تصور کنید در دنیای نرمافزار، غولهایی که ابزار تولید میکنند حالا تصمیم گرفتهاند کلید دسترسی به موتورهای اصلی هوش مصنوعی را برای همه آزاد بگذارند. اگر شما مدیر محصول یا توسعهدهندهای هستید که روی زیرساختهای محلی کار میکنید، این نبرد سیاسی در واشینگتن مستقیماً روی هزینه و دسترسی شما به مدلها اثر میگذارد.
در ۲۴ جولای ۲۰۲۶، جنسن هوانگ که معمولاً بیشتر به خاطر کتهای چرمی و نمایش سودهای فصلی شناخته میشود، برای نخستین بار در شبکه اجتماعی X یک پست منتشر کرد. اما هدف این پست یک بهروزرسانی شخصی نبود، بلکه آغاز یک کمپین فشار استراتژیک بود. هوانگ در این پست، یک نامه سیاستی سهصفحهای را به اشتراک گذاشت که توسط انویدیا (NVIDIA)، متا (Meta)، مایکروسافت (Microsoft)، آیبیام (IBM) و ۲۱ شرکت دیگر امضا شده بود. استدلال اصلی این نامه این بود که مدلهای وزنباز (Open Weights) — یعنی مدلهایی که دستور پخت و پارامترهایشان علناً منتشر میشود، شبیه به یک دستور پخت غذا که هر کسی بتواند در آشپزخانه خودش آن را اجرا کند — برای حفظ رقابتپذیری ایالات متحده در سطح جهانی حیاتی هستند.
تنها در ۴۸ ساعت، این ائتلاف به ۵۰ امضاکننده رسید و غولهایی مثل گوگل (Google)، ایامدی (AMD)، سیسکو (Cisco) و کلودفلر (Cloudflare) به آن پیوستند. حتی سام آلتمن نیز علناً از این تلاش حمایت کرد و یان لکان پیام این گروه را برای میلیونها کاربر بازنشر کرد. مقیاس تعامل با این موضوع تکاندهنده بود؛ به طوری که بازنشر یک مطلب توسط سومیت چینتالا ۱۷۰ هزار لایک گرفت و به پرمخاطبترین مورد تعاملی آن روز در شبکه X تبدیل شد.
این جنبش در زمانی رخ میدهد که شکاف عملکردی بین مدلهای پیشرو (Frontier) باز و بسته، از ۶ تا ۹ ماه به تنها ۳ تا ۵ ماه کاهش یافته است. همانطور که در تحلیل قبلی ما دربارهی تأثیر SDKها بر مدیریت مدلهای مختلف اشاره کردیم، صنعت اکنون بر سر کنترل وزنهایی میجنگد که قلب تپنده این سامانهها هستند. هرچول در ظاهر، این نامه شبیه به یک بیانیهی مانیفست برای «باز بودن» است، اما اسناد افشای لابیگری که در همان هفته ثبت شدند، نشان میدهند که ما در واقع با یک جنگ ائتلافی بر سر این هستیم که چه کسی چارچوب رگولاتوری (قانونگذاری) برای اثرگذارترین فناوری پس از اینترنت را بنویسد.
برای درک ابعاد این ماجرا، اینترنت دهه ۹۰ میلادی را به یاد آورید. نبرد فعلی نه بر سر فلسفه «باز بودن»، بلکه بر سر این است که کدام مدلهای تجاری در برابر چارچوبهای قانونی آینده زنده میمانند. این یک بازی است که در آن شرکتها دور یک میز نشستهاند اما هر کدام از طرف مقابل بازی میکنند و منافع متضادی را دنبال میکنند.
انگیزههای ائتلاف وزنباز
این نامه ادعا میکند که محدود کردن مدلهای قابل دانلود به امنیت سایبری ضربه میزند، رقابتپذیری آمریکا را تضعیف میکند و قدرت را در دست چند فروشنده انحصاری متمرکز میسازد. اگرچه این استدلالها از نظر منطقی درست به نظر میرسند، اما بررسی ترکیب این ائتلاف نشان میدهد که امضاکنندگان بیشتر از آنکه دنبال یک ایدهآل خالص باشند، در حال دفاع از زنجیره تأمین خود هستند:
- انویدیا فروشنده GPU است؛ هر مدل وزنباز که دانلود شود، روی سرورهای محلی تنظیم دقیق (Fine-tuning) شود و مستقر گردد، نیاز به سختافزار این شرکت دارد.
