تحلیل جناییِ وزن‌های عمومیِ شش مدل پیشرو چینی منتشرشده از آوریل ۲۰۲۶ الگوهای عددی را آشکار کرد که تنها با سخت‌افزار بلک‌ول (Blackwell) انویدیا (NVIDIA) قابل بازتولید هستند. این نخستین مدرک فنی قابل‌بررسی است که ادعاهای طولانی‌مدت مقامات آمریکایی و گزارش‌های خبری درباره استفاده آزمایشگاه‌های چینی از تراشه‌های محدودشده را از سطحِ اتهام به سطحِ شواهد فنی می‌کشاند.
کنترل صادرات تراشه‌های پیشرفته از اکتبر ۲۰۲۲ تدوین شد تا جریان محاسباتِ پیشرو به چین مهار شود. با این حال شرکت‌هایی چون دیپ‌سیک (DeepSeek)، Moonshot AI، مینی‌مکس (MiniMax) و انت گروپ (Ant Group) مدل‌هایی منتشر کرده‌اند که در بنچمارک‌های جهانی رقیبِ سیستم‌های غربی‌اند. تا پیش از این گزارش، اتهاماتِ استفاده از بلک‌ول فاقد «اثر انگشت فنی» در فایل‌های عمومی مدل بودند؛ اکنون وزن‌های منتشرشده خودِ آن اثر انگشت را حمل می‌کنند.
زمینه: چرا این یافتن مهم است
مرزهای کنترل صادرات آمریکا بر تراشه‌های پیشرفته گرافیکی از اکتبر ۲۰۲۲ تشدید شدند تا دسترسی چین به محاسبهِ مرزی (frontier compute) محدود بماند. انویدیا تراشه‌های هاپر (Hopper) و بلک‌ول (Blackwell) را در فهرست کالاهای کنترل‌شده قرار داد. مقامات آمریکایی و گزارش‌های خبری مدعی بودند که دیپ‌سیک و Moonshot AI از بلک‌ول استفاده می‌کنند، اما تا کنون هیچ مدرک فنی عمومی برای بازبینی وجود نداشت. این گزارش آن خلأ را پر می‌کند: وزن‌های مدل‌های عمومی اکنون قابل تست‌اند و هر محققی می‌تواند الگوهای عددی را بررسی کند.
شرکت‌های مورد بررسی بازیگران اصلی مسابقه جهانی هوش مصنوعی شده‌اند. دیپ‌سیک، Moonshot AI، مینی‌مکس و انت گروپ مدل‌هایی منتشر می‌کنند که پذیرش توسعه‌دهندگان، مقایسه‌های بنچمارک و فرضیات درباره محاسبه در دسترس آزمایشگاه‌های چینی را شکل می‌دهند. اگر جدیدترین مدل‌ها با سخت‌افزار محدودشده ساخته شده باشند، پیامدهای دوگانه برای سیاست تکنولوژی و رقابت بازار دارد.
جزئیات تحلیل و مدل‌های مورد بررسی
- شش مدل از آوریل ۲۰۲۶ الگوهای بلک‌ول نشان می‌دهند: دیپ‌سیک-وی۴-فلش (DeepSeek-V4-Flash)، کیمی کی۳ (Kimi K3)، و چهار مدل دیگر از مینی‌مکس و انت گروپ.
- مدل‌های قبلی همین شرکت‌ها با نسل هاپر (Hopper) انویدیا هم‌سو بودند؛ تغییر ناگهانی الگو از آوریل ۲۰۲۶ به بعد روی می‌دهد.
- محققان مقادیر اولیه نهان در وزن‌ها (initialization fingerprints) را استخراج کردند و پیکربندی‌های سخت‌افزاری را جستجو کردند که بتوانند آن مقادیر را بازتولید کنند.
- برای دیپ‌سیک-وی۴-فلش و کیمی کی۳ تطابق روی تراشه‌های بلک‌ول فیزیکی نیز تأیید شد.
- تنها جایگزین فنی شناسایی‌شده: سخت‌افزار AMD به‌صورت خاص پیکربندی‌شده که نیز تحت کنترل صادرات است؛ این گزینه برای دیپ‌سیک-وی۴-فلش رد شده و برای پنج مدل دیگر «بسیار نامحتمل» ارزیابی شده.
- گزارش مکان فیزیکی تراشه‌ها، روش دسترسی (خرید مستقیم، خدمات ابری، واسطه‌ها) و نقض قانونی کنترل صادرات را تعیین نمی‌کند؛ تنها «سازگاری عددی» را مستند می‌سازد.
مکانیزم اثر انگشت سخت‌افزاری
آموزش مدرن هوش مصنوعی زاینده (Generative AI) شامل میلیاردها عملیات عددی است؛ ترتیّب دقیق عملیات، دقت محاسبه (precision)، و رفتار واحد پردازش گرافیکی (GPU) می‌تواند امضای آماری ظریف در وزن‌های نهایی بگذارد. محققان وزن‌های منتشرشده را با پیکربندی‌های کاندیدا مقایسه کردند — نه بنچمارک‌های عملکردی، بلکه الگوهای اولیه‌سازی و دقت ترکیبی (mixed precision). این روش استنتاج (inference) از سخت‌افزار به وزن را ممکن می‌سازد، هرچند «دست‌کم‌گناه» (smoking gun) نیست.
هسته فنی گزارش ایده است که وزن‌های مدل می‌توانند ردی از سخت‌افزار استفاده‌شده در ایجادشان را حمل کنند. آموزش هوش مصنوعی مدرن شامل عملیات عددی فراوان است و توالی دقیق عملیات می‌تواند امضاهای آماری ظریف بگذارد. وقتی محققان وزن‌های منتشرشده را بازبینی می‌کنند، گاهی می‌توانند جزئیات درباره اولیه‌سازی، دقت و رفتار سخت‌افزار استنتاج کنند. این جزئیات در بنچمارک‌های معمولی قابل مشاهده نیستند. آن‌ها نیازمند مقایسه دقیق بین مدل منتشرشده و پیکربندی‌های کاندیدای سخت‌افزاری هستند.
گزارش می‌گوید شش مدل منتشرشده از آوریل ۲۰۲۶ الگوهای عددی مطابق با سخت‌افزار بلک‌ول دارند. مدل‌های پیشین همان شرکت‌ها با نسل قدیمی‌تر هاپر انویدیا هم‌سو بودند. این تغییر مهم است چون تغییر در محیط سخت‌افزاری مورد استفاده آزمایشگاه‌ها را نشان می‌دهد. همچنین مشارکت می‌کند که دسترسی ممکن است با وجود کنترل‌های مقصود برای محدود کردن جریان تراشه‌های پیشرفته گسترش یافته باشد. نویسندگان ادعا نمی‌کنند که هر مرحله آموزش از بلک‌ول استفاده کرده، تنها اینکه شواهد به مشارکت بلک‌ول در ایجاد مدل‌های منتشرشده اشاره دارد.
تمایز بین ایجاد و آموزش محوری است. اثر انگشت نحوه ایجاد وزن‌ها را شناسایی می‌کند و استنتاج را که بلک‌ول آموزش را نیز انجام داده تقویت می‌کند. اما گزارش اثبات نمی‌کند که هر مرحله خط لوله آموزش روی آن تراشه‌ها استوار بوده. ممکن است برخی کار روی سیستم‌های دیگر انجام شده باشد، یا سخت‌افزار در فازهای محدود استفاده شده باشد. با این حال، حضور امضاهای بلک‌ول در وزن‌های نهایی منتشرشده مهم است چون پیوند مستقیم بین سخت‌افزار محدودشده و مصنوعات عمومی مدل را نشان می‌دهد.
تحلیل: پیامدها برای سیاست، رقابت و اجرا
یافته‌ها سه لایه اثر متقابل دارند. اول، ابزار اجرا: سیاست‌گذاران اکنون یک «مدرک فنی عمومی» دارند که می‌تواند پایه پرونده‌های اجرا شود، فراتر از گزارش‌های مخابراتی یا گمرکی. دوم، رقابت محاسباتی: اگر آزمایشگاه‌های چینی به بلک‌ول دسترسی داشته باشند، شکاف زمان‌برسانی با رهبران غربی تنگ‌تر می‌شود — مهم برای سرمایه‌گذاران و خریداران مدل. سوم، مسئولیت شرکت‌ها: انتشار مدل‌های پیشرو اکنون به‌معنای انتشارِ شواهد احتمالی سخت‌افزار است؛ سکوت می‌تواند تکهنات را تشدید کند، در حالی که تکذیب مفصل ممکن است جزئیات عملیاتی حساس را فاش سازد.
محدودیتِ روش هم روشن است: انطباق عددی نمی‌تواند کل زنجیره تأمین یا مکان دقیق محاسبه را فاش کند. محققان خود «استنتاج قوی، نه اثبات قطعی» را اعلام کرده‌اند. این احتیاط ضروری است چون منازعات کنترل صادرات اغلب با اطلاعات طبقه‌بندی‌شده و سوابق ناقص روبرو هستند.
گزارش همچنین دشواری اجرای کنترل صادرات در بازار جهانی هوش مصنوعی را برجسته می‌کند. تراشه‌های پیشرفته در زنجیره‌های تأمین پیچیده، خدمات ابری و همکاری‌های تحقیقاتی نهفته‌اند. وقتی سخت‌افزار وارد یک کشور شود، ردیابی کاربرد دقیق آن دشوار است. وزن‌های مدل یکی از معدود پنجره‌های عمومی به آن فرآیند است. چون فایل‌ها به‌صورت باز منتشر می‌شوند، محققان می‌توانند فرضیات را بدون تکیه بر داده‌های مخفی دولت تست کنند. این یافتن‌ها برای سیاست‌گذارانی که مدرکی فراتر از گزارش‌های خبری نیاز دارند، به‌ویژه ارزشمند است.
یافتن‌ها ممکن است بازبینی آزمایشگاه‌های هوش مصنوعی چینی و تأمین‌کنندگان سخت‌افزاری آن‌ها را تشدید کند. شرکت‌هایی که مدل‌های پیشرو منتشر می‌کنند تحت فشارند تا توضیح دهند محاسبه مورد نیاز آموزش را چگونه تأمین کرده‌اند. اگر تراشه‌های محدودشده درگیر باشند، مسئله نه تنها فنی بلکه قانونی و ژئوپلیتیک می‌شود. گزارش از اتهام‌گذاری خودداری می‌کند، اما محققان را با یک نقطه آغاز ملموس روبرو می‌سازد. آن یک اتهام گسترده را به یک ادعای فنی قابل تست تبدیل می‌کند که می‌توان بررسی، چالش یا تکمیل کرد.
برای صنعت هوش مصنوعی، گزارش تأکید می‌کند که دسترسی به سخت‌افزار چگونه می‌تواند مزیت رقابتی شکل دهد. توسعه مدل پیشرو به محاسبه عظیم وابسته است و حتی تفاوت‌های کوچک در در دسترس بودن تراشه می‌تواند بر برنامه‌های زمانی اثر بگذارد. اگر آزمایشگاه‌های چینی بتوانند از سخت‌افزار کلاس بلک‌ول با وجود محدودیت‌ها استفاده کنند، ممکن است شکاف با توسعه‌دهندگان پیشرو غربی را بکاهند. این امکان پیامدهای بزرگ برای سرمایه‌گذاران، مشتریان و دولت‌ها دارد. همچنین سوال می‌کند که آیا کنترل‌های فعلی برای کند کردن گسترش قابلیت‌های پیشرفته هوش مصنوعی کافی هستند.
