اگر امروز برای استفاده از مدلهای پیشرفته هزینه پرداخت میکنید، احتمالاً متوجه نشدهاید که در حال تولید رایگان هوش مصنوعی برای غولهای فناوری هستید. ساتیا نادلا، مدیرعامل مایکروسافت، ادعا میکند آزمایشگاههای هوش مصنوعی با یک تضاد آشکار، ارزش اقتصادی را در قبضهٔ خود نگه داشتهاند.
به نقل از پست وبلاگی نادلا در ۱۳ ژوئیه ۲۰۲۶، این شرکتها اجازه نمیدهند مدلهای کوچکتر از طریق تقطیر (Distillation) — شبیه به وقتی که یک استاد خبره، عصارهٔ دانش خود را در قالب نکات کلیدی به شاگردان منتقل میکند تا آنها هم سریع یاد بگیرند — از مدلهای بزرگتر بیاموزند، اما خودشان از دادههای عمومی کاربران تحت قانون «استفاده منصفانه» بهره میبرند. این بهرهبرداری گسترده از دادهها، چالشهای قانونی جدی ایجاد کرده است؛ چنانکه اخیراً طرحی در کنگره آمریکا برای ممنوعیت فروش دادههای حساس پزشکی کاربران چتباتها پیشنهاد شد تا حریم خصوصی کاربران در برابر مدلهای تجاری محافظت شود. همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، کنترل بر جریان داده همواره کلید قدرت در این صنعت بوده است.
طبق گزارش the-decoder.com، شرکتهایی مثل OpenAI و Anthropic صراحتاً تقطیر مدل را در شرایط خدمات خود ممنوع کردهاند؛ اقدامی که عمدتاً برای کند کردن پیشرفت شرکتهای چینی است. نادلا تأکید میکند که شرکتها عملاً دو بار هزینه پرداخت میکنند:
- هزینه مالی: پرداخت مستقیم برای دسترسی به API و اشتراکها.
- «پسماندهٔ داده»: اصلاحات، امتیازدهیها و الگوهای استفادهای که دانش داخلی شرکت مشتری را برای ارائهدهنده مدل فاش میکند.
این وضعیت را نادلا «پارادوکس معکوس اطلاعات» مینامد. در این مدل، کاربران با مصرف هوش مصنوعی، ناخودآگاه در حال خلق هوش برای ارائهدهنده هستند. اپراتور زیرساخت از این تعاملات میآموزد و میتواند محصولاتی رقیب بسازد، در حالی که شرکت تولیدکنندهٔ دانش اصلی، هیچ سودی از دادههایش نمیبرد. در همین راستا، برخی ارائهدهندگان خدمات وب برای مقابله با استخراج غیرقانونی دادهها اقدام کردهاند و برای نمونه، کلودفلر دسترسی خزندههای چندمنظوره هوش مصنوعی به صفحات تبلیغاتی را مسدود کرده است تا از دسترسی آزاد مدلها به محتوای تجاری جلوگیری کند.
این چرخش نشان میدهد نبرد برای سلطه بر AI از اندازهٔ مدلها به کنترل «حلقهٔ یادگیری» منتقل شده است. اکنون کسانی که زیرساخت را در اختیار دارند، هم مالک قدرت محاسباتی هستند و هم مالک هوش پالایششدهای که از رفتار کاربران استخراج شده است.
گام بعدی شما
- بررسی کنید آیا در قراردادهای API شما بندهای محدودکننده دربارهٔ استفاده از خروجیها برای آموزش مدلهای دیگر وجود دارد یا خیر.
- اگر حریم خصوصی دادههای سازمانی اولویت شماست، به جای مدلهای بسته، استقرار مدلهای وزنهای باز (Open Weights) را بررسی کنید.
- نظارت کنید که آیا ارائهدهندگان مدل در ماههای آینده برای پذیرش «حلقههای یادگیری خصوصی» امتیازاتی میدهند یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو