سیاست جدید متا در برابر مدل‌های عظیم چینی چه پیامدی دارد؟

تصور کنید قدرتمندترین ابزارهای توسعه‌دهندگان جهان دیگر از سیلیکون‌ولی نمی‌آیند، بلکه از آزمایشگاه‌های پکن ارسال می‌شوند. این واقعیت سال ۲۰۲۶ است؛ جایی که عقب‌نشینی غرب از مدل‌های باز در لبه تکنولوژی شتاب گرفته است. در حالی که غول‌هایی مانند متا به توسعه در پشت درهای بسته روی آورده‌اند، آزمایشگاه‌های چینی بازار را با بزرگترین مدل‌های وزن‌باز تاریخ اشباع کرده‌اند. این وارونگی استراتژیک، شرکت‌های جهانی را با یک معمای حیاتی مواجه کرده است: یا باید به وابستگی به APIهای مستقر در آمریکا تن دهند یا پیچیدگی‌های ژئوپلیتیکی مدل‌های وزن‌باز چینی را بپذیرند.

برای سال‌ها، متا خود را قهرمان جامعه متن‌باز معرفی می‌کرد تا با سری Llama، سلطه OpenAI را به چالش بکشد. این استراتژی به آن‌ها اجازه داد در حالی که قابلیت‌های داخلی‌شان در حال رشد بود، جایگاه OpenAI را متزلزل کنند. اما اکنون، توازن قدرت در مدل‌های وزن‌باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» یا پارامترهای آن‌ها علناً منتشر شده و نه فقط یک رابط کاربری محدود — از کالیفرنیا به پکن منتقل شده است. همان‌طور که در تحلیل‌های پیشین ما درباره امنیت مدل‌های بازمتن اشاره کردیم، این تغییر جهت تنها یک تصمیم فنی نیست، بلکه یک بازی ژئوپلیتیکی است. طبق گزارش dev.to، مرکز ثقل هوش مصنوعی وزن‌باز در لبه تکنولوژی اکنون از کالیفرنیا به پکن تغییر مکان داده است.

چرخش متای به سمت مدل‌های اختصاصی

این تغییر مسیر در اواخر سال ۲۰۲۵ و با عرضه Llama 3.3 آغاز شد. این مدل اگرچه باز باقی ماند، اما دیگر به عنوان یک مدل «در لبه» (Frontier-class) شناخته نمی‌شد. این در واقع آخرین عرضه بزرگ و باز شرکت متا بود. پس از آن، روند بسته شدن مدل‌ها شتاب گرفت. به گزارش CNBC در دسامبر ۲۰۲۵، متا شروع به ساخت یک مدل زبانی بزرگ (LLM) اختصاصی و محرمانه با نام رمز Avocado کرد؛ مدلی شبیه به کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا فقط برای کسانی جواب می‌دهد که حق دسترسی را خریداری کرده‌اند.

در اوایل سال ۲۰۲۶، متا عرضه مدل بینایی اختصاصی خود به نام Mango را تایید کرد که تحت عنوان Muse Image روانه بازار شد. اما سیگنال قطعی‌تر متا مبنی بر فاصله گرفتن از رشد جامعه‌محور، در آپریل ۲۰۲۶ صادر شد؛ زمانی که این شرکت ۴۹٪ از سهام Scale AI را به مبلغ ۱۴.۳ میلیارد دلار خرید. این سرمایه‌گذاری عظیم نشان می‌دهد که متا اکنون تسلط بر زیرساخت‌های داده را بر حفظ جایگاه خود به عنوان رهبر مدل‌های وزن‌باز ترجیح می‌دهد. در واقع، این شرکت در حال تغییر لبه رقابتی خود از «اشتراک وزن‌های مدل» به «خط‌لوله داده‌های اختصاصی» است.

با وجود این فشار برای پیشتازی، پروژه Avocado بین مارس و می ۲۰۲۶ با تأخیرهای داخلی مواجه شد. تست‌های داخلی نشان داد که عملکرد این مدل در سطح مدل‌های لبه (Frontier) نیست و تا جولای ۲۰۲۶ هنوز عرضه نشده است. به نظر می‌رسد محاسبات متا این است که اگرچه مدل‌های وزن‌باز برای رسیدن به رقبا مفید بودند، اما اکنون هزینه رایگان کردن کارهای سطح اول (Frontier-grade) بیش از حد زیاد است.

موج عظیم مدل‌های وزن‌باز چینی

در نقطه مقابل، آزمایشگاه‌های چینی از وزن‌های باز به عنوان ابزاری برای نفوذ ژئوپلیتیکی استفاده می‌کنند. آن‌ها با انتشار مدل‌هایی با قابلیت‌های لبه، خود را برای توسعه‌دهندگان جهانی ضروری می‌کنند و وابستگی غرب به تکنولوژی چین را افزایش می‌دهند.

در ۱۶ جولای ۲۰۲۶، شرکت Moonshot AI مدل Kimi K3 را منتشر کرد. این مدل یک غول واقعی با ۲.۸ تریلیون پارامتر (Parameters) است که از معماری ترکیب خبره‌ها (MoE) استفاده می‌کند — ساختاری که شبیه تیمی از متخصصان است که هر سؤال را به فرد خبره می‌سپارند. این مدل تحت لایسنس Apache 2.0 عرضه شد. به گزارش VentureBeat، مدل Kimi K3 یکی از سه مدل برتر جهان است و با GPT-5.5 و Claude Opus 4.8 رقابت می‌کند. وزن‌های کامل این مدل، که بزرگ‌ترین مدل با وزن‌های باز تاریخ به شمار می‌رود، در ۲۷ جولای منتشر شد.

شرکت DeepSeek نیز مسیر تهاجمی مشابهی را دنبال کرد. در ۲۴ آپریل ۲۰۲۶، این شرکت مدل‌های DeepSeek V4 Pro و V4 Flash را تحت لایسنس MIT منتشر کرد. این مدل‌ها کاملاً برای مصارف تجاری قابل استفاده هستند و با قیمت‌های بسیار رقابتی عرضه شده‌اند تا مقیاس جهانی را جذب کنند. هزینه‌های ورودی این مدل‌ها بین ۰.۰۹ تا ۰.۴۳ دلار به ازای هر میلیون توکن (تکه‌های کوچکی از متن که مدل پردازش می‌کند) متغیر است.

بازماندگان غربی

البته تمام بازیگران غربی درها را نبسته‌اند و چند آزمایشگاه همچنان خط مقدم دسترسی متن‌باز در غرب را حفظ کرده‌اند:

• Mistral: این آزمایشگاه مستقر در فرانسه همچنان استراتژی Apache 2.0 را دنبال می‌کند و هر مدلی را به‌صورت وزن‌باز عرضه می‌کند. اگرچه آن‌ها اپلیکیشن مصرف‌کننده‌ای به نام Le Chat دارند، اما استراتژی هسته مدل‌هایشان همچنان باز است.
• Nous Research: در جولای ۲۰۲۶، این تیم در یک دور سرمایه‌گذاری سری A مبلغ ۱.۵ میلیارد دلار برای ساخت عامل‌های (Agents) متن‌باز جذب کرد. این یک شرط‌بندی بزرگ است بر این باور که مدل‌های وزن‌باز (به‌ویژه سری Hermes) در مقیاس بزرگ همچنان viable و کاربردی هستند.
• تلاش‌های جامعه: ابتکاراتی مانند Smolagents از سوی Hugging Face سعی دارند روح متن‌باز را در سطح پایه و ریشه‌ای زنده نگه دارند.

با این حال، این بازیکنان فاقد سرمایه‌های کلان هستند. آن‌ها نه بودجه ۱۴.۳ میلیارد دلاری متا برای خرید Scale AI را دارند و نه قدرت محاسباتی عظیمی که Moonshot برای آموزش یک مدل ۲.۸ تریلیونی به کار گرفته است. شکاف بین این بازماندگان و لبه جدید تکنولوژی بسیار عمیق است.

دوراهی دشوار سازمان‌ها

این واگرایی، مدیران کسب‌وکار را در برابر مجموعه‌ای از انتخاب‌های دشوار قرار می‌دهد. در حال حاضر هیچ گزینه‌ای وجود ندارد که هم‌زمان «قابلیت‌های سطح لبه» و «امنیت ژئوپلیتیکی» را فراهم کند.

مقایسه مسیرهای استراتژیک:

• APIهای OpenAI و Anthropic: ارائه بهترین بنچمارک‌ها و حاکمیت داده‌های آمریکایی. اما نتیجه آن وابستگی کامل به API، عدم امکان شخصی‌سازی و هزینه‌های بالاست. (لازم به ذکر است که این آزمایشگاه‌ها از روز اول بسته بوده‌اند؛ OpenAI بر GPT-5.6 Sol, Terra, and Luna تمرکز کرده و Anthropic بر Claude و Fable 5).
• APIهای متا (در صورت عرضه Avocado): حاکمیت داده‌های آمریکایی را فراهم می‌کند، اما هنوز در سطح لبه نیست و باعث ایجاد قفل اختصاصی (Lock-in) می‌شود.
• وزن‌های باز DeepSeek و Moonshot: شخصی‌سازی کامل و حذف وابستگی به API را فراهم می‌کند. اما معامله این مزایا، پذیرش مدل‌های چینی، نگرانی‌های حاکمیت داده تحت قوانین چین و ریسک‌های کنترل صادرات است.
• وزن‌های باز Mistral و Nous: حاکمیت اتحادیه اروپا و همسویی با متن‌باز غربی را تضمین می‌کند. نقطه ضعف آن، مقیاس کوچک‌تر و فقدان قابلیت‌های کامل سطح لبه است.

این شکاف در حال گسترش است. ممکن است به‌زودی شرکت‌های غربی مجبور شوند برای حفظ رقابت، مدل‌های چینی را از طریق VPNها و لایه‌های پیچیده تطبیق (Compliance) به کار بگیرند.

سناریوهای آینده برای سال ۲۰۲۷

با نگاه به آینده، سه مسیر اصلی برای چشم‌انداز هوش مصنوعی متصور است:

۱. بهترین حالت: مدل Avocado متا با قابلیت‌های لبه عرضه شود و متا به مدل ترکیبی (مدل‌های میان‌رده باز و مدل‌های لبه اختصاصی) بازگردد. هم‌زمان، Mistral یا Nous یک مدل باز در مقیاس لبه عرضه کنند و جهان را چندقطبی نگه دارند.
۲. حالت پایه: پیشتازی در وزن‌های باز همچنان در دست آزمایشگاه‌های چینی باقی بماند. شرکت‌های غربی استفاده از مدل‌های باز چینی را از طریق لایه‌های تطبیق عادی‌سازی کنند و یک Divide واقعی ایجاد شود: «مدل باز در چین، مدل API در غرب».
۳. بدترین حالت: تنش‌های ژئوپلیتیکی منجر به وضع کنترل‌های صادراتی بر روی خودِ «وزن‌های مدل» شود. مدل‌های وزن‌باز چینی در بازارهای غربی محدود شوند و پیشتازی مدل‌های باز تنها به مدل‌های مقیاس جامعه (Community-scale) سقوط کند.

تاریخ عرضه نهایی Avocado توسط متا را به دقت دنبال کنید؛ عملکرد این مدل تعیین خواهد کرد که آیا غرب می‌تواند دوباره پیشتازی در مدل‌های وزن‌باز را به دست آورد یا اینکه پکن اکنون مالک نقشه راه متن‌باز جهان است.

گام بعدی شما

• اگر مدیر فنی هستید، هزینه استنتاج مدل‌های DeepSeek V4 را با متدهای فعلی خود مقایسه کنید.
• برای پروژه‌های حساس، لایه‌های تطبیق (Compliance) را برای استفاده از مدل‌های وزن‌باز چینی بررسی کنید.
• تاریخ عرضه نهایی Avocado توسط متا را دنبال کنید تا متوجه شوید آیا غرب می‌تواند دوباره پیشتازی در مدل‌های باز را به دست آورد یا خیر.

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