روش گزارش بر تطابق الگوهای عددی نه بررسی دستگاه‌های فیزیکی استوار است. این امر آن را قدرتمند اما محدود می‌کند. یک تطابق می‌تواند نشان دهد که وزن‌های مدل با یک تنظیم خاص سخت‌افزاری سازگارند، اما همیشه نمی‌تواند ثابت کند کدام تاسیسات محاسبات را اجرا کرده. نویسندگان این عدم قطعیت را می‌پذیرند. آن‌ها شواهد را به اندازه‌ای قوی برای استنتاج توصیف می‌کنند، نه برای حل هر سوال واقع‌بینانه. این چارچوب احتیاطی مهم است چون منازعات کنترل صادرات اغلب شامل اطلاعات طبقه‌بندی‌شده و سوابق ناقص است.
گزارش همچنین به یک روند گسترده‌تر در تحقیقات هوش مصنوعی اشاره می‌کند: جنایی‌شناسی سخت‌افزاری در حال تبدیل شدن به ابزاری عمومی است. با شفاف‌تر شدن انتشار مدل‌ها، محققان می‌توانند از فایل‌های باز برای مطالعه زیرساخت پشت آن‌ها استفاده کنند. این یک شکل جدید از پاسخگویی ایجاد می‌کند. به جای انتظار برای افشاهای رسمی، تحلیلگران مستقل می‌توانند ادعاهای درباره محاسبه، روش‌های آموزش و دسترسی به سخت‌افزار را تست کنند. این رویکرد ممکن است رایج‌تر شود چون دولت‌ها و شرکت‌ها راه‌هایی برای تأیید بیانیه‌های درباره توسعه پیشرفته هوش مصنوعی می‌جویند.
یافتن‌ها می‌تواند بر نحوه طراحی کنترل‌های آینده توسط دولت‌ها اثر بگذارد. اگر وزن‌های مدل بتوانند استفاده از سخت‌افزار را فاش کنند، سیاست‌گذاران ممکن است انتشارهای عمومی را به عنوان مدرک در پرونده‌های اجرا در نظر بگیرند. آن‌ها ممکن است همچنین افشای بیشتری از شرکت‌های درخواست‌کننده فعالیت در بازارهای حساس بخواهند. در عین حال، گزارش نشان می‌دهد که مدرک فنی می‌تواند مبهم باشد. می‌تواند شک را تقویت کند بدون پرونده قانونی کامل ارائه دهد. این تنش احتمالاً بحث‌های بر سر حکمرانی هوش مصنوعی، سیاست صادرات و مسئولیت شرکت‌ها را شکل خواهد داد.
برای دیپ‌سیک، Moonshot AI، مینی‌مکس و انت گروپ، گزارش یک چالش ارتباطی ایجاد می‌کند. آن‌ها ممکن است نیاز داشته باشند دسترسی به سخت‌افزار را بدون فاش کردن جزئیات عملیاتی حساس توضیح دهند. سکوت می‌تواند تکهنات بیشتر را برانگیزد، در حالی که تکذیب‌های مفصل می‌تواند اطلاعاتی را که ترجیح می‌دهند خصوصی بماند فاش کند. عموم ممکن است کمتر روی ظرافت‌های قانونی و بیشتر روی سوال ساده تمرکز کند: آیا تراشه‌های محدودشده در ساخت سیستم‌های هوش مصنوعی پرکاربرد کمک کرده‌اند؟ این سوال احتمالاً با انتشار مدل‌های بیشتر برجسته باقی می‌ماند.
گزارش نمی‌گوید که تراشه‌ها فیزیکی در چین قرار داشته‌اند. این یک نکته مهم است. سخت‌افزار می‌تواند از طریق خدمات ابری، تاسیسات شریک یا ترتیبات دیگر قابل دسترس باشد. نویسندگان تأکید می‌کنند که شواهد آن‌ها مکان تراشه‌ها، روش دسترسی یا نقض کنترل صادرات را تعیین نمی‌کند. آن سوالات نیازمند بررسی اضافی هستند. با این حال، تطابق فنی پایه‌ای برای تحقیق بیشتر فراهم می‌کند و ممکن است توجه را روی مدل‌ها و پیکربندی‌های خاص سخت‌افزاری متمرکز کند.
تحلیل همچنین سوالاتی درباره قابلیت اطمینان اجرای کنترل صادرات پیش می‌کند. اگر آزمایشگاه‌های پیشرو چینی بتوانند سخت‌افزار محدودشده را کسب یا استفاده کنند، قوانین موجود ممکن است دشوار اجرا شوند. این می‌تواند به طلب کنترل‌های سخت‌تر، الزامات مجوز گسترده‌تر یا ابزارهای نظارت جدید منجر شود. همچنین می‌تواند شرکت‌ها را به طراحی تراشه‌هایی با ویژگی‌هایی که استفاده غیرمجاز را راحت‌تر قابل شناسایی می‌کند، تشویق کند. گزارش ممکن است یک نقطه مرجع در آن بحث‌ها شود چون مثالی ملموس از نحوه ظاهر ردی‌های سخت‌افزاری در مدل‌های عمومی هوش مصنوعی ارائه می‌دهد.
یافتن‌های گزارش احتمالاً توسط محققان دیگر بازبینی خواهند شد. کارشناسان مستقل ممکن است سعی در بازتولید نتایج، تست توضیحات جایگزین یا بررسی مدل‌های اضافی داشته باشند. این فرآیند ضروری است چون اثر انگشت سخت‌افزاری همچنان یک حوزه در حال توسعه است. مثبت‌های کاذب ممکن است اگر الگوهای عددی از علل متعدد ناشی شوند. نویسندگان به نظر می‌رسد از این ریسک آگاه باشند و نتایج خود را با احتیاط ارائه دهند. کار آن‌ها نشان می‌دهد که انتشارهای باز مدل چگونه می‌تواند به مدرک در بحث‌های بر سر تکنولوژی و امنیت ملی تبدیل شود.
برای سیاست‌گذاران، گزارش راه جدیدی برای تفکر در کنترل صادرات هوش مصنوعی ارائه می‌دهد. به جای تکیه تنها بر داده‌های گمرکی، افشاهای شرکت یا گزارش‌های مخابراتی، آن‌ها می‌توانند مصنوعات فنی تولیدشده توسط سیستم‌های هوش مصنوعی را بررسی کنند. این می‌تواند اجرا را مبتنی‌تر بر مدرک کند. همچنین می‌تواند فشار برای شفافیت بیشتر در انتشار مدل‌ها ایجاد کند. اگر شرکت‌ها اطلاعات فنی جزئی منتشر کنند، محققان مستقل ممکن است استفاده از سخت‌افزار را سریع‌تر شناسایی کنند. این می‌تواند تعادل بین محرمانه و طولانی‌مدت هنجار بوده، پاسخگویی در توسعه پیشرفته هوش مصنوعی را تغییر دهد.
نتیجه‌گیری مرکزی محتاطانه اما شگفت‌انگیز است. مدل‌های هوش مصنوعی منتشرشده عمومی از چندین آزمایشگاه اصلی چینی الگوهای عددی سازگار با سخت‌افزار بلک‌ول انویدیا دارند. مدل‌های پیشین همان شرکت‌ها به تراشه‌های قدیمی‌تر هاپر اشاره دارند. شواهد هر جزئیات نحوه ساخت مدل‌ها را ثابت نمی‌کند، اما یک پیوند فنی نادر بین سخت‌افزار محدودشده و توسعه پیشرو هوش مصنوعی فراهم می‌کند. با تشدید رقابت در هوش مصنوعی، چنین یافتن‌های جنایی ممکن است برای درک اینکه چه کسی به پیشرفته‌ترین منابع محاسباتی دسترسی دارد، به‌روزرسانی مهم‌تر شوند.
گزارش ممکن است همچنین بر نحوه ارتباط شرکت‌های هوش مصنوعی درباره زیرساخت‌شان اثر بگذارد. شرکت‌ها اغلب از بحث در جزئیات سخت‌افزار پرهیز می‌کنند چون می‌تواند مزیت‌های استراتژیک یا ریسک‌های تنظیمی را فاش کند. اما با توسعه ابزارهای بهتر برای تحلیل وزن‌های مدل توسط محققان مستقل، سکوت ممکن است سخت‌تر حفظ شود. شرکت‌ها ممکن است نیاز داشته باشند توضیحات شفاف‌تری از منابع محاسبه خود آماده کنند، به‌ویژه وقتی در بازارهای خاضع به کنترل صادرات و بازبینی ژئوپلیتیک شدید فعالیت می‌کنند.
یافتن‌ها می‌تواند بر ارائه‌دهندگان ابری و واسطه‌های تراشه هم اثر بگذارد. اگر سخت‌افزار محدودشده برای آموزش مدل‌های پیشرو استفاده شده باشد، محققان ممکن است بررسی کنند که آن تراشه‌ها چگونه به زنجیره تأمین وارد شده‌اند. آن‌ها ممکن است به بازارهای فروش مجدد، ترتیبات دسترسی از راه دور و شراکت‌های شرکتی نگاه کنند. گزارش هیچ واسطه خاصی را شناسایی نمی‌کند، اما نشان می‌دهد که چرا ردیابی سخت‌افزار مهم‌تر می‌شود. حتی مدرک غیرمستقیم می‌تواند به تنظیم‌کنندگان کمک کند تا روی مسیرهای محتمل دسترسی به تراشه‌های پیشرفته تمرکز کنند.
در نهایت، گزارش نشان می‌دهد که سخت‌افزار هوش مصنوعی می‌تواند ردی‌های قابل شناسایی در نرم‌افزار بگذارد. این بینش ممکن است نحوه ارزیابی ادعاهای درباره محاسبه پیشرفته توسط ناظران را بازتعریف کند. همچنین ممکن است تأیید دقیق‌تری در حوزه‌ای که محرمانه طولانی‌مدت هنجار بوده، تشویق کند. شواهد پرونده کامل نیست، اما یک گام معنادار است. این محققان، روزنامه‌نگاران و سیاست‌گذاران را با یک پایه فنی ملموس برای پرسش سوالات سخت‌تر درباره سخت‌افزار پشت سریع‌ترین سیستم‌های هوش مصنوعی جهان روبرو می‌کند.
گزارش ممکن است همکاری نزدیک‌تر بین محققان هوش مصنوعی و تحلیلگران سیاست را نیز تشویق کند. کارشناسان فنی می‌توانند الگوهایی را شناسایی کنند که تیم‌های حقوقی ممکن است از قلم بیندازند، در حالی که سیاست‌گذاران می‌توانند آن یافتن‌ها را به قوانین و اولویت‌های اجرا ترجمه کنند. این نوع همکاری می‌تواند مهم‌تر شود چون سیستم‌های هوش مصنوعی قدرتمندتر و گسترده‌تر مستقر می‌شوند. هدف اطمینان از آن است که ادعاهای درباره محاسبه پیشرفته در برابر شواهد قابل مشاهده تست شوند، نه تنها بر اساس تکهن یا ادعای سیاسی استوار بمانند.
گام بعدی شما
- فایل‌های وزن مدل‌های نام‌شده را دانلود و با اسکریپت‌های بازتحلیل (open-source fingerprinting scripts) الگوهای بلک‌ول را خودتان تست کنید.
- گزارش‌های رسمی وزارت بازرگانی آمریکا (BIS) و انویدیا را در ماه‌های آینده برای هرگونه اقدام اجرا بر پایه این شواهد رصد کنید.
- اگر توسعه‌دهنده یا خریدار مدل هستید، از ارائه‌دهنده پرسش کنید: «سخت‌افزار آموزش این مدل چیست و چگونه با کنترل صادرات هم‌سو است؟» — پاسخشان استراتژی ریسک شما را شکل می‌دهد.
گفتگو