Der Rocky-Linux-Gründer will den einzigen Teil der KI öffnen, den niemand öffnet: die Trainingsdaten
OpenWALDO startet mit 124 Milliarden Token aus 75 Millionen Dokumenten, jeweils mit Lizenz und Herkunft. Die Idee: Ein Modell soll wie Software mit einer Teileliste kommen.
Gregory Kurtzer gründet seit 25 Jahren Open-Source-Projekte, auf die andere später angewiesen sind, darunter CentOS, Singularity und Rocky Linux. Am 11. August startete er ein neues Projekt für die am wenigsten offene Schicht moderner KI: die Trainingsdaten. Es heißt OpenWALDO, wird von seiner Firma CIQ unterstützt und erfasst bereits 124 Milliarden Referenz-Token aus 75,1 Millionen Dokumenten in 20 Sammlungen mit 18 angegebenen Lizenzkennungen.
Der Name steht für Weights, Artifacts, Licenses, Data and Origins. Die These lautet, dass open weights nur die halbe Strecke sind. Man kann ein fertiges Modell herunterladen und ausführen, sieht aber nicht, was in es eingeflossen ist. Gewichte sind die Millionen Zahlen, die ein Modell beim Training lernt. Sie sind das Ergebnis, nicht das Rezept. OpenWALDO dokumentiert Herkunft, geltend gemachte Rechte, Beitragende und die Zuordnung der Bytes zu jeder Version. Modelle daraus können mit einer AI Bill of Materials ausgeliefert werden, einer Teileliste zurück zu Quellen, Lizenzen und Trainingsläufen.
Die Technik dahinter ist bewusst unspektakulär. Der öffentliche Index liegt in Git, sodass jede Änderung wie bei Open-Source-Code geprüft und zugeordnet werden kann. Die Massendaten liegen in föderiertem Speicher und werden mit Inhaltshashes verifiziert. Beitragende bestätigen sie über das Developer Certificate of Origin, denselben Verantwortlichkeitsmechanismus wie beim Linux-Kernel. Kurtzer erfindet also keine neue Vertrauensinfrastruktur, sondern nutzt vorhandene.
Fast jedes KI-Labor sammelt, bereinigt und lizenziert heute ähnliche Materialien, sagt aber nicht, welche. Das ist teils Wettbewerb, teils Rechtssache, weil Urheberrechtsfragen zu abgeschöpften Trainingsdaten vor Gericht landen. Ein gemeinsames, prüfbares Korpus könnte kleineren Teams die teure Grundlagenarbeit abnehmen. Es würde außerdem die Frage beantworten, der Labore ausweichen: Woher kommt das, und wer hat die Nutzung erlaubt? Kurtzer sagt offen, dass OpenWALDO noch weit von Frontier-Größe entfernt ist. 124 Milliarden Token sind ein Anfang, kein Konkurrent zu den Billionen großer Labore.
Was das für dich bedeutet: An deinen heutigen Werkzeugen ändert sich nichts. Wenn du dich aber je gefragt hast, ob dein Blogbeitrag oder die Dokumentation deiner Firma in einem Modell gelandet ist, versucht dieses Projekt die nötige Infrastruktur dafür zu bauen. Für Unternehmen in der EU wird Herkunft von einem „wäre schön“ zunehmend zu Papierarbeit. Ein Korpus mit verknüpften Lizenzen ist daher interessant. Auch für ein kleines Modell auf eigener Hardware wäre eine durchgehend prüfbare Herkunftskette seltenes Lernmaterial.
Quellen
Du kannst jetzt einen humanoiden Roboter zum Putzen mieten, der von einem Menschen per VR gesteuert wird
Tau Robotics startet in San Francisco einen Pilotversuch für 30 Dollar pro Stunde. Die Roboter saugen und bringen Müll hinaus. Treppen steigen sie nicht, und meistens steuert ein Mensch.
