asia, at South Asia, ang open source AI movement ay hindi lamang philosophically appealing — ito ay structurally necessary. Ang Asia tech ecosystems ay gumagana sa ilalim ng ibang set ng constraints kaysa sa Silicon Valley startups na may madaling access sa US-based venture capital at enterprise sales pipelines.

Isaalang-alang muna ang economics. Ang isang startup sa Jakarta o Ho Chi Minh City na gumagastos ng OpenAI API credits sa scale ay gumagana na may margins na simpleng hindi umiiral sa parehong paraan para sa isang well-funded US counterpart. Ang open source models — na naka-deploy sa local infrastructure o sa cost-efficient cloud regions — ay nagbabago ng equation na ito nang fundamental. Ang kakayahang magpatakbo ng capable model sa iyong sariling terms, na-tune sa iyong sariling data, nang walang per-token fees na patuloy na lumalaki, ay isang tunay na competitive unlock.

Pagkatapos ay may language dimension. Ang dominant closed models ay optimized para sa English. Sila ay humahawak ng Mandarin at Japanese nang maayos, dahil sa volume ng available training data. Ngunit ang Bahasa Indonesia, Thai, Vietnamese, Tagalog, Bengali — ang mga wika na ito ay underserved ng closed frontier models sa mga paraan na mahalaga nang malaki para sa mga produktong itinayo para sa local users. Ang open source models ay maaaring ma-fine-tune sa local language datasets. Ang closed APIs ay halos hindi, o hindi babagay sa mga paraan na nagbibigay sa mga developer ng meaningful control sa output.

Ang katotohanan na ang Chinese labs ay nangunguna sa open model releases sa Hugging Face ay nagkakahalaga rin ng maingat na pagbabasa. Ito ay nagpapahiwatig na ang assumption ng Western technological primacy sa AI ay nakalampas na. Ang mga Asian developer ay hindi kailangang maghintay para sa isang US lab na maglabas ng capable open model — ang supply chain para sa open AI ay lumalaking regional. Ito ay isang structural advantage para sa mga builder na nagbabayad ng atensyon.

Mula sa AI-native development platform perspective, ang shift na ito ay mahalaga dahil ang tooling layer ay dapat umunlad kasama ng model layer. Kapag ang mga developer ay lumipat mula sa closed APIs tungo sa self-hosted open models, kailangan nila ng infrastructure na humahawak sa complexity ng model selection, deployment, at integration nang hindi nagdadagdag ng linggo ng engineering overhead.

Ano Ang Ibig Sabihin Nito para sa mga Developer

Ang argumento ng Delangue ay may practical implication na madaling makaligtaan kung nakatuon ka sa ideology ng open versus closed: ang mga developer na matututo na magtrabaho sa open models ngayon ay magkakaroon ng durable skill advantage habang lumalaki ang industry.

Ang pagtrabaho sa open models ay mas demanding kaysa sa pag-call ng API. Kailangan mong maunawaan ang model quantization, inference optimization, prompt formatting differences sa buong model families, at ang tradeoffs sa pagitan ng model size at latency. Ang mga ito ay hindi insurmountable challenges — ang tooling ecosystem sa paligid ng open models ay naging mature na nang malaki — ngunit kailangan nila ng tunay na technical investment.

Narito kung ano ang hitsura ng investment na ito sa practice:

• Model selection: Hindi bawat open model ay tama para sa bawat task. Ang isang 7B parameter model na fine-tuned sa code ay lalampas sa 70B general model sa specific coding tasks. Ang pag-aaral na mag-evaluate ng models laban sa iyong actual use case — hindi benchmark leaderboards — ay isang core skill.
• Fine-tuning sa local data: Ang tunay na leverage sa open models ay ang kakayahang mag-fine-tune. Para sa mga Asian developer na bumubuo ng mga produkto para sa local markets, ito ay nangangahulugang pagsasanay sa local language data, domain-specific terminology, at culturally relevant examples. Ang isang Thai e-commerce chatbot na fine-tuned sa actual Thai customer service conversations ay lalampas sa anumang off-the-shelf closed model sa specific task na ito.
• Deployment architecture: Ang pagpapatakbo ng open models sa production scale ay nangangailangan ng mga desisyon tungkol sa quantization (GGUF, AWQ, GPTQ), serving frameworks (vLLM, Ollama, TGI), at hardware selection. Ang mga desisyon na ito ay may significant cost implications.
• Integration patterns: Ang open models ay kailangang kumonekta sa natitirang bahagi ng iyong stack — databases, APIs, frontend applications. Ang connectors at integration patterns na iyong itinayo sa paligid ng isang open model ay madalas kung saan ang tunay na product differentiation ay naninirahan.

Ang mas malawak na punto ay ang open source AI ay lumilikha ng leverage para sa mga developer na nag-invest sa pag-unawa dito. Ang closed APIs ay nag-commoditize ng model layer — lahat ay may access sa parehong GPT-4 o Claude. Ang open models ay nagbibigay-daan sa differentiation sa pamamagitan ng fine-tuning, custom deployment, at malalim na integration sa proprietary data. Para sa mga founder na bumubuo sa Asia, kung saan ang local market knowledge ay isang tunay na moat, ang differentiation na ito ay mahalaga.

May risk management argument din. Ang alalahanin ng Delangue tungkol sa ilang kumpanya na kontrolin ang foundational AI ay hindi hypothetical — ito ay isang paglalarawan ng kasalukuyang estado ng closed model market. Ang anumang startup na bumuo ng core product nito sa isang solong closed API ay may dependency risk na hindi lumalabas