تخیل کنید تیمی از مهندسان چینی تنها در دو هفته، یکی از قدرتمندترین مدل‌های زبانی جهان را از روی یک رقیب آمریکایی کپی کرده باشند؛ این ادعایی است که اکنون کاخ سفید مطرح می‌کند. اگر مدیر یک محصول هستید و می‌خواهید بدانید «خندق رقابتی» مدل‌های پیشرو چقدر عمیق است، این جدال سیاسی-فنی پاسخ شماست.
در ۲۳ ژوئیه ۲۰۲۶، مایکل کراتسیوس، مشاور علمی کاخ سفید، اعلام کرد که شرکت Moonshot AI از طریق «تقطیر صنعتی گسترده و مخفیانه» با هدف سرقت فناوری‌های اختصاصی ایالات متحده و تضعیف تحقیقات آمریکایی، مدل Kimi K3 را ساخته است. او این رویه را «پذیرفت‌ناپذیر» خواند. Kimi K3 در حال حاضر بزرگ‌ترین مدل زبانی با وزن‌های باز (Open-weight) موجود است و طبق ادعای کراتسیوس، از طریق تقطیر مخفیانه مدل Fable متعلق به شرکت Anthropic ساخته شده است. این دستاورد فنی باعث شده تا بسیاری معتقد باشند مدل Kimi K3 توانسته است فاصله عملکردی چین را با مدل‌های پیشرو آمریکا به شکل چشمگیری کاهش دهد. این اتهامات در حالی مطرح می‌شود که مقامات آمریکایی گزارشاً در حال بحث درباره ممنوعیت مدل‌های با وزن‌های باز چینی هستند که باعث ناپایداری در بخش هوش مصنوعی شده‌اند.
این اصطکاک ژئوپلیتیک در حالی رخ می‌دهد که ایالات متحده فشار خود را بر صادرات هوش مصنوعی افزایش داده است. اسکات بسنت، وزیر خزانه‌داری، با تأکید بر این دیدگاه‌ها اظهار داشت: «ما در حال یافتن واترمارک‌های مدل‌های زبانی بزرگ ایالات متحده در بسیاری از مدل‌های چینی هستیم». اگرچه وزارت خزانه‌داری هنوز شفاف نکرده است که این واترمارک‌ها دقیقاً شامل چه مواردی هستند، اما این ادعاها نشان‌دهنده مبارزه‌ای فزاینده برای تسلط تکنولوژیک است. این وضعیت بازتابی از تلاش‌های پیشین برای ایمن‌سازی خطوط لوله هوش مصنوعی است؛ همان‌طور که پیش‌تر پوشش دادیم، شرکت Anthropic از پنل‌های چندعاملی برای تأیید نقاط ضعف سیستم‌های خود استفاده می‌کند تا از چنین نشت‌هایی جلوگیری نماید.
جدال بر سر تقطیر
بسیاری از متخصصان تردید دارند که تقطیر ساده — فرآیندی که در آن از یک مدل زبانی پرسوجو می‌شود تا نحوه عملکرد داخلی آن کشف شده و قابلیت‌هایش کپی شود — بتواند قدرت Kimi K3 را توجیه کند. برادن هنکاک از مؤسسه لود و هم‌بنیان‌گذار Snorkel AI خاطرنشان می‌کند که مدل Fable تنها در ۱ ژوئیه عمومی شد. او استدلال می‌کند که از نظر فیزیکی غیرممکن است که در عرض تنها دو هفته، حجم کافی از داده‌ها تقطیر شود، یک مدل آموزش ببیند و سپس منتشر گردد.
ناتان لمبرت از مؤسسه آلن برای هوش مصنوعی پیشنهاد می‌کند که با نزدیک‌تر شدن مدل‌های چینی به لبه تکنولوژی (Frontier)، تأثیر تنظیم نظارت‌شده (SFT) در حال کاهش است. در حالی که SFT به مدل اجازه می‌دهد تا «آداب معاشرت» را یاد بگیرد، رژیم‌های آموزشی اکنون به سمت یادگیری تقویتی (RL) تغییر جهت داده‌اند. لمبرت معتقد است اگر SFT به تنهایی کلید موفقیت بود، هر کسی می‌توانست به راحتی با استفاده از داده‌های تقطیر شده از یک مدل GLM یا K3 به سطح آن‌ها برسد، اما چنین اتفاقی نیفتاده است.
سازوکارهای فنی و گلوگاه‌ها
اجرای تقطیر مستلزم آن است که یک آزمایشگاه به‌طور سیستماتیک از مدل هدف پرسوجو کند تا داده‌هایی برای پس آموزش (Post-training) تولید نماید. این فرآیند اغلب شامل موارد زیر است:
- استخراج زنجیره تفکر (Chain-of-Thought Extraction): درخواست مشخص از مدل برای تشریح فرآیند استدلال خود تا درک شود که مدل چگونه مسائل پیچیده را حل می‌کند.
- تنظیم نظارت‌شده (SFT): استفاده از پرومپت‌ها و پاسخ‌های یک مدل برای آموزش مدل جدید، که گاهی منجر به این می‌شود که مدل شخص ثالث ادعا کند در واقع «Claude» است.
- یادگیری تقویتی (RL): استفاده از یک عامل (Agent) از یک مدل بزرگتر برای نمره دادن به پاسخ‌های مدل کوچکتر و تنظیم مدل بر اساس این نمرات.
یادگیری تقویتی پیشرفته نیازمند زیرساختی عظیم است که اغلب شامل ده‌ها میلیون عامل می‌شود. به گفته لمبرت، استفاده از API یک آزمایشگاه پیشرو برای این منظور:
۱. به شدت گران و غیرمنطقی است.
۲. به دلیل سرعت پایین استنتاج (Inference)، یک گلوگاه زمانی شدید ایجاد می‌کند.
۳. بعید است که ارتقای عملکرد لازم را فراهم کند.
فاکتور سخت‌افزاری
فراتر از نرم‌افزار، ایالات متحده اکنون نحوه دستیابی چین به سخت‌افزار را هدف قرار داده است. به نقل از کراتسیوس، Moonshot AI از طریق کانال‌های بازار سیاه به تراشه‌های Grace Blackwell 300 (GB300) شرکت انویدیا دسترسی پیدا کرده و از سرورهای مجهز به GB300 در تایلند استفاده نموده است. این تراشه‌ها در حال حاضر برای صادرات به چین ممنوع هستند.
سَم برس‌نیک از مرکز امنیت و فناوری‌های نوظهور جرج‌تاون بر نقش قاچاق تأکید کرد. وی اشاره کرد که در مه ۲۰۲۶، بنیان‌گذار Supermicro (سازنده سرورهای آمریکایی) به دلیل قاچاق تراشه‌های پیشرفته به چین متهم شد. این موضوع نشان می‌دهد که دسترسی به سخت‌افزار، و نه صرفاً کپی‌برداری نرم‌افزاری، ممکن است محرک واقعی قدرت Kimi K3 باشد.
واکنش‌های رگولاتوری
برای مبارزه با این وضعیت، برس‌نیک مدافع قوانین «شناخت مشتری» (Know Your Customer - KYC) برای مراکز داده جهانی است. او استدلال می‌کند که اگر شرکتی عملیات آموزشی عظیمی را روی سخت‌افزارهای پیشرفته اجرا می‌کند، باید سازوکاری برای گزارش‌دهی وجود داشته باشد تا مشخص شود آن شرکت کیست و چه می‌کند. اگرچه وزارت بازرگانی دولت جو بایدن در سال ۲۰۲۴ قوانین فدرال شناخت مشتری را پیشنهاد داد، اما به نظر می‌رسد در دوران دونالد ترامپ پیشرفت بیشتری حاصل نشده است. با این حال، صادرکنندگان هنوز قانوناً موظف هستند اطمینان حاصل کنند که تراشه‌های پیشرفته تنها برای مقاصد تأیید شده استفاده می‌شوند.
استانداردهای صنعت و سوابق
تقطیر تنها مختص چین نیست. ایلان ماسک پیش‌تر در سال جاری شهادت داد که SpaceXAI برای ایجاد مدل Grok از مدل‌های OpenAI تقطیر کرده است و بیان کرد که این رویه در سراسر صنعت رایج است. در واقع، مرز بین تقطیر و ایجاد مجموعه‌داده‌های مصنوعی (Synthetic Datasets) بسیار مبهم است.
در اوایل سال جاری، Anthropic به‌طور علنی شرکت‌های Moonshot، DeepSeek و MiniMax را به تقطیر سیستماتیک مدل‌های خود متهم کرد. Anthropic گزارش داد که میلیون‌ها تبادل داده بین مدل‌هایش و کاربرانی که از طریق آدرس‌های IP و متادیتا شناسایی شده بودند، کشف کرده است. این پرس‌وجوها «متمایز از الگوهای استفاده عادی» توصیف شدند و بازتابی از استخراج عمدی قابلیت‌ها بودند، نه استفاده مشروع.
عنصر انسانی
هنکاک هشدار می‌دهد که ایالات متحده استعداد فنی چین را دست‌کم می‌گیرد. او اشاره می‌کند که بنیان‌گذاران Moonshot شامل دکتورای‌های دانشگاه کارنگی ملون (CMU) و پژوهشگران معتبری هستند که کارهای بنیادی و استواری انجام می‌دهند. او معتقد است حتی اگر پیشرفت آمریکا متوقف شود، توسعه چینی بر اساس شایستگی مهندسی خودشان ادامه خواهد یافت و می‌گوید: «آن‌ها فقط دنباله‌رو نیستند».
برای یک صاحب کسب‌وکار، این بدان معنای است که «خندق» ایجاد شده توسط یک مدل برتر، نازک‌تر از آن چیزی است که انتظار می‌رفت. اگر قابلیت‌های لبه-تکنولوژی را بتوان از طریق ترکیبی از سخت‌افزار قاچاقی و یادگیری تقویتی هوشمندانه — حتی بدون تقطیر گسترده — بازسازی کرد، مزیت رقابتی آزمایشگاه‌های آمریکایی متزلزل است.
باید منتظر حرکت احتمالی وزارت بازرگانی به سمت قوانین «شناخت مشتری» برای مراکز داده جهانی بود تا جریان GB300ها به بازیگران غیرمجاز متوقف شود.
گام بعدی شما
- اگر از APIهای مدل‌های لبه استفاده می‌کنید، برای جلوگیری از تقطیر مدل خود، الگوهای درخواست‌های غیرعادی (Anomalous patterns) را رصد کنید.
- تحولات مربوط به قوانین KYC مراکز داده جهانی را دنبال کنید تا از تغییرات احتمالی در دسترسی به سخت‌افزار مطلع شوید.
- روی استراتژی‌های کسب مزیت رقابتی متمرکز شوید که صرفاً به قدرت مدل وابسته نیستند، زیرا کپی‌برداری از قابلیت‌ها سریع‌تر از تصور شماست.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو