چالش‌های توسعه‌دهندگان هوش مصنوعی در آمریکا

آزمایشگاه‌های هوش مصنوعی چین در تعقیب همتایان آمریکایی خود هستند و فناوری خود را با کسری از قیمت عرضه می‌کنند.

وضعیت شرکت‌های توسعه‌دهنده هوش مصنوعی آمریکایی را در نظر بگیرید؛ آن‌ها پس صرف میلیاردها دلار هزینه برای توسعه یک مدل حتی پیش از آنکه فرصت پیدا کنند نفسی تازه کنند، رقبایشان از راه رسیده و خود را به آن‌ها رسانده‌اند. اگر تنها رقبایی که فناوری خود را به فروش می‌رسانند در تعقیب آن‌ها بودند، شرایط به‌اندازه کافی دشوار می‌بود؛ اما شرکت‌هایی مانند آنتروپیک و OpenAI باید هم‌زمان با سرعتی بالا حرکت کنند تا فقط چند قدم از آزمایشگاه‌هایی جلوتر بمانند که مدل‌های خود را به‌صورت رایگان عرضه می‌کنند.

در ۱۶ ژوئیه سال جاری میلادی، استارتاپ چینی Moonshot AI مدل Kimi K3 را عرضه کرد؛ مدلی که تنها اندکی ضعیف‌تر از Fable و Sol است. پارامترهای این مدل یا همان وزن‌های  (weights)آن قرار است در اواخر همین ماه به‌صورت عمومی و رایگان در دسترس قرار گیرد؛ به این معنا که هر فردی می‌تواند آن را دانلود کرده و روی هر سروری که توانایی اجرای آن را داشته باشد، راه‌اندازی کند. در ۱۹ ژوئیه نیز علی‌بابا، غول اینترنتی چین، نسخه پیش‌نمایشی از عضو جدید خانواده مدل‌های Qwen خود را معرفی کرد؛ مدلی که این شرکت ادعا می‌کند پس از Fable، دومین مدل قدرتمند موجود است.

در هوشیو بخوانید:

چرا آمریکا نگران Kimi K3 است؟

بر اساس تحلیل‌های انجام‌شده توسط Epoch AI، قدرتمندترین مدل‌های وزن‌باز که معمولاً چینی هستند، تنها چند ماه از مرز فناوری عقب‌تر هستند (نمودار را ببینید). پذیرش این سیستم‌ها نیز با سرعت زیادی در حال گسترش است. کاربران OpenRouter در ماه مه بر اساس میزان مصرف توکن، بیش از دوبرابر بیشتر از سیستم‌های برتر ارائه‌شده توسط آزمایشگاه‌های چینی نسبت به رقبای آمریکایی استفاده کردند. در ماه ژوئن، استفاده از مدل‌های برتر آمریکایی ۳۵ درصد افزایش یافت، اما استفاده از مدل‌های چینی ۱۶۵ درصد جهش کرد.

این موضوع نه‌تنها موجب نگرانی توسعه‌دهندگان پیشرو مدل‌های هوش مصنوعی در آمریکا شده، بلکه در دولت این کشور نیز نگرانی‌هایی ایجاد کرده است؛ زیرا مقام‌های آمریکایی بیم آن دارند که کشورشان در رقابت هوش مصنوعی جایگاه برتر خود را از دست بدهد و درعین‌حال فرصت‌های تازه‌ای برای حملات سایبری ایجاد شود. گفته می‌شود برخی افراد در دولت ترامپ در حال فشارآوردن برای اجرای اقداماتی مختلف جهت کاهش سرعت توسعه و پیشرفت و حتی گسترش استفاده مدل‌های چینی هستند؛ اقداماتی مانند قراردادن سازندگان این مدل‌ها در فهرست‌های سیاه تجاری یا هشدار به شرکت‌های آمریکایی درباره استفاده از آن‌ها.

همچنین درباره این ادعا که آزمایشگاه‌های چینی از مدل‌های آمریکایی برای آموزش سیستم‌های خود استفاده می‌کنند، انتقادهایی مطرح شده است؛ فرایندی که به آن «تقطیر» (distillation) گفته می‌شود. بااین‌حال، رویکرد غیرقابل‌پیش‌بینی دولت آمریکا در اعطای دسترسی به مدل‌های پیشرفته‌ای مانند Fable و Sol نیز خود به افزایش استقبال از جایگزین‌های چینی وزن‌باز دامن زده است.

حتی پیش از عرضه Kimi K3، مدل‌های چینی وزن‌باز در سراسر جهان توجه زیادی جلب کرده بودند. GLM-5.2، مدلی که در ماه ژوئن توسط Z.ai یکی دیگر از آزمایشگاه‌های چینی عرضه شد، در انجام وظایف عامل‌محور مانند تولید نرم‌افزار عملکرد بهتری نسبت به هر چیزی دارد که در حال حاضر از سوی گوگل ارائه شده است. محصولات DeepSeek و MiniMax، دو آزمایشگاه چینی دیگر نیز محبوبیت زیادی پیدا کرده‌اند. بر اساس گزارشی از Mozilla، شرکت سازنده مرورگر Firefox، مدل‌های وزن‌باز همچنان در زمینه استدلال و انجام کارهای پیچیده عامل‌محور از مرز فناوری عقب‌تر هستند، اما اکنون در بسیاری از وظایف به طور گسترده «به‌اندازه کافی خوب» تلقی می‌شوند.

این مدل‌ها همچنین هزینه بسیار پایین‌تری دارند؛ مزیتی مهم در شرایطی که شرکت‌ها با افزایش هزینه‌های هوش مصنوعی دست‌وپنجه نرم می‌کنند.  Artificial Analysisهزینه‌ای را که مدل‌های منتخب برای انجام هر وظیفه در مجموعه‌آزمون‌های آن نیاز دارند را رصد می‌کند. قدرتمندترین سیستم ارائه‌شده توسط DeepSeek به طور میانگین برای هر کار تنها ۰٫۰۴ دلار هزینه دارد و Kimi K3 که هنوز به‌صورت وزن باز عرضه نشده، به طور میانگین ۰٫۹۵ دلار هزینه دارد. کاربران Fable نیز باید انتظار ۲٫۷۵ دلار را داشته باشند.

بخشی از تفاوت هزینه‌ها ناشی از این واقعیت است که تقریباً هر ارائه‌دهنده خدمات ابری می‌تواند دسترسی به یک مدل وزن‌باز را عرضه کند؛ موضوعی که حاشیه سود را کاهش می‌دهد. برای مثال، DeepSeek دسترسی به مدل v4 flash خود را با هزینه ۰٫۲۸ دلار به‌ازای هر میلیون توکن ارائه می‌کند، درحالی‌که ارزان‌ترین ارائه‌دهنده شخص ثالث آن را با قیمت ۰٫۱۸ دلار به‌ازای هر میلیون توکن عرضه می‌کند.

علاوه بر این، بسیاری از مدل‌های وزن‌باز با تمرکز ویژه بر اجرای کارآمدتر آموزش داده می‌شوند؛ بخشی از این مسئله واکنشی است به چالش‌هایی که آزمایشگاه‌های چینی در دسترسی به توان محاسباتی، به دلیل محدودیت‌های آمریکا در زمینه تراشه‌های پیشرفته با آن مواجه هستند.

نوآوری‌هایی مانند مدل‌های Mixture of Experts که تنها بخش مرتبط یک سیستم هوش مصنوعی را برای پاسخ‌گویی به یک کوئری فعال می‌کنند، به طور گسترده توسط توسعه‌دهندگان مدل‌های وزن‌باز مورداستفاده قرار گرفته‌اند. آزمایشگاه‌هایی مانند DeepSeek و علی‌بابا نیز در این تکنیک پیشرفت‌های قابل‌توجهی داشته‌اند.

بااین‌حال، جذابیت مدل‌های وزن‌باز فراتر از این موارد است. سه هفته‌ای که در آن Fable به دلیل تلاش عجولانه دولت آمریکا برای محدودکردن دسترسی به این مدل و ارائه آن فقط به شهروندان آمریکایی به‌صورت جهانی در دسترس نبود؛ باعث شد بسیاری از شرکت‌ها میزان وابستگی خود به آزمایشگاه‌های منفرد را بررسی کنند. این اتفاق آن‌ها را تشویق کرد تا جایگزین‌های وزن‌باز را آزمایش کنند؛ مدل‌هایی که می‌توان از طریق ارائه‌دهندگان متعدد به آن‌ها دسترسی داشت و حتی ممکن است روی سرورهای داخلی شرکت‌ها نیز اجرا شوند. «رافی کریکوریان» (Raffi Krikorian)، مدیر ارشد فناوری Mozilla، این اتفاق را یک «شلیک هشدار به سمت کشتی دشمن» (shot across the bow) توصیف می‌کند.

بااین‌حال، مدل‌های چینی وزن‌باز ممکن است برای مدت طولانی کاملاً قابل‌اتکا باقی نمانند. گفته می‌شود دولت چین نیز در حال بررسی راه‌هایی برای کنترل دسترسی خارجی‌ها به فناوری‌های خود است؛ اقدامی که می‌تواند شامل محدودکردن امکان دانلود مدل‌های با وزن باز در خارج از چین باشد. آزمایشگاه‌های هوش مصنوعی آمریکا بدون شک از چنین اقدامی استقبال خواهند کرد.

گزارش حاضر در نسخه July 25^th 2026 نشریه The Economist منتشر شده است.