در ۱۶ جولای، Moonshot AI مدل Kimi K3 را منتشر کرد. این فقط یک ورودی دیگر در یک جدول امتیازات شلوغ نبود. این مدل با بزرگترین مقیاس وزنهای باز (open-weight) که تا آن زمان دیده شده بود، قدرت استدلال و پردازشی را ارائه میداد که معمولاً با هزینههای لایسنس سازمانی همراه است و اکثر استارتاپها توان پرداخت آن را ندارند. شما میتوانید آن را دانلود کنید، تغییر دهید و روی سرورهای خودتان اجرا کنید. برای توسعهدهندهای که مراقب هر دلاری است، این پیشنهادی است که نمیتوان نادیده گرفت.
اما قیمت روی برچسب، تمام هزینه نیست.
هزینه واقعی ساختن بر پایه مدلهای وزنباز چینی در جاهای غیرمنتظرهای در حال نمایان شدن است: جلسات استماع کنگره، یادداشتهای کنترل صادرات و اضطراب فزاینده در محافل دفاعی واشینگتن. همان شفافیتی که به شما اجازه میدهد از APIهای اختصاصی عبور کنید، دقیقاً همان چیزی است که سیاستگذاران را نگران میکند. وقتی وزنها باز هستند، مدل دیگر فقط یک نرمافزار نیست؛ بلکه به یک زیرساخت تبدیل میشود. و زیرساختی که در خارج از کشور ساخته شده باشد، وزن سیاسی با خود به همراه دارد.
معامله در ابتدا شیرین به نظر میرسد
بیایید صادق باشیم که چرا این مدلها در حال گسترش هستند. یک API متنبسته غربی ممکن است هزینههایی دریافت کند که با رشد پایگاه کاربران شما، به شکلی بیرحمانه افزایش یابد. هزینههای توکن (token) روی هم جمع میشوند. محدودیتهای نرخ (rate limits) سرعت محصول شما را کاهش میدهند. شما در حال اجاره کردن هوش هستید و صاحبخانه میتواند شرایط را تغییر دهد.
یک مدل وزنباز مانند Kimi K3 این رابطه را دگرگون میکند. شما پارامترها را یک بار دانلود میکنید. آنها را به صورت محلی یا روی یک نمونه ابری (cloud instance) که خودتان کنترل میکنید، میزبانی میکنید. هزینههای استنتاج (inference) شما به برق و اجاره سختافزار کاهش مییابد. برای یک استارتاپ SaaS که تیکتهای پشتیبانی مشتری را پردازش میکند، یا یک شرکت متوسط که در حال ساخت یک پایگاه دانش داخلی است، این محاسبات بسیار متقاعدکننده است. شما دیگر به ازای هر پرسوجو (query) هزینه نمیپردازید؛ بلکه هزینه محاسبات (compute) را میپردازید، و هزینه محاسبات مدام ارزانتر میشود.
همچنین جنبه سفارشیسازی وجود دارد. مدلهای بسته، جعبههای سیاه هستند. شما یک پرامپت (prompt) میفرستید، پاسخی دریافت میکنید و امیدوارید که رفتار مدل در نسخههای مختلف ثابت بماند. با وزنهای باز، مهندسان شما میتوانند مدل را برای وظایف خاص، بازتنظیم (fine-tune)، هرس (prune) یا تقطیر (distill) کنند. یک شرکت فینتک میتواند آن را بر اساس الگوهای اختصاصی کلاهبرداری آموزش دهد. یک تولیدکننده میتواند آن را مستقیماً روی دستگاههای لبه (edge devices) تعبیه کند، بدون اینکه دادههای حساس تلمتری را به سرور شخص ثالثی در هزاران مایلی ارسال کند.
این کنترل اهمیت دارد. به همین دلیل است که جذابیت موضوع فقط صرفهجویی در هزینهها نیست، بلکه بحث خودمختاری است.
وقتی وزنها با محدودیتهایی همراه هستند
مشکل اینجاست که خودمختاری مستلزم آن است که زمین زیر پای شما ثابت بماند. واشینگتن دیگر نمیپرسد که آیا این مدلها خوب هستند یا خیر؛ بلکه میپرسد اگر بخشهای وسیعی از اقتصاد ایالات متحده به آنها وابسته شوند، چه اتفاقی خواهد افتاد؟
گفتمان سیاستگذاری به شدت تغییر کرده است. بحثهای قبلی درباره هوش مصنوعی بر سوگیری (bias)، ایمنی یا ریسکهای وجودی تمرکز داشتند. اکنون نگرانی اصلی، حاکمیت تکنولوژیک است. وقتی شرکتی وزنهای توسعهیافته توسط چین را در پشته محصول (product stack) خود ادغام میکند، سیاستگذاران نگران آسیبپذیریهای سیستماتیکی هستند که هیچ ارتباطی با دقت پیشبینی توکن بعدی مدل ندارند.
