Прежде чем развернуть нейросеть на собственном сервере, стоит выяснить, на каких условиях её можно использовать. В ИИ лицензия — это не формальность, а часть технической архитектуры проекта: она определяет, что вы вправе делать с кодом сети, с её весами, с обучающим датасетом и с тем контентом, который модель генерирует. Классическое программное обеспечение обычно лицензируется только как код, а здесь объектов регулирования несколько, и именно из-за этого возникает путаница. Open Source (открытый исходный код), Open Weights (открытые веса модели) и Open Science (открытые исследовательские статьи и данные) — три разных понятия, и непонимание разницы между ними способно погубить проект ещё на старте. Ниже специалисты «СервакМастер» разбирают, чем отличаются открытые и проприетарные лицензии, какие ограничения они накладывают и что выбрать под разные задачи.
Классические open-source лицензии: Apache 2.0 и MIT
Apache 2.0 и MIT появились задолго до бума глубокого обучения и создавались для библиотек, фреймворков и приложений, то есть для кода, написанного человеком. Эпоха ИИ сместила акцент: теперь лицензируют веса модели — огромные массивы чисел, полученные автоматизированным обучением на данных. Тем не менее обе лицензии остаются очень популярными, особенно в инфраструктурных проектах и у авторов, которые хотят распространять модель максимально свободно.
Apache 2.0
Лицензию разработал Apache Software Foundation, принята она в 2004 году. Сегодня это де-факто основной стандарт серьёзных open-source проектов, в том числе ключевых ИИ-фреймворков вроде TensorFlow и PyTorch. Её сила — баланс между свободой использования и юридической защитой.
Что требуется от пользователя:
- сохранять уведомления об авторских правах и текст лицензии во всех копиях;
- указывать существенные изменения, внесённые в исходный код.
Главное преимущество для коммерческих компаний — патентная оговорка. Каждый, кто вносит код в проект под этой лицензией, автоматически предоставляет пользователям безвозмездную лицензию на свои патенты, задействованные в этом коде. Так вы защищены от ситуации, когда внедрили модель, а потом получили патентный иск от одного из её соавторов. Модель под Apache 2.0 можно свободно использовать, изменять, распространять и встраивать даже в полностью проприетарный коммерческий продукт, не публикуя собственный код.
MIT (Expat)
MIT, она же Expat, — пожалуй, самая либеральная и простая для понимания лицензия. Она появилась в 1998 году, а её смысл укладывается в принцип: делайте что хотите, только не удаляйте копирайт и не предъявляйте претензий, если что-то пойдёт не так. Минимализм и отсутствие сложных условий делают MIT любимицей индивидуальных разработчиков и стартапов, которым нужно быстро распространить модель или библиотеку без юридических барьеров.
У простоты есть цена:
- В отличие от Apache 2.0, в MIT нет явной патентной оговорки. Если при создании модели применялись запатентованные технологии, правообладатели могут предъявить иск разработчикам коммерческих продуктов на её основе. Для большинства проектов риск невелик, но крупные корпорации нередко перестраховываются и выбирают Apache 2.0.
- Рискует и сам автор: выложив модель под MIT, он практически лишается рычагов, чтобы помешать конкурентам сделать форк, построить на нём проприетарный продукт и не делиться улучшениями.
Специализированные лицензии для ИИ: семейство RAIL
Классические лицензии плохо подходят для регулирования коммерческих, этических и социальных рисков, связанных с ИИ-моделями. Поэтому в 2019 году сообщество предложило семейство RAIL (Responsible AI Licenses). Оно делится на две ветви: собственно RAIL (проприетарные, с ограничениями) и Open RAIL (открытые, но с ограничениями ответственности).
Ключевая идея — модульность. Буквенные маркеры показывают, на что распространяются ограничения:
| Маркер | Что охватывает |
|---|---|
| M (Model) | веса, чекпоинты и сама модель |
| S (Software) | исходный код и скрипты обучения |
| D (Data) | наборы данных |
| A (Application) | приложения, использующие модель |
Комбинируя маркеры, автор точно задаёт область действия правил ответственного использования.
CreativeML Open RAIL-M
Эта лицензия стала знаковой, потому что впервые была применена при выпуске Stable Diffusion — модели, запустившей революцию в генерации изображений. Она допускает практически любое использование, включая коммерческое, но содержит чёткий перечень запретов: нельзя создавать незаконный, вредоносный, дискриминационный контент и нарушать права человека.
Важнейшее условие — наследование ограничений. Если вы дообучаете модель (делаете LoRA-адаптацию или новый чекпоинт), производную работу нужно распространять под той же Open RAIL-M с сохранением исходного списка запретов. Получается «вирусный» эффект, но не для кода, а для этических норм.
BigScience Open RAIL-M
Лицензия появилась в рамках проекта BLOOM и идёт дальше: ограничения детальнее и строже, особенно в чувствительных сферах — медицинские и финансовые рекомендации, подготовка юридических документов, вмешательство в государственное управление. Цель — не допустить применения мощных языковых моделей там, где ошибки ведут к серьёзному ущербу, без должного контроля и ответственности разработчика конечного продукта.
Open RAIL++ (Plus Plus)
Эта модификация распространена среди таких моделей, как Llama* и Mistral. Она сохраняет все этические ограничения Open RAIL и добавляет коммерческий компонент, часто завязанный на масштаб использования. Например, модель бесплатна для исследований, стартапов и компаний с доходом ниже порога (допустим, $1 млн в месяц). После превышения порога требуется коммерческое соглашение и выплата роялти. Это гибрид: открытость для сообщества плюс возможность монетизации в крупных корпоративных продуктах.
Проприетарные (закрытые) лицензии
На противоположном полюсе — полностью закрытые схемы, которые доминируют в коммерческом ИИ высшего эшелона. Их несколько разновидностей.
«Чёрный ящик» (SaaS / Cloud-only)
Так работают OpenAI (GPT), Anthropic (Claude Sonnet/Opus) и Google (Gemini). Доступ даётся только через API или веб-интерфейс; ни код, ни архитектура, ни веса не раскрываются. Соглашение запрещает обратную разработку, декомпиляцию и использование выходных данных для обучения конкурирующей системы — этот процесс называют дистилляцией. Права на сгенерированный контент обычно остаются у пользователя, но провайдер часто оставляет за собой право использовать промпты и ответы для улучшения своих систем, если вы не оплатили опцию отключения.
Коммерческая лицензия на использование (Commercial SDK / On-premise)
Здесь продаётся не доступ к API, а сами веса — для установки на инфраструктуру заказчика. Решение дорогое и рассчитано на корпорации с особыми требованиями к безопасности, конфиденциальности данных или задержкам. Обычно предполагается единовременный платёж либо регулярные роялти. Ограничения жёсткие: нельзя переупаковывать и перепродавать модель как отдельный продукт, передавать субподрядчикам, использовать в приложениях, не оговорённых в контракте. Нередко лицензия привязана к конкретной версии, и за обновления придётся платить снова.
«Только для ознакомления» (Evaluation / Research License)
Стратегия небольших компаний, которые хотят привлечь внимание сообщества и показать качество модели, но не готовы разрешить свободную коммерциализацию. Веса публикуются, однако использовать их юридически можно только для некоммерческих исследований, экспериментов и бенчмарков. Любая интеграция в коммерческий продукт, даже с косвенной монетизацией через рекламу, требует отдельной лицензии. Возникает серая зона: контролировать соблюдение таких условий крайне трудно.
«Условно-бесплатная» (Limited Commercial / Tiered)
Этот гибридный подход популяризировали модели вроде Llama* от Meta. Скачивать, использовать и даже модифицировать модель можно бесплатно, но с оговорками. Бесплатный режим действует лишь до определённого масштаба — например, пока у сервиса меньше 700 миллионов активных пользователей или доход ниже установленного порога. После пересечения рубежа нужно обратиться к правообладателю за коммерческой лицензией. Часто также запрещено использовать имя исходной модели (например, «Llama») в названии своего продукта, чтобы не вводить рынок в заблуждение.
