- Diferenciació tècnica entre els models de pesos oberts i el veritable codi obert en intel·ligència artificial.
- Paral·lelisme estratègic entre l'adopció massiva de Kubernetes a contenidors i l'actual tendència de models oberts.
- Implementació pràctica d'arquitectures d'inferència optimitzades amb vLLM i KubeAI en entorns de núvol.
- Impacte geopolític i econòmic de la democratització dels pesos de models davant del control dels laboratoris tancats.
Si mirem enrere, concretament al 2015, qui volgués muntar un sistema distribuït es trobava en una cruïlla. Teníem Apache Mesos, que ja estava més que adobat i era l'aposta de gegants com Twitter o Airbnb, i per altra banda Docker Swarm, que resultava molt més senzill i familiar. Enmig de tot això va aparèixer un novell anomenat Kubernetes, llançat per Google. Aleshores, la saviesa popular deia que Mesos era per a infraestructura de veritat i que Kubernetes no era més que una joguina. Fins i tot Amazon va decidir llançar el seu propi ECS en lloc de pujar al carro. Però ja sabem com va acabar la pel·lícula.
Kubernetes no va guanyar per ser la tecnologia més avançada al seu moment, sinó perquè va aconseguir convertir-se en el centre de gravetat de la indústria . Es va transformar en una base neutral sobre la qual proveïdors de núvol, enginyers i venedors podien construir sense por. Un cop va assolir aquesta massa crítica, la innovació es va disparar: l'emmagatzematge, la seguretat i l'observabilitat es van començar a resoldre gràcies a la comunitat. Avui dia estem veient que l'ecosistema de la intel·ligència artificial està repetint exactament el mateix guió, i els qui captin aquest patró podran prendre decisions tecnològiques molt més encertades.
Pesos Oberts o Codi Obert? No és el mateix
Per no fer-nos un embolic, primer cal aclarir els conceptes. Molta gent anomena «open source» models que en realitat són open-weight (pesos oberts) . Això significa que podeu descarregar els paràmetres ja entrenats, ajustar-los i executar-los on vulgueu, però no teniu accés a les dades d'entrenament ni podeu reproduir el procés complet de creació. L'Open Source Initiative (OSI) és molt més estricta: per a ells, la IA oberta ha d'incloure el codi d'entrenament i el conjunt de dades emprat.
Per a un advocat, aquesta diferència és fonamental, però al desenvolupador mitjà li és una mica igual mentre l'eina funcioni i sigui personalitzable. És com comparar Kubernetes (totalment obert) amb les distribucions binàries de Linux; reps l'artefacte compilat i el pots modificar, encara que el pipeline de construcció original sigui propietat del creador. Al final, la comunitat prioritza la utilitat sobre la puresa de la llicència, considerant aspectes com la responsabilitat en la intel·ligència artificial i els seus desafiaments ètics.
L'ecosistema ja és aquí i corre a tota velocitat
La velocitat a què creix aquest entorn és al·lucinant. HuggingFace ja acull milions de models i, al voltant de famílies com Llama, Mistral, Qwen o Gemma, s'està cuinant de tot: des de versions quantitzades perquè corrin en un mòbil oa Apple Silicon, fins a adaptadors LoRA especialitzats en dret, medicina o programació. A més, han sorgit runtimes com vLLM o SGLang que gestionen la inferència d'alt rendiment mitjançant el batching continu, mentre que Ollama permet aixecar un model localment amb una sola ordre.
Hi va haver un temps en què l'argument contra els models oberts era que no donaven la talla davant de GPT-4 o Claude. Tot i això, aquesta bretxa s'ha tancat gairebé del tot. Models com GLM-5.2 o Kimi K3 estan demostrant un rendiment de nivell frontera , especialment en tasques de codi complex, superant de vegades versions tancades en benchmarks específics. Quan els models oberts són «prou bons», l'efecte xarxa que va impulsar Kubernetes comença a actuar amb una força imparable.
