چرخه اخبار فناوری با سرعت زیادی حرکت میکند، اما این هفته متفاوت به نظر میرسید. هوش مصنوعی دیگر صرفاً یک محصول جدید یا یک مقاله پژوهشی نیست، بلکه به یک ابزار چانهزنی در سیاست خارجی تبدیل شده است. دولتها در حال برخورد با وزنهای مدل (model weights) مانند اورانیوم غنیشده هستند: متمرکز، خطرناک در صورت سوءاستفاده، و غیرقابل چشمپوشی اگر رقیبی آنها را ذخیره کند. مبارزه دیگر بر سر این نیست که کدام مدل در یک بنچمارک امتیاز بالاتری کسب میکند؛ بلکه بر سر این است که چه کسی اجازه ساخت آنها را دارد، چه کسی مواد مورد نیاز برای آموزش آنها را کنترل میکند و چه کسی مالک دادههایی است که از آنها یاد گرفتهاند.
اتهام تقطیر
این هفته، یک مقام آمریکایی Moonshot AI را به سرقت مدل Fable متعلق به Anthropic متهم کرد. ادعای مشخص این است که Moonshot از روش تقطیر (distillation) برای ساخت سیستم Kimi K3 خود استفاده کرده است. برای خوانندگانی که از نزدیک روشهای آموزش را دنبال نمیکنند، تقطیر به معنای استفاده از یک مدل بزرگ و توانمند برای آموزش یک مدل کوچکتر یا جدیدتر است. اگر این کار با اجازه انجام شود، قانونی و رایج است؛ اما زمانی به سرقت تبدیل میشود که شرکتی دانش را بدون مجوز از سیستم اختصاصی یک رقیب استخراج کند.
طبق این اتهام، شواهد رفتاری هستند. محققان متوجه شدهاند که Kimi K3 بیش از حد معمول خود را به عنوان Claude، دستیار Anthropic، معرفی میکند. مدلی که پیشینه آموزشی خاص خود را دارد، باید نام خودش را بداند. وقتی مدام ادعا میکند که محصول رقیب است، کمتر شبیه به یک تصادف و بیشتر شبیه به دانشآموزی است که پاسخهای امتحان معلم را کلمه به کلمه حفظ کرده است. اگر Moonshot واقعاً خروجیهای مدل Anthropic را برای آموزش Kimi K3 مکیده باشد، پیامدهای مالکیت فکری آن بسیار فراتر از دادگاههای سیلیکونولی است و به کنترلهای صادراتی و جلسات امنیت ملی نیز کشیده میشود.
ظهور مدلهای ارزان
در حالی که نزاع بر سر تقطیر بالا میگیرد، آزمایشگاههای چینی مدلهای پیشرو (frontier models) را با سرعت و قیمتی عرضه میکنند که نهادهای مستقر در آمریکا را نگران کرده است. DeepSeek V4 و Kimi K3 با فاصله چند روز از هم عرضه شدند. هر دو ادعای قابلیتهایی را دارند که در صدر جدولهای ردهبندی عمومی قرار میگیرند، با این حال با کسری از هزینه همتایان آمریکایی خود اجرا میشوند.
این الگو جدید نیست، اما در حال شتاب گرفتن است. شوکهای قبلی از سوی آزمایشگاههای چینی پیش از این والاستریت را وادار کرده بود تا تردید کند که آیا آموزش یک مدل پیشرو واقعاً به ده میلیارد دلار نیاز دارد یا خیر. DeepSeek V4 و Kimi K3 این فشار را از نو آغاز میکنند. آنها نشان میدهند که کارایی مهندسی، مدیریت هوشمندانه دادهها و راهکارهای جایگزین سختافزاری میتواند جایگزین هزینههای سرمایهای عظیم شود. برای آزمایشگاههای آمریکایی که روی «خندق مقیاسپذیری» (scaling moat) حساب باز کردهاند، پیام روشن است: عملکرد بالا در حال ارزانتر شدن است و فرصت برای قیمتگذاریهای گزاف در حال بسته شدن است.