Сравнительная таблица
| Лицензия | Можно коммерциализировать? | Можно модифицировать? | Есть ограничения? | Патентная защита? | Примеры моделей |
|---|---|---|---|---|---|
| Apache 2.0 | Да | Да | Нет | Да | Qwen 3, Gemma 3, GPT-OSS, Whisper |
| MIT | Да | Да | Нет | Нет | Phi-4, DeepSeek R1, GLM-4.7 |
| Open RAIL | Да, с ограничениями | Да | Да (пороги по доходу / пользователям) | Нет | Stable Diffusion XL, Llama 4*, Mistral 3, Stable Video Diffusion |
| Коммерческая лицензия на использование | Нет | Да | Да (только исследования) | Нет | Nemotron-3, Mistral 3 Large |
| Только для ознакомления | Да, с ограничениями | Да | Да (пороги по доходу / пользователям) | Нет | BLOOM, Grok-1 |
| SaaS-only | Да (через API) | Нет | Да | Да | GPT-5, Claude Sonnet/Opus, Gemini 3 |
| Условно-бесплатные | Да (по контракту) | Нет | Да | Да | Stable Diffusion XL, Llama* 3.1 |
Какую лицензию выбрать: сценарии
- Стартап с проприетарным продуктом. Лучший вариант — модель под Apache 2.0: минимум юридических рисков, прежде всего патентных. Если риски приемлемы, подойдут MIT или Open RAIL-M (при условии, что сфера применения не попадает под запреты).
- Академический исследователь. MIT, Apache 2.0 или исследовательская лицензия дают максимум свободы для экспериментов. Open RAIL-M тоже хороша, если работа не противоречит её этическим нормам.
- Крупная корпорация. Для пилотов — Apache 2.0 или условно-бесплатные лицензии. Для масштабного продакшена с высокими требованиями к надёжности и поддержке — проприетарные SaaS или on-premise.
- Автор open-source проекта. Чтобы добиться максимального распространения и вклада сообщества — MIT. Чтобы защитить участников и пользователей от патентных исков — Apache 2.0. Чтобы закрепить этические стандарты — Open RAIL-M.
Юридические тонкости и серые зоны
Лицензирование ИИ полно неоднозначностей. Первый вопрос: распространяется ли лицензия модели на данные, на которых она обучалась? Как правило, нет. Лицензия на веса и лицензия на обучающий датасет — разные документы. Модель может быть открытой, а данные остаются коммерческой тайной, что ставит под сомнение возможность полностью воспроизвести обучение.
Второй сложный момент — «наследование» при дообучении. Допустим, вы взяли модель под Apache 2.0 и дообучили на своих данных: новые веса считаются производной работой. Apache 2.0 не требует их открывать, но обязывает сохранить уведомления об исходной лицензии. С Open RAIL-M строже: дообученную модель нужно распространять под той же лицензией.
В целом заметен тренд на ужесточение: от полной свободы MIT и Apache мир движется к условной открытости RAIL и к полностью контролируемым проприетарным схемам. Возникает напряжение между стремлением к открытым инновациям и необходимостью управлять рисками и монетизацией.
Практический вывод для владельцев серверов
Если вы планируете запускать модели на собственном оборудовании, лицензия напрямую влияет на выбор схемы: открытые веса (Apache 2.0, MIT) можно разворачивать локально без привязки к облаку, тогда как SaaS-модели такой возможности не дают, а on-premise лицензия требует отдельного договора. Подобрать сервер под нужную модель и задачу поможет команда «СервакМастер»: загляните в раздел серверов или ИИ-серверов, а за расчётом конфигурации обращайтесь через контакты.
Выводы
Эволюция лицензий на ИИ — это путь от полной открытости к стратегически управляемой доступности. Мы прошли от открытости исходного кода (Apache/MIT) через открытость весов с этическими ограничениями (Open RAIL) к открытости лишь интерфейса доступа (проприетарные API). Выбор лицензии сегодня — не техническая формальность, а стратегическое, а порой и этическое решение: оно определяет, какое сообщество сформируется вокруг модели, как её будут применять и кто сможет на ней зарабатывать.
*LLAMA — проект Meta Platforms Inc.**, деятельность которой в России признана экстремистской и запрещена.
**Деятельность Meta Platforms Inc. в России признана экстремистской и запрещена.