# 421 open source AI-инструмент в одной карте — как читать и использовать Gap Map от Current AI
Каноническая страница: https://plainews.ru/posts/open-source-ai-gap-map-guide
Опубликовано: 2026-07-05T07:01:06.665Z

Current AI выпустила карту пробелов open source AI: 421 продукт, 85 моделей, 50 датасетов. Как читать карту и работать с сырыми данными на GitHub.
Current AI опубликовала Gap Map v0.1 — структурированный срез всего open source AI-стека. Если вы выбираете инструменты для пайплайна, ищете белые пятна для нового продукта или просто хотите понять, что вообще существует за пределами PyTorch и Hugging Face, — это самый подробный публичный реестр на сегодня.

---

## Кто сделал карту и зачем ей доверять

Current AI — некоммерческая организация, основанная в феврале 2025 года на AI Action Summit в Париже. За ней стоят $400 млн уже подтверждённого финансирования и участие экспертов из Columbia Convening, Hugging Face и Mozilla Open Fund. Цель — «публичная опция для ИИ»: не очередной стартап, а инфраструктурный проект.

Gap Map строился на базе работы сообщества, а не маркетинговых опросов. Это важно: карта показывает не то, что громко пиарится, а то, что реально используется и поддерживается. Версия 0.1 — живой документ, он будет обновляться.

---

## Что внутри: цифры и структура

Версия 0.1 покрывает **421 продукт в глубину**:

- 266 программных инструментов и библиотек
- 85 моделей
- 50 датасетов
- 20 аппаратных проектов

Всё это создано **228 организациями** и разбито на **14 категорий** в трёх слоях стека:

| Слой | Что включает | |---|---| | Model Components | веса, датасеты, методы обучения | | Product / UX | интерфейсы, агенты, инструменты для конечного пользователя | | Infrastructure | инференс, оркестрация, мониторинг, железо |

Помимо 421 детально описанного продукта, карта отслеживает ещё **24 400 артефактов** — это «длинный хвост» экосистемы без оценок и категорий. Они попадут в основной индекс по мере исследования.

---

## Где смотреть: веб-интерфейс и сырые данные

**Веб-карта** доступна на сайте Current AI. Там можно фильтровать по слою стека, категории и степени открытости. Удобно для первого знакомства.

**Сырые данные** — интереснее. Репозиторий `currentai-org/os-ai-map` на GitHub содержит:

`` os-ai-map/ ├── data/          # 1184 YAML-файла с описанием продуктов ├── notebooks/     # Jupyter-ноутбуки для сбора и обработки ├── schemas/       # JSON-схемы структуры данных └── scripts/       # Вспомогательные скрипты ``

Лицензия — **MIT**. Можно брать, форкать, встраивать в свои инструменты без ограничений.

---

## Как работать с данными: три практических сценария

### 1. Быстрый просмотр через Datasette Lite

Simon Willison (автор Datasette) уже подготовил точку входа: **16 185 GitHub-репозиториев**, которые отслеживает проект, доступны как CSV в Datasette Lite прямо в браузере — без установки чего-либо. Открываете ссылку, фильтруете, сортируете по звёздам или дате последнего коммита.

Это самый быстрый способ понять масштаб и найти малоизвестные инструменты в нужной категории.

### 2. Локальный анализ YAML-файлов

Если нужно работать с данными программно — клонируете репозиторий и разбираете YAML:

``bash git clone https://github.com/currentai-org/os-ai-map.git cd os-ai-map ``

Каждый YAML-файл описывает один продукт. Структура фиксирована схемой из папки schemas/. Пример быстрого парсинга на Python:

```python import yaml import pathlib

data_dir = pathlib.Path("data") products = []

for f in data_dir.glob("**/*.yaml"):     with open(f) as fh:         products.append(yaml.safe_load(fh))

# Фильтруем только модели

models = [p for p in products if p.get("type") == "model"] print(f"Моделей: {len(models)}") ```

### 3. Поиск пробелов для нового продукта

Gap Map задумывался именно для этого. Логика простая:

1. Выбираете слой стека, который вас интересует (например, Infrastructure → Monitoring).
2. Смотрите, какие продукты там есть и насколько они «открыты» по шкале проекта.
3. Категории с малым числом продуктов или низкими оценками открытости — потенциальные точки для вклада или нового инструмента.

Особенно показательны **аппаратные проекты**: их всего 20, и это слой, где open source AI пока слабее всего.

---

## Где карта ломается

**Длинный хвост без оценок.** 24 400 артефактов без категорий — это не баг, а честное признание масштаба задачи. Но если ваш инструмент попал в этот хвост, он невидим для тех, кто пользуется картой для принятия решений.

**Версия 0.1 — это снимок, а не поток.** На момент публикации данные актуальны, но AI-экосистема меняется быстро. Насколько регулярно будут выходить обновления — пока неизвестно. Следите за репозиторием.

**Субъективность оценки открытости.** Степень «открытости» продукта — составная метрика. Два проекта с одинаковой лицензией MIT могут получить разные оценки из-за закрытых данных обучения или проприетарных зависимостей. Стоит смотреть на детали, а не только на итоговый балл.

**Аппаратный слой слабо покрыт.** 20 проектов — это очень мало для полноценного анализа. Если вы работаете с edge-инференсом или кастомным железом, карта даст лишь общее направление.

---

## Что попробовать дальше

- Зайти в Datasette Lite и отфильтровать репозитории по категории, которая вас интересует — это займёт 5 минут и даст неожиданные находки.
- Склонировать os-ai-map и написать скрипт, который строит сравнительную таблицу инструментов для вашего конкретного слоя стека.
- Если вы разрабатываете open source AI-инструмент — проверить, есть ли он в карте, и при необходимости отправить PR с YAML-файлом.
- Следить за обновлениями репозитория: проект живой, и v0.2 с заполненным длинным хвостом будет значительно полезнее.

## Источники

- Simon Willison: Open Source AI Gap Map