جنگ عاملهای سازمانی
همه عناوین خبری این هفته درباره ژئوپلیتیک نبود. OpenAI محصول Presence را عرضه کرد؛ محصولی با هدف کمک به کسبوکارها برای بهکارگیری عاملهای هوش مصنوعی (AI agents). این حرکت، OpenAI را در رقابت مستقیم با Google، Meta و NVIDIA قرار میدهد. هر یک از این شرکتها فرصت مشابهی را میبینند: خودِ مدل در حال تبدیل شدن به یک کالای عمومی (commodity) است، اما پلتفرمی که جریانهای کاری واقعی را خودکار میکند، بسیار ارزشمند است.
عاملها گام منطقی بعدی پس از چتباتها هستند. یک چتبات به سوالات پاسخ میدهد، اما یک عامل، پرواز رزرو میکند، گزارشهای هزینهکرد را ثبت میکند یا موجودی انبار را بازتنظیم میکند. رقابت برای خودکارسازی این وظایف در حال داغ شدن است، زیرا درآمد مستمر سازمانی در همین بخش نهفته است. OpenAI نمیخواهد فقط موتور را بفروشد؛ بلکه میخواهد کل خودرو را بفروشد. Google میخواهد Workspace جلسات شما را مدیریت کند. Meta میخواهد عاملها را در شبکه اجتماعی خود بگنجاند. NVIDIA میخواهد لایه زیرساختی زیر پای همه آنها را تامین کند. برنده لزوماً آزمایشگاهی نخواهد بود که بهترین مدل را دارد، بلکه کسی است که بخشهای IT را متقاعد کند تا کلید سیستمهای داخلی را به آنها بسپارند.
وقتی بتن به گلوگاه تبدیل میشود
تمام این جاهطلبیهای نرمافزاری همچنان به مسائل فیزیکی وابسته هستند. OpenAI با شروع Project Camellia، یک مجتمع مرکز داده سی میلیارد دلاری در جورجیا، این موضوع را روشن کرد. سی میلیارد دلار یک بودجه برای تأسیسات نیست؛ بلکه بیانیهای است مبنی بر اینکه محدودیتهای اصلی هوش مصنوعی دیگر الگوریتمها یا حتی GPUها نیستند، بلکه برق و بتن هستند.
شما نمیتوانید یک مدل پیشرو (frontier model) را در یک کمد سرور آموزش دهید. شما به هزاران شتابدهنده نیاز دارید که همصدا با هم کار کنند و بیش از برق مصرف یک شهر متوسط را به خود اختصاص دهند. شما به فیبر نوری، آب برای خنکسازی، فولاد و سالها زمان برای اخذ مجوزها نیاز دارید. به همین دلیل است که مدیران دارایی مانند BlackRock و MGX میلیاردها دلار در پروژههای مرکز داده (data center) سرمایهگذاری میکنند. آنها روی یک اپلیکیشن شرطبندی نمیکنند؛ آنها در حال خریدن راهآهنها و معادن زغالسنگ عصر هوش مصنوعی هستند. اگر زنجیره تأمین تولید برق و ساختوساز نتواند همگام با این روند پیش برود، کل نقشه راه مدلهای بزرگتر، صرفنظر از اینکه ریاضیات آنها چقدر ظریف و دقیق باشد، با شکست مواجه خواهد شد.
دادگاهها، کپیرایت و سرمایه
سیستم حقوقی نیز این هفته در کانون توجه قرار گرفت. یک قاضی با توافق ۱.۵ میلیارد دلاری Anthropic با نویسندگانی که این شرکت را به استفاده بدون اجازه از کتابهایشان برای آموزش Claude متهم کرده بودند، موافقت کرد. این توافق یکی از بزرگترین دعاوی کپیرایت در تاریخ هوش مصنوعی را حل و فصل میکند.
اندازه این چک به اندازه خودِ حکم اهمیت دارد. این موضوع به هر آزمایشگاه دیگری میگوید که دادههای آموزشی، منبع رایگانی نیستند که از وب آزاد استخراج شوند؛ بلکه یک بدهی احتمالی (contingent liability) هستند که در نهایت میتواند در ترازنامه ظاهر شود. یک ردیف هزینهی ۱.۵ میلیارد دلاری، طرز فکر تیمهای مالی را در مورد بودجههای پیشآموزش (pre-training) تغییر میدهد. همچنین نویسندگان و ناشران را با یک رویه قضایی روشن برای شکایتهای آینده مسلح میکند. اگر امروز در حال ساخت یک مدل هستید، دیگر نمیتوانید فرض کنید که پیکره آموزشی (training corpus) شما از بازرسیها در امان خواهد بود.
هوش مصنوعی فراتر از صفحه نمایش
در نهایت، مجموع دو رقم بودجه در این هفته به همه یادآوری کرد که هوش مصنوعی محدود به پنجرههای چت نیست. بودجه هوش مصنوعی در حوزه دفاعی این ماه به ۳ میلیارد دلار رسید، در حالی که سرمایهگذاری در زمینه کشف دارو با کمک هوش مصنوعی به ۲ میلیارد دلار بالغ شد.
در حوزه دفاعی، پول به سمت سیستمهایی جریان دارد که میتوانند تصاویر ماهوارهای را تجزیه کنند، دستههای پهپادی را هماهنگ کنند و چرخههای تصمیمگیری در میدان نبرد را فشرده کنند. در حوزه داروسازی، ابزارهای جدید هوش مصنوعی زمان توسعه دارو را از سالها به ماهها کاهش میدهند. محققان اکنون میتوانند مولکولهای کاندید را پیش از آنکه حتی با یک آزمایشگاه مرطوب (wet lab) تماس پیدا کنند، در محیط شبیهسازی کامپیوتری (silicon) تولید و غربالگری کنند. ماهیت دو منظوره (dual-use) این فناوری به وضوح در حال نمایش است. همان روشهای زیربنایی که یک بات خدمات مشتری را بهبود میبخشند، هدفگیری موشکها و طراحی آنتیبادی را نیز تسریع میکنند. با سرازیر شدن پولها، مرزهای اخلاقی و نظارتی بین هوش مصنوعی تجاری و استراتژیک کمرنگتر میشود.
گفتگوهای سپتامبر و جدول امتیازات جدید
تمام این رشتهها در یک قرار ملاقات به هم میرسند: ایالات متحده و چین در ماه سپتامبر گفتگوهای رسمی در مورد هوش مصنوعی برگزار خواهند کرد. آنها قصد دارند در مورد هوش مصنوعی نظامی و دسترسی به تراشهها بحث کنند. همین دو مورد در دستور کار به تنهایی به شما میگوید که چقدر از دوران تحقیقات باز فاصله گرفتهایم.
رقابت قدیمی ساده بود. شما یک مدل منتشر میکردید، من یک مدل منتشر میکردم و کسی که امتیاز بهتری در MMLU یا HumanEval میگرفت، برنده هفته میشد. آن بازی در حال پایان است. سوالات جدید سختتر از آن هستند که بتوان آنها را کمیسازی کرد و با یک بهروزرسانی نرمافزاری اصلاح کرد:
- چه کسی با چه دادهای آموزش دیده است و آیا هزینه آن را پرداخت کرده است؟
- چه کسی میتواند چه تراشههایی بخرد و چه کسی از زنجیره تأمین محروم شده است؟
- چه کسی منبع تغذیهای را که دیتاسنترها را فعال نگه میدارد، کنترل میکند؟
بنچمارکها در حال همگرا شدن هستند. قابلیتها در حال همگراییاند، اما سیاستها در حال شکافتن هستند. دو اکوسیستم موازی در حال شکلگیری هستند که توسط مجوزهای صادرات، شبکههای انرژی و رژیمهای حقوقی از هم جدا شدهاند.
نتیجهگیری اصلی
اگر توسعهدهنده، بنیانگذار یا خریدار سازمانی هستید، ارزیابی هوش مصنوعی را صرفاً بر اساس امتیازات جدول ردهبندی (leaderboard) متوقف کنید. شروع کنید به اینکه ریسکهای زنجیره تأمین و سیاسی را به عنوان محدودیتهای مهندسی در نظر بگیرید. مدلی که امروز با آن ادغام میکنید، ممکن است فردا درگیر محدودیتهای صادراتی شود. دادههای آموزشی پشت آن ممکن است هزینهی حقوقی میلیاردی به همراه داشته باشد. مرکز دادهای که آن را اجرا میکند ممکن است نه توسط نبوغ محققانی که آن را ساختهاند، بلکه توسط شبکه برق محلی محدود شود. معماری خود را بهگونهای بسازید که گویی ابزارهایی که به آنها متکی هستید ممکن است تحت تحریم، درگیر دعاوی حقوقی یا با کمبود انرژی مواجه شوند؛ زیرا این هفته روشن کرد که هر سه مورد اکنون به احتمالات واقعی تبدیل شدهاند.