Sakana AI و ۳۶۰ چین در برابر انحصار صادراتی Anthropic

اگر شما مدیر فنی یک شرکت توکیویی یا پکن هستید، دسترسی شما به پیشرفته‌ترین ابزارهای AI دیگر یک تصمیم فنی نیست، بلکه یک ریسک سیاسی است. تصور کنید یک شب از خواب بیدار شوید و متوجه شوید مدل‌های زیرساختی شما به‌دلیل یک دستور اجرایی در واشنگتن متوقف شده‌اند.

دقیقاً همین اتفاق در هفته‌های گذشته رخ داد. دولت آمریکا صادرات مدل‌های قدرتمند Anthropic، شامل Mythos و Fable 5 را برای کاربران غیرآمریکایی ممنوع کرد. این دستور صادراتی دو هفته پیش صادر شد و دسترسی غیرآمریکایی‌ها به این دو مدل را مسدود کرد. طبق گزارش رسانه‌ها، این اقدام خلأ استراتژیکی در بازار آسیا ایجاد کرد که دو شرکت منطقه‌ای سریعاً برای پر کردن آن وارد میدان شدند. این روند یادآور تلاش‌های گسترده‌تر برای دور زدن محدودیت‌هاست، چرا که مدل‌های بازمتن پیش‌تر توانسته‌اند اثربخشی این محدودیت‌های صادراتی آمریکا را کاهش دهند.

همان‌طور که در تحلیل قبلی ما درباره‌ی مسیرهای مالی آزمایشگاه‌های بزرگ AI اشاره کردیم، ارزش بازار بالا نمی‌تواند شرکتی را از نوسانات ژئوپلیتیک مصون بدارد. برای کسب‌وکارهای توکیو و پکن، ریسک دیگر صرفاً فنی نیست، بلکه رگولاتوری و قانونی است. در ۲۲ مه ۲۰۲۶، شرکت امنیت سایبری ۳۶۰ چینی مدل Tulongfeng را معرفی کرد تا مستقیماً با Mythos رقابت کند.

این چرخش سریع در حالی رخ می‌دهد که Anthropic رشد خیره‌کننده‌ای داشته است؛ به طوری که طبق اعلام خود شرکت، نرخ درآمدی (run-rate revenue) آن در مه ۲۰۲۶ به ۴۷ میلیارد دلار رسید. اما همین رشد، ناتوانی این شرکت در ارائه خدمات به سازمان‌های آسیایی را به فرصتی استراتژیک برای رقبای محلی تبدیل کرد.

در همان هفته، استارتاپ توکیویی Sakana AI مدل Fugu را عرضه کرد. نام این مدل از ماهی بادکنک ژاپنی گرفته شده است. اگرچه سخنگوی شرکت به TechCrunch گفته است که زمان عرضه «کاملاً تصادفی» بوده، اما وب‌سایت آن‌ها صراحتاً قابلیت‌های پیشرو را «بدون ریسک کنترل‌های صادراتی» تبلیغ می‌کند و از این زمان‌بندی به نفع خود بهره‌برداری می‌کند.

شرکت Sakana AI در سال ۲۰۲۳ توسط پژوهشگران سابق گوگل، یعنی رن ایتو، لیون جونز و دیوید ها، تأسیس شد. تمرکز آن‌ها بر ساخت هوش مصنوعی زاینده (Generative AI) — چیزی شبیه به یک آشپز که به‌جای یاد گرفتن تمام دستورهای دنیا، فقط روی غذاهای محلی تخصص می‌گیرد — است که با مجموعه‌داده‌های کوچک و بهینه برای زبان و فرهنگ ژاپن کار کند و مدل‌های مقرون‌به‌صرفه‌ای خلق نماید.

طبق مستندات Sakana AI، مدل Fugu یک مدل پیشرو است که ادعا می‌کند «شانه به شانه» مدل‌های Fable 5 و Mythos Preview می‌ایستد. ویژگی‌های کلیدی آن عبارتند از:

• هماهنگ‌سازی عامل‌ها (Agent Orchestration): طراحی شده به عنوان یک مدل هماهنگ‌ساز برای مدیریت دسترسی و استفاده از چندین مدل مختلف از طریق APIهای آن‌ها.
• بهینه‌سازی محلی: تنظیم دقیق برای زبان و فرهنگ ژاپنی با استفاده از داده‌های کوچک و کارآمد.
• پوشش ریسک صادرات: راهکاری برای دولت و کسب‌وکارهای ژاپنی تا قابلیت‌های پیشرو را به دست آورند و در عین حال مواجهه با کنترل‌های سخت‌گیرانه صادراتی آمریکا را کاهش دهند.

در مقابل، شرکت ۳۶۰ رویکردی تهاجمی‌تر داشت. آن‌ها علاوه بر Tulongfeng که برای شناسایی خودکار نقاط ضعف نرم‌افزاری است، ابزار Yitianzhen را معرفی کردند؛ ابزاری که برای اتوماسیون دفاع سایبری و پاسخ به حوادث امنیتی ساخته شده است. به نقل از گزارش رویترز، ژو هونگ‌یی، بنیان‌گذار ۳۶۰، شناسایی نقاط ضعف را یک «دارایی استراتژیک ملی» می‌داند. او به ریسک «شفافیت یک‌طرفه» اشاره کرد؛ سناریویی که در آن برخی بازیگران به قابلیت‌های پیشرفته شناسایی نقاط ضعف دسترسی دارند در حالی که دیگران محروم شده‌اند.

دیوید ها، مدیرعامل Sakana AI، در پلتفرم X استدلال کرد که تکیه بر یک تأمین‌کننده خارجی برای زیرساخت ملی، ریسکی غیرقابل‌پذیر است. او می‌گوید دسترسی به مدل‌های برتر می‌تواند «یک‌شبه غیب شود» و استدلال کرد که «هوش جمعی، پوششی عملی در برابر این تمرکز قدرت است».

ها مدل‌های «هماهنگ‌ساز» را مرز بعدی AI می‌داند که به‌جای صرفاً ساخت مدل‌هایی با پارامترهای بزرگتر، بر مدیریت مدل‌ها تمرکز دارند. این رویکرد محوریت ارزش Sakana AI است و پژوهش‌های مربوط به این متدولوژی در بهار سال جاری در کنفرانس ICLR ارائه شد.

رن ایتو، از بنیان‌گذاران Sakana AI، هفته گذشته در اجلاس G7 در اویان تلاش کرد لحن این روایت را تعدیل کند. او در یادداشتی در Project Syndicate از دولت آمریکا خواست اولویت خود را حفظ دسترسی برای نزدیک‌ترین متحدانش قرار دهد. او استدلال کرد که AI نباید فناوری‌ای باشد که «انبار شود»، بلکه باید فناوری‌ای باشد که «به‌صورت مشترک توسعه یابد».

این وضعیت هنوز یک بازآرایی کامل نیست، اما یک چرخش عملی است. جایگزین‌های محلی اکنون با مدل‌هایی که تفاوت‌های منطقه‌ای را بهتر از نسخه‌های آمریکایی-محور می‌فهمند، خلأهای موجود را پر می‌کنند. وقتی یک کسب‌وکار یک جایگزین محلی را در جریان کاری (stack) خود ادغام کند، هزینه بازگشت به تأمین‌کنندگان آمریکایی به‌شدت افزایش می‌یابد.

شرکت‌ها اکنون باید رصد کنند که آیا سایر آزمایشگاه‌های آمریکایی نیز با محدودیت‌های مشابهی روبرو می‌شوند یا خیر؛ چرا که این اتفاق انتقال به سمت زیرساخت‌های AI محلی و حاکمیتی در سراسر آسیا را تسریع خواهد کرد.

گام بعدی شما

• اگر از APIهای مدل‌های آمریکایی برای زیرساخت‌های حیاتی استفاده می‌کنید، یک استراتژی «خروج اضطراری» (Exit Strategy) طراحی کنید.
• مدل‌های تخصصی منطقه‌ای را که روی مجموعه‌داده‌های کوچک‌تر آموزش دیده‌اند، برای وظایف خاص‌تر بسنجید.
• تحریم‌های احتمالی روی سایر آزمایشگاه‌ها مثل OpenAI را رصد کنید تا سرعت انتقال به هوش مصنوعی حاکمیتی (Sovereign AI) را تخمین بزنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.