Paral·lelismes directes: Dels contenidors a la IA
Si analitzem l‟estructura, l‟analogia és gairebé exacta. Els models base (Truca, Qwen) actuen com el Docker de la IA: proporcionen un punt de partida estandarditzat que qualsevol desenvolupador pot descarregar i personalitzar, igual que fèiem amb les imatges d'Ubuntu o Alpine. Per la seva banda, eines com Ollama o llama.cpp compleixen la funció de Docker Compose, fent que integrar un model en un entorn de desenvolupament local sigui tan senzill com afegir un contenidor de PostgreSQL.
El pas següent és la capa d'estàndard, l'equivalent a Kubernetes. Tot i que encara s'està definint, ja veiem les peces: els formats GGUF o GPTQ actuen com a imatges OCI, l'API compatible amb OpenAI és la interfície estàndard i Hugging Face és el Docker Hub dels models. Qui aconsegueixi dominar aquesta capa de servei i desplegament capturarà la major part de la innovació del sector.
Implementació pràctica a Kubernetes
Per als que treballen amb Java i Spring Boot, aquest moment és clau. Gràcies a frameworks com Spring AI o LangChain4j, ara és possible desenvolupar contra un model local i després passar a un clúster de producció simplement canviant una propietat a l'arxiu de configuració. Ja no depenem de claus d'API externes ni que les dades surtin de la nostra xarxa, cosa que és vital per a sectors com la banca o la salut on la privadesa de les dades és innegociable.
A nivell tècnic, hi ha dos camins principals per desplegar a Kubernetes (específicament a GKE). D'una banda, podem fer servir vLLM directament com a motor d'inferència per obtenir el màxim control sobre el rendiment. Per altra banda, podem optar per KubeAI, que és una plataforma nativa de Kubernetes per a la gestió de models. KubeAI permet manejar un catàleg de models i ofereix funcions com l' escalat a zero (scale-to-zero) , la qual cosa redueix costos operatius en no mantenir GPUs enceses si no hi ha peticions, encara que introdueix certa latència d'arrencada en fred.
El debat econòmic i geopolític
No tot és optimisme tècnic; hi ha una guerra freda en marxa. Els models xinesos estan guanyant un terreny impressionant en descàrregues, cosa que ha portat alguns sectors als EUA a plantejar restriccions. Tot i això, tècnicament és gairebé impossible prohibir un model basant-se en el seu origen, ja que els pesos són simplement números i no porten una etiqueta de nacionalitat. Qualsevol intent de baneig ingenu seria fàcil esquivar.
A més, hi ha una tensió econòmica. Alguns experts argumenten que els models de pesos oberts són «deceleracionistes» perquè, en desplomar el valor que poden capturar els laboratoris frontera, podrien desincentivar la inversió massiva en infraestructura (CAPEX). Si invertir 700.000 milions de dòlars no garanteix un monopoli sobre el benefici, el capital es podria retreure. Tot i això, la història ens diu que l' estandardització oberta sol accelerar l'adopció massiva, reduint els costos d'entrada per a milers de startups.
Si ets desenvolupador i no vols quedar-te enrere, és ideal començar a experimentar amb models quantitzats en local; no necessites una GPU descomunal, ja que formats com Q4 permeten que un model de 7B funcioni acceptablement en CPU modernes. És fonamental apostar per interfícies compatibles amb OpenAI , ja que és l'estàndard de facto, independentment de si uses vLLM, SGLang o LocalAI. Finalment, entendre la diferència entre els formats de quantització (com Q4_K_M o Q8_0) et permetrà optimitzar la memòria RAM i la velocitat de resposta de les aplicacions.
La història de la computació ens ha ensenyat que les plataformes obertes que permeten la personalització massiva acaben vencent qualsevol proveïdor tancat, sense importar quants recursos tingui aquest últim. Estem vivint el moment Kubernetes de la intel·ligència artificial, on la capacitat d'executar models propis en infraestructura controlada torna la sobirania tecnològica als desenvolupadors ia les empreses.