از نظر عملی به آن فکر کنید. وزنهای باز همچنان به بهروزرسانی، اکوسیستمهای ابزاری و حمایت جامعه نیاز دارند. اگر یک مدل به پایه و اساس محصول شما تبدیل شود، شما فقط در حال وارد کردن کد نیستید، بلکه در حال وارد کردن یک زنجیره وابستگی هستید. اگر بعداً معماری مدل هدف کنترلهای صادرات قرار گیرد چه؟ اگر ارائهدهندگان میزبانی با دستورالعملهای انطباقی (compliance mandates) مواجه شوند که اجرای برخی فایلهای پارامتر را ممنوع میکند چه؟ اگر بسته تحریمهای آینده، بازتنظیم مشتقات (derivatives) را برای استفاده تجاری غیرقانونی کند چه؟
اینها سوالات تئوریک نیستند. وزارت خزانهداری و وزارت بازرگانی پیش از این تمایل خود را برای قرار دادن شرکتهای فناوری چینی در لیستهای سیاه (entity lists) و محدود کردن استفاده از نرمافزارها و سختافزارهای خاص در مراحل پایینتر نشان دادهاند. بنیانگذارانی که حول GPUهای ارزان چینی فعالیت میکردند، وقتی زنجیرههای تأمین یکشبه منجمد شدند، این درس را به سختی آموختند. وزنها فقط بیت هستند، اما چارچوبهای قانونی که بر آنها حاکم است میتواند به سرعتِ ممنوعیتهای نیمههادیها تغییر کند.
برای یک مدیر ارشد فناوری (CTO)، این موضوع نوعی بدهی فنی (technical debt) را معرفی میکند که در تیکتهای Jira ظاهر نمیشود. ممکن است شش ماه را صرف آموزش تیم مهندسی خود بر روی زنجیره ابزار (toolchain) Kimi K3، ادغام آن در خط لوله CI/CD و راهاندازی ویژگیهای مشتریمحور کنید. سپس یک اطلاعیه رسمی فدرال میتواند شما را مجبور به مهاجرت (migration) کند. انتقال بین خانوادههای مدل مانند تعویض یک پایگاه داده نیست؛ بلکه مستلزم بازتنظیم پرامپتها، بازبینی خروجیها و اغلب بازآموزی طبقهبندهای (classifiers) پاییندستی است. هزینه این چرخش میتواند بسیار بیشتر از هر چیزی باشد که در هزینههای API صرفهجویی کردهاید.
پشتهی دوگانه به معنای دو برابر شدن کار است
اگر واشینگتن در محدود کردن برخی مدلهای چینی یا معماریهای پشتیبان آنها پافشاری کند، بازار جهانی هوش مصنوعی تنها با افزایش قیمتها مواجه نخواهد شد، بلکه با یک گسست واقعی روبرو خواهد شد.
ما پیش از این شاهد چنین سناریویی در استانداردهای مخابراتی و پلتفرمهای رسانههای اجتماعی بودهایم، اما زیرساخت هوش مصنوعی بنیادیتر است. تقسیم شدن پشتههای تکنولوژی (stack) به معنای زنجیرههای ابزار ناسازگار، چارچوبهای ایمنی متفاوت و رژیمهای انطباق تکراری است. یک توسعهدهنده در برلین ممکن است از یک مجموعه وزنها و حفاظهای (guardrails) مشخص برای بازار اروپا و یک پشته کاملاً مجزا برای هرگونه استقرار در ایالات متحده استفاده کند. این موضوع صرفاً آزاردهنده نیست، بلکه بسیار هزینهبر است.
تیمهای تدارکات سازمانی ناچار خواهند بود بررسیهای دوگانه تأمینکنندگان را انجام دهند. بخشهای حقوقی باید منشأ مدلها را با همان دقتی که در حال حاضر برای حریم خصوصی دادهها به کار میبرند، پیگیری کنند. مخازن متنباز ممکن است بر اساس مرزهای ملی منشعب شوند، به طوری که مشارکتهای چینی در کتابخانههای محبوبِ تنظیم دقیق (fine-tuning) با بازرسیهای شدید یا حذف مواجه شود. بافت همکاری که ویژگی بارز توسعه مدلهای وزنباز (open-weight) بوده است، شروع به از هم گسیختن میکند.
برای شرکتهای کوچکتر، این دوپارگی بهویژه آسیبزا است. غولهایی مانند مایکروسافت یا گوگل میتوانند