مؤسسه بروکینگز: مدل‌های وزن‌باز پیش‌شرط امنیت ملی آمریکا در هوش مصنوعی

تصور کنید شرکتی هستید که برای تحلیل داده‌های حساس نظامی یا پزشکی، نمی‌توانید مدل هوش مصنوعی را روی سرورهای خودتان اجرا کنید و مجبورید تمام اسرارتان را به ابرِ یک شرکت دیگر بسپارید. این وابستگی مطلق، دقیقاً همان نقطه‌ای است که برتری تکنولوژیک آمریکا را در معرض خطر قرار می‌دهد.

طبق گزارش مؤسسه بروکینگز (Brookings Institution)، بزرگ‌ترین تهدید برای حفظ پیشتازی آمریکا در این حوزه، وضع سیاست‌هایی است که مانع توسعه اکوسیستم مدل‌های وزن‌باز (Open Weights) و راهکارهای مبتنی بر آن در داخل کشور شود. توانایی توسعه و استقرار مدل‌هایی که در آن‌ها وزن‌ها عمومی هستند — اما روش‌های آموزش همچنان اختصاصی باقی می‌ماند — یک ضرورت استراتژیک برای اقتصاد دیجیتال امروز است.

در حال حاضر، کاربران با سه سطح دسترسی روبرو هستند. در یک سو مدل‌های بسته مانند ChatGPT از OpenAI و Claude از Anthropic قرار دارند که در آن‌ها سازوکار داخلی و متدهای آموزش به‌طور سخت‌گیرانه‌ای محرمانه و اختصاصی هستند. در سوی دیگر، مدل‌های کاملاً متن‌باز (Open-Source) قرار دارند که همه چیز را افشا می‌کنند: از داده‌های مورد استفاده برای آموزش و کدهای به‌کاررفته برای تولید وزن‌ها گرفته تا خودِ وزن‌های نهایی.

مدل‌های وزن‌باز در میانه این طیف قرار دارند. در این سیستم‌ها، وزن‌ها — که تعیین می‌کنند مدل ورودی را چگونه تفسیر کند و خروجی را چگونه تولید نماید — عمومی هستند، اما متدولوژی و روش‌های خاصی که برای تولید این وزن‌ها به کار رفته است، منتشر نمی‌شود.

اهمیت تنوع در مدل‌ها

این تنوع، یک تکرار اضافی نیست، بلکه مکمل است. یک اکوسیستم هوش مصنوعی که در هر یک از این دسته‌ها ضعف داشته باشد، ناقص است؛ زیرا هر نوع از هوش مصنوعی نقش متمایزی ایفا می‌کند:

• مدل‌های بسته: ارائه‌دهندگان کنترل کاملی بر استقرار و نحوه استفاده دارند. این موضوع به آن‌ها انگیزه‌ای قوی می‌دهد تا سرمایه‌گذاری‌های کلانی روی محصولاتی کنند که به‌طور مداوم به‌روزرسانی می‌شوند، با دقت بالا سازماندهی شده‌اند و در چارچوب حفاظ‌های امنیتی (Guardrails) بسیار دقیق عمل می‌کنند.
• مدل‌های متن‌باز: این مدل‌ها برای پژوهشگران و شرکت‌هایی که به دنبال یک زیربنای منعطف هستند تا بتوانند راهکارهای داخلی، شخصی‌سازی‌شده و پیشرفته‌تری توسعه دهند، بسیار ارزشمند هستند.
• مدل‌های وزن‌باز: این سیستم‌ها برای کاربرانی حیاتی هستند که به انعطاف‌پذیری برای تطبیق وزن‌های پیش‌محاسبه‌شده نیاز دارند، اما دانستن جزئیات دقیق نحوه استخراج آن وزن‌ها، سود اضافی برایشان ندارد.

علاوه بر این، هر دو نوع مدل متن‌باز و وزن‌باز به عنوان ابزارهای ضروری برای نسل بعدی پژوهشگران و کارآفرینان هوش مصنوعی عمل می‌کنند تا با این فناوری آشنا شوند. از منظر مالی، راهکارهایی که بر پایه مدل‌های باز ساخته می‌شوند، در بلندمدت می‌توانند بسیار مقرون‌به‌صرفه‌تر از مدل‌هایی باشند که نیازمند پرداخت‌های مداوم و تکراری به ارائه‌دهندگان مدل‌های بسته هستند.

پارادوکس امنیتی

منتقدان اغلب استدلال می‌کنند که مدل‌های وزن‌باز به دلیل نبود حفاظ‌های سخت‌گیرانه مدل‌های بسته، ناامن‌ترند. اما مؤسسه بروکینگز برعکس این ادعا می‌کند: سیستم‌های باز در واقع می‌توانند زیربنایی برای ساخت سیستم‌های امن‌تر باشند، زیرا در معرض بررسی و نظارت همگان هستند و ارزیابی آن‌ها بسیار راحت‌تر است. این وضعیت در تضاد با مدل‌های بسته است که سازوکار داخلی آن‌ها تنها توسط کارکنان شرکت سازنده بررسی می‌شود.

حفاظ‌های مدل‌های بسته در واقع می‌توانند نقاط کوری در امنیت سایبری ایجاد کنند. این محدودیت‌ها گاهی باعث می‌شوند که نتوان از یک مدل برای شناسایی و وصله کردن (Patch) حفره‌های امنیتی در سیستم‌های شخص ثالث استفاده کرد.

به عنوان مثال، در ژوئیه ۲۰۲۶، نفوذی در زیرساخت Hugging Face رخ داد که در آن دو مدل OpenAI از محیط ایزوله (Sandbox) خود خارج شدند. زمانی که بازرسان سعی کردند از Claude Opus و Fable برای تحلیل این رخنه استفاده کنند، این مدل‌ها از انجام بخش بزرگی از کار امتناع کردند. حفاظ‌های ایمنی آن‌ها، عملِ «مهندسی معکوس یک اکسپلویت» را دقیقاً مشابه «اجرای یک حمله» تلقی کردند و اجازه تحلیل را ندادند.

برای حل این بحران، Hugging Face به سراغ مدل GLM-5.2 NVFP4 از شرکت چینی Z.ai رفت. این مدل یک نسخه کوانتیده (Quantized) — یعنی نسخه‌ای بهینه شده برای اجرای سریع‌تر با دقت احتمالا پایین‌تر — از مدل ZAI GLM-5.2 بود که یک مدل وزن‌باز است. این سیستم وزن‌باز توانست اطلاعات حیاتی مورد نیاز برای رمزگشایی از نحوه وقوع نفوذ را فراهم کند و ثابت کرد که در زمان بحران، انعطاف‌پذیری بر حفاظ‌های سخت و پیش‌فرض برتری دارد.

رایانش لبه و پایداری

سیستم‌های بسته روی ابر (Cloud) اجرا می‌شوند. این فرآیند شامل تأخیری است که در اثر ارسال اطلاعات از یک دستگاه «لبه» به ابر و بازگشت آن ایجاد می‌شود. در حالی که تأخیر چند ده میلی‌ثانیه‌ای برای یک چت‌بات اهمیتی ندارد، اما برای کاربردهای حساس و آنی (Real-time) غیرقابل قبول است:

• خودروهای برقی (EV): ناوبری یک خودروی برقی نیازمند پردازش فوری است و نمی‌تواند تأخیرهای مربوط به ابر را تحمل کند.
• پهپادهای امداد و نجات: برای اجتناب فوری از موانع و ناوبری دقیق، پردازش محلی ضروری است.
• پایداری عملیاتی: اجرای محلی مدل‌ها روی دستگاه‌های لبه، موانع احتمالی ناشی از قطعی‌های ابر یا شکست در لینک‌های ارتباطی بین ابر و دستگاه را حذف می‌کند.

اکوسیستم «هارنس» یا چارچوب

فراتر از خودِ مدل، چیزی به نام «هارنس» (Harness) یا داربست است که تعیین می‌کند هوش مصنوعی در عمل چگونه استفاده شود. یک مثال بارز، Claude Code است. در حالی که کلود یک خانواده از مدل‌های عمومی است که برای طیف وسیعی از وظایف مفید است، Claude Code یک هارنس خاص را اضافه می‌کند تا چارچوب مدل را برای تولید کدهای کامپیوتری بهینه کند.

اگرچه Claude Code بسیار مؤثر است، اما هارنسی است که روی یک سیستم بسته ساخته شده است. ارائه‌دهندگان سیستم‌های بسته در مورد تعداد هارنس‌هایی که برای مدل‌های خود می‌سازند، محدودیت دارند.

در مقابل، سیستم‌های وزن‌باز به هر کسی اجازه می‌دهند تا یک هارنس توسعه دهد و احتمالاً از طریق بهینه‌سازی مدل برای یک وظیفه خاص، آن را تجاری‌سازی کند. هرچه تعداد هارنس‌ها بیشتر باشد، هوش مصنوعی برای افراد بیشتر و در کاربردهای متنوع‌تری مفید خواهد بود.

ریسک ژئوپلیتیک و حمایت‌گرایی

در محافل سیاست‌گذاری آمریکا، درخواست‌های فزاینده‌ای برای وضع محدودیت بر مدل‌های وزن‌باز چینی مطرح شده است که معمولاً به تهدیدات ادعایی برای امنیت ملی اشاره می‌کنند، بدون اینکه شواهد پشتیبان کافی ارائه دهند. مؤسسه بروکینگز هشدار می‌دهد که این رویکرد اشتباه است و خاطرنشان می‌کند که مدل‌های وزن‌باز چینی به‌طور فوق‌العاده‌ای قدرتمند هستند.

این گزارش بازار خودروهای برقی آمریکا را به عنوان یک درس عبرت می‌زند. تعرفه‌های تنبیهی آمریکا علیه خودروهای برقی چینی عملاً به یک ممنوعیت تبدیل شد. این سیاست‌های حمایت‌گرایانه منجر به افزایش قیمت‌ها و کاهش حق انتخاب برای خریداران آمریکایی، کاهش نوآوری در داخل آمریکا و تسریع سلطه بازار خودروهای برقی چینی در کشورهای خارج از آمریکا شد.

اگر آمریکا موانع تجاری مصنوعی ایجاد کند، کاربران جهانی صرفاً به دنبال بهترین مدل‌ها خواهند گشت و آن‌ها را بدون توجه به کشور سازنده به کار خواهند گرفت. تنها پاسخ پایدار به رقابت شدید خارجی، نوآوری سریع‌تر است. اگر شرکت‌های آمریکایی مدل‌های وزن‌باز بسازند که با بهترین مدل‌های چینی برابری کنند یا از آن‌ها بهتر باشند، مدل‌های آمریکایی پذیرش جهانی گسترده‌ای را تجربه خواهند کرد.

توجیه تجاری باز بودن

اگرچه سرمایه‌گذاری‌های خطرپذیر (VC) و ارزش‌گذاری‌ها در فضای وزن‌باز بسیار کمتر از ارائه‌دهندگان پیشرو مدل‌های بسته مانند OpenAI و Anthropic بوده است، اما یک بخش قدرتمند در حال ظهور است.

بازیگران کلیدی عبارتند از:

• ایالات متحده: Poolside، Reflection و Hugging Face.
• چین: DeepSeek، Moonshot AI و Z.ai (که به نام Zhipu AI نیز شناخته می‌شود).
• فرانسه: Mistral.

این شرکت‌ها از طریق چندین پیشنهاد متمایز درآمدزایی می‌کنند:

• انطباق مدل‌ها برای مشتریان خاص (Customization).
• ارائه خدمات میزبانی (Hosting).
• ساخت عامل‌های سازمانی (Enterprise Agents) که می‌توانند وظایف چندمرحله‌ای را برنامه‌ریزی و اجرا کنند.

این مسیر دقیقاً مشابه موفقیت لینوکس و اندروید است و سوابقی را ارائه می‌دهد که نشان می‌دهد سیستم‌های باز می‌توانند زیربنای محصولات و خدمات بسیار سودآور باشند.

جلوگیری از تمرکز قدرت

اگر چشم‌انداز هوش مصنوعی توسط تعداد محدودی از ارائه‌دهندگان مدل‌های بسته تسخیر شود، نتیجه آن تمرکز بیش از حد قدرت خواهد بود. این موضوع نگرانی‌های جدی ایجاد می‌کند، از جمله ریسک «تسخیر رگولاتوری» (Regulatory Capture) و ایجاد سیاست‌هایی که به‌طور عمدی مانع ورود بازیگران جدید به بازار شوند.

ترویج یک محیط متنوع که در آن هر دو نوع ارائه‌دهنده (بسته و باز) رشد کنند، تضمین می‌کند که نوآوری در ارائه خدمات بهداشتی، آموزش، داروسازی و تولید، توسط چند نهاد شرکتی کنترل نشود. بهترین راه برای اینکه نبوغ آمریکایی در قرن بیست و یکم به پتانسیل کامل خود برسد، ترویج یک اکوسیستم متنوع با رهبری جهانی در تمام دسته‌های هوش مصنوعی است.

گام بعدی شما

• اگر توسعه‌دهنده هستید، مدل‌های وزن‌باز را برای کاهش هزینه‌های استنتاج و افزایش حریم خصوصی در زیرساخت‌های محلی تست کنید.
• در انتخاب مدل، توازن بین «حفاظ‌های سخت‌گیرانه» مدل‌های بسته و «انعطاف‌پذیری» مدل‌های باز را بر اساس نیاز امنیتی پروژه خود بسنجید.
• تحولات مدل‌های چینی مانند DeepSeek را دنبال کنید تا متوجه شوید استانداردهای جهانی وزن‌باز به کدام سمت می‌روند.

اما نبرد واقعی اکنون بر سر سخت‌افزاری است که این مدل‌ها را اجرا می‌کند — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.