- متا مدل لاما (Llama) را توزیع میکند زیرا این کار وابستگی به API رقبایش را از بین میبرد.
- مایکروسافت از وزنهای باز حمایت میکند چون ابر آژور (Azure) میزبان زیرساختهای لازم برای اجرای این مدلها است.
به گزارش فوربس، وزنهای باز «تنها لایهای هستند که تقریباً هیچکدام از امضاکنندگان در آن خندقی برای حفظ انحصار (Moat) ندارند». در حالی که آنها در این لایه فریاد «آزادی» میزنند، هر شرکت در جای دیگر حصارهای انحصاری خود را محافظت میکند: انویدیا CUDA را کنترل میکند، مایکروسافت آژور را در دست دارد و متا بر گراف اجتماعی (Social Graph) مسلط است. این یک ائتلافسازی عقلانی است؛ هر امضاکننده شناسایی کرده است که ساختار بازار «وزنباز»، همان چیزی است که درآمد او را به حداکثر میرساند.
جنگ سایهای لابیگری
در حالی که نامه مذکور تصویری از اجماع عمومی میسازد، اسناد فدرال مربوط به نیمه اول سال ۲۰۲۶ روایت کاملاً متفاوتی دارند. مکانیسم واقعی اثرگذاری نه یک فایل PDF، بلکه هزینههای رکوردشکن لابیگری در واشینگتن است. نامه، تئاتر است و پول، مکانیسم واقعی.
آنتروپیک (Anthropic) هزینههای خود را تقریباً سه برابر کرد و در ۶ ماه اول ۲۰۲۶، ۳.۵۳ میلیون دلار هزینه کرد که از کل بودجه سال ۲۰۲۵ آن (۳.۱ میلیون دلار) بیشتر است. اوپنایآی (OpenAI) نیز هزینه خود را در همین بازه زمانی تقریباً دو برابر کرد و به ۲.۲۲ میلیون دلار رساند. این دو آزمایشگاه مدلهای بسته در مجموع ۵.۷۵ میلیون دلار در شش ماه هزینه کردند تا سیاستهای هوش مصنوعی را به نفع خود شکل دهند.
در مقایسه با سرمایههای کلان آنها — ۲ میلیارد دلار برای آخرین دور سرمایهگذاری آنتروپیک و ۶.۶ میلیارد دلار برای اوپنایآی — این مبالغ از دید کاربران Hacker News شاید «پول خرد» به نظر برسد. با این حال، همین مبلغ است که معماری رگولاتوری را میخرد. گزارشها حاکی از آن است که این شرکتها از اسکات بسنت (وزیر خزانهداری) و مایکل کراتسیوس (مشاور کاخ سفید) خواستهاند تا دسترسی به مدلهای هوش مصنوعی را محدود کنند.
هزینه بالای «ایمنی»
تناقض اینجاست: دو نامی که در نامه وزنباز غایب بودند — آنتروپیک و آمازون (بزرگترین سرمایهگذار آنتروپیک) — بیشتر از مجموع اکثر امضاکنندگان نامه در واشینگتن هزینه کردهاند.
جرمی هوارد، بنیانگذار fast.ai، با اشاره به این تضاد از دولت خواست اجازه ندهد لابیگران دنیای متنباز را نابود کنند. او صراحتاً بیان کرد: «ما از شما نمیخواهیم که مدلهای آنتروپیک را متنباز کنید، فقط خواهش میکنیم لابی نکنید تا دولت دسترسی به مدلهای متنباز را ببندد.»
کاتالیزور چینی
اتفاقی که این ائتلاف را به حرکت درآورد، انتشار مدل کیمی کی۳ (Kimi K3) توسط شرکت مونشات ایآی (Moonshot AI) در ۲۱ جولای ۲۰۲۶ بود. این مدل با ۲.۸ تریلیون پارامتر، اکنون بزرگترین سیستم وزنباز موجود در جهان است. این مدل پس از انتشار، ۱۰۳۱ امتیاز در Hacker News گرفت و ۴۱۷ کامنت جذب کرد. ارزیابیهای blind arena نشان داد که این مدل در کارهای مربوط به کدنویسی فرانتاند از اکثر مدلهای آمریکایی پیشی میگیرد.
دادههای Polymarket این اختلال را تأیید میکند. مونشات در بنچمارک WebDev Arena با ۹۰٪ قیمتگذاری شده است، در حالی که برای عنوان «بهترین شرکت هوش مصنوعی چین» تنها ۱۱٪ سهم دارد (در حالی که Qwen علیبابا ۸۸٪ را در اختیار دارد). این فقط یک عرضه محصول نیست، بلکه جنگ استانداردهاست.
چین از وزنهای باز به عنوان یک ابزار ژئوپلیتیک استفاده میکند. شی جین پینگ در کنفرانس جهانی هوش مصنوعی، سازمان WAICO (سازمان همکاری جهانی هوش مصنوعی) را با مرکزیت شانگهای معرفی کرد. با اعضایی که از کشورهای بریکس (BRICS)، آسیا-پاسیفیک (ASEAN)، اتحادیه آفریقا و لیگ کشورهای عربی تشکیل شدهاند، پکن ظرفیت AI را به بیش از ۱۳۰ کشوری ارائه میدهد که توانایی ساخت سیستمهای خود را ندارند.
این یک پارادوکس استراتژیک برای آمریکا ایجاد میکند. طبق تحلیل ناتان لمبرت در Interconnects، آزمایشگاههای چینی به بهرهوری سرمایهای بهتری رسیدهاند؛ مونشات بهبود ۲.۵ برابری در بهرهوری کلی مقیاسپذیری نسبت به نسل قبل خود گزارش کرده است. محدود کردن وزنهای باز در آمریکا، چین را از توزیع آنها باز نمیدارد، بلکه فقط مانع دسترسی مدافعان آمریکایی به ابزارهایی میشود که برای مقابله با هوش مصنوعی چین نیاز دارند. همانطور که یان لکان استدلال کرد، مهاجمان در حال حاضر به AI پیشرو دسترسی دارند، بنابراین مدافعان به یک اکوسیستم AI پیشرو نیاز دارند که توسط جامعه جهانی تقویت شود.
اهرم ساختاری انویدیا
انویدیا بازی عمیقتری میکند. گزارش شده که این شرکت ۲۵۰ میلیارد دلار سفارش آتی و تضمین زیرساختی به شرکتهای آمریکایی از جمله اوپنایآی داده است.
با کنترل زنجیره تأمین محاسبات (Compute)، انویدیا میتواند صنعت را به سمت وزنهای باز سوق دهد. محدودیت در وزنها باعث میشود استنتاج (Inference) — یعنی لحظهای که مدل واقعاً جواب تولید میکند — در دست چند ارائهدهنده API متمرکز شود و در نتیجه بازار هدف برای سختافزار انویدیا کوچک شود. تصمیم جنسن هوانگ برای تبدیل این نامه سیاستی به اولین پست خود در X، نشان میدهد که این نبرد رگولاتوری، اولویتی استراتژیک در سطح هر چرخه محصول است.
پارادوکس تقطیر
منتقدان ائتلاف با حقیقتی تلخ روبرو هستند: محدود کردن وزنهای باز در آمریکا باعث حذف کیمی کی۳ از Hugging Face نمیشود. علاوه بر این، «پارادوکس تقطیر» (Distillation) به این معناست که APIهای مدلهای بسته پیش از این برای آموزش جایگزینهای وزنباز استفاده شدهاند. دانش پخش شده است و ممنوع کردن دانلودها در این مرحله، شبیه به ممنوع کردن دستگاههای کپی است، در حالی که اسناد قبلاً کپی شدهاند.
در حالی که استدلال ایمنی — مبنی بر این که وزنهای منتشر شده قابل بازگشت نیستند و میتوانند سوءاستفاده شوند — از نظر فنی درست است، اما از نظر استراتژیک ناقص است. هر محدودیتی در استفاده دفاعی از مدلهای پیشرو، مزیت نسبی مهاجمانی را که با هیچ محدودیتی روبرو نیستند، افزایش میدهد.
مسیر پیشرو
به نظر میرسد نتیجه نبردی بین سه تیم باشد:
- تیم وزنباز: انویدیا، متا، مایکروسافت، ایامدی، دل، آیبیام، پالانتیر، Hugging Face، a16z و Y Combinator. مدلهای تجاری آنها از استنتاج توزیعشده روی سختافزارهای معمولی و قوانینی که توزیع باز را مجاز میشناسد، سود میبرند.
- تیم مدلهای بسته: آنتروپیک (با ۳.۵۳ میلیون دلار هزینه در نیمه اول سال) و اوپنایآی (با ۲.۲۲ میلیون دلار هزینه در نیمه اول سال). مدلهای آنها وابسته به دسترسی API به عنوان کانال توزیع اصلی است و از الزامات ایمنی برای ایجاد موانع امتثالی استفاده میکنند.
- تیم چین: مونشات/کیمی کی۳، علیبابا/Qwen و DeepSeek. آنها تهدیدی خارجی ایجاد میکنند که استدلالهای تیم وزنباز را از نظر سیاسی پذیرفتنی میکند، در حالی که همزمان نگرانیهای امنیتی را میسازند که تیم مدلهای بسته برای توجیه محدودیتها از آنها استفاده میکند.
موضع اوپنایآی یک پوشش است: آنها نامه را امضا کردند (هزینه: صفر) تا ضد-متنباز به نظر نرسند، اما ۲.۲۲ میلیون دلار هزینه کردند (هزینه: پول خرد) تا قوانین را از طریق لابیگری شکل دهند. در واشینگتن، نامه هیچ قدرت قانونی ندارد، اما لابیگری دارد.
انتظار میرود چارچوبی ایجاد شود که nominally از وزنهای باز حمایت کند، اما بارهای سنگین امتثالی (Compliance) — مانند چارچوبهای مسئولیت مدنی و ارزیابیهای ایمنی — اضافه کند که فقط آزمایشگاههای ثروتمند بتوانند از پس آن برآیند. در همین راستا، کاخ سفید اخیراً رویکرد خود را تغییر داده و محدودیتهای هدفمند را برای مدلهای وزنباز چینی جایگزین ممنوعیت کلی کرد تا تعادلی بین امنیت و دسترسی برقرار کند. گزارش شده است که وزارت بازرگانی بررسی کرده است تا آزمایشگاههای چینی را به لیستهای تحریم اضافه کند، چارچوبهای مسئولیتی برای شرکتهای آمریکایی میزبان مدلهای چینی ایجاد کند و پیشنویس قوانین امنیت زنجیره تأمین را منتشر کند. هزینههای لابیگری دقیقاً برای تأثیرگذاری بر این است که کدام یک از این رویکردها پیروز شود.
پکن احتمالاً توزیع مدلهای باز را برای ایجاد وابستگی در کشورهای جنوب جهانی تسریع میکند و استراتژی آمریکا در گسترش اینترنت دهه ۹۰ را تکرار میکند. در مقابل، آمریکا احتمالاً تمرکز خود را به جای محدود کردن وزنها، روی کنترل شدیدتر صادرات سختافزار متمرکز خواهد کرد. اینجاست که انویدیا بیشترین مواجهه و انگیزه را دارد؛ دفاع از وزنهای باز، تقاضا برای GPU را بالا میبرد، حتی در حالی که شرکت محدودیتهای موجود در لیست تحریمها برای صادرات تراشه به چین را میپذیرد.
گام بعدی شما
- اگر توسعهدهنده هستید، مدلهای وزنباز جدید (مانند Kimi K3) را روی سختافزار محلی تست کنید تا وابستگی به APIهای گرانقیمت را بسنجید.
- تغییرات در قوانین صادرات سختافزاری آمریکا را دنبال کنید، زیرا این نقطه حساس تلاقی سیاست و تکنولوژی است.
- تحلیلهای مربوط به «تقطیر مدل» را مطالعه کنید تا بفهمید چگونه مدلهای کوچک از مدلهای غولپیکر یاد میگیرند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو