بر اساس گزارشی از The Information که روز چهارشنبه منتشر شد و توسط رویترز منتشر شد، توسعه‌دهندگان چینی هوش مصنوعی DeepSeek و Moonshot AI برای آموزش جدیدترین سیستم‌های خود به شدت به خروجی‌های مدل GPT-6 Astra OpenAI وابسته بودند. این گزارش به افرادی اشاره می‌کند که مستقیماً از این موضوع مطلع هستند و تأکید می‌کند که استفاده ادعایی از خروجی‌های آسترا به طور مستقل ثابت نشده است.
اگر این ادعاها درست باشد، OpenAI را در مرکز همان اختلافات تقطیر قرار می دهد که قبلاً رقیب اصلی آن را به دام انداخته است. برای خوانندگانی که [اخبار هوش مصنوعی] (https://aibuzzwire.news) را در مورد رقابت مدل و شیوه‌های آموزشی دنبال می‌کنند، این داستان تنها سه ماه پس از آن منتشر می‌شود که آنتروپیک علناً همان دو آزمایشگاه چینی - همراه با علی‌بابا - را به تقطیر مدل‌های کلود خود متهم کرد.
کدام مدل ها دخیل هستند؟
گزارش اطلاعات دو سیستم خاص را نام می برد. گفته می شود که Kimi K3.1 Pro متعلق به Moonshot AI که هفته گذشته منتشر شد و نسخه ارتقا یافته V4.1-Flash 1017 DeepSeek که در 17 اکتبر عرضه شد، از تقطیر با استفاده از مدل مرزی OpenAI بهره مند شده اند. نه DeepSeek و نه Moonshot این عمل را تایید نکرده‌اند و خود گزارش هشدار می‌دهد که استفاده از خروجی‌های Astra به طور مستقل ثابت نشده است.
تقطیر در صنعت به معنای آموزش یک مدل بر روی خروجی های یک مدل توانمندتر است تا دانش آموز یاد بگیرد که پاسخ های معلم را بازتولید کند. به جای پرداخت هزینه برای هر قابلیتی از طریق یک دوره آموزشی مستقل، یک آزمایشگاه می‌تواند از یک سیستم پیشرو پرس و جو کند و از پاسخ‌های آن به عنوان سیگنال آموزشی با کیفیت بالا استفاده کند - ارزان‌تر، سریعتر و به طور فزاینده‌ای برای چگونگی ساخت مدل‌های رقابتی محور.
الگویی از اتهامات - و دفاعیات جدید
این گزارش در بحبوحه یک سال افزایش ادعاها در مورد استخراج مدل ارائه می شود. در ماه سپتامبر، دولت ایالات متحده اعلام کرد که یک کمپین تقطیر در مقیاس بزرگ توسط شرکت‌های چینی علیه شرکت‌های هوش مصنوعی آمریکایی صورت گرفته است - بیانیه‌ای که یادداشت‌های اطلاعات جدا از گزارش جدید آن در مورد GPT-6 Astra است. اتهامات اوت Anthropic مبنی بر اینکه Alibaba، DeepSeek و Moonshot مدل‌های کلود را تقطیر کرده‌اند، الگوی مبارزه فعلی را تعیین کرد.
دفاع ها نیز در حال سخت شدن هستند. در اوایل این ماه، آنتروپیک گفت اقدامات جدید طراحی شده برای جلوگیری از کپی برداری از قابلیت های کلود توسط رقبا، داده های جمع آوری شده از طریق به اصطلاح حملات تقطیر را تقریباً 90 تا 99 درصد کاهش داده است. این شکل نشان می دهد که نظارت بر الگوهای پرس و جو، محدود کردن دسترسی، و محدود کردن نرخ فعالیت مشکوک می تواند به طور قابل اندازه گیری هزینه استخراج را افزایش دهد - اگرچه اقدامات حفاظتی فقط تا زمانی کار می کنند که مهاجمان با آنها سازگار شوند.
OpenAI نگفته است که آیا الگوهای مشابهی را در برابر GPT-6 Astra شناسایی کرده است یا در پاسخ به این گزارش تغییرات سیاستی را برنامه ریزی می کند. شرایط خدمات این شرکت، مانند شرایط رقبا، استفاده از خروجی ها را برای آموزش مدل های رقیب محدود می کند.
تقطیر چه کاری می تواند انجام دهد و چه کاری را نمی تواند انجام دهد
واقعیت فنی بیشتر از آن چیزی است که تیترها نشان می دهند. خروجی‌ها می‌توانند سیگنال‌های آموزشی مفیدی را ارائه دهند، اما معماری مدل، داده‌های آموزشی، پارامترهای داخلی یا هر یک از قابلیت‌های آن را منتقل نمی‌کنند. اثربخشی تقطیر به کیفیت و تنوع نمونه های برداشت شده و فرآیند آموزشی که آنها را در بر می گیرد بستگی دارد. یک مدل مقطر ممکن است با معلم در معیارهایی مطابقت داشته باشد که شبیه داده‌های جمع‌آوری‌شده است در حالی که در جاهای دیگر ضعیف‌تر باقی می‌ماند.
این تفاوت ظریف هر دو طرف را کاهش می دهد. این بدان معناست که یک کمپین تقطیر گزارش شده نشان نمی‌دهد که واقعاً چه مقدار از عملکرد یک مدل رقیب از استخراج ناشی می‌شود، آیا شرایط خدمات نقض شده است یا اینکه آیا به هر حال قابلیت‌های حاصل ظاهر می‌شدند. اما این همچنین به این معنی است که برداشت در مقیاس بزرگ می‌تواند مسیر سریع‌تری را به رقیب برای توانایی‌های خاص ارائه دهد - به‌ویژه کدنویسی و استدلال، جایی که شکاف بین مدل‌های مرزی و مدل‌های دنبال‌کننده سریع در تمام سال کاهش یافته است.
تعادل دشوار برای صنعت
هیچ یک از طرفین این اختلاف این عمل را ساده نمی بینند. تقطیر به خودی خود ذاتاً نامناسب نیست - توسعه دهندگان هوش مصنوعی به طور معمول از تکنیک هایی استفاده می کنند که دانش را بین مدل های خود منتقل می کند - و دسترسی گسترده به سیستم های پیشرو چیزی است که به استارتاپ ها، محققان و کسب و کارها اجازه می دهد اصلاً محصولات بسازند. تنش در مقیاس به وجود می آید: دسترسی نامحدود، جمع آوری مجموعه داده های بزرگ از خروجی ها را برای یک شخص ثالث برای اهدافی که ارائه دهنده هرگز مجاز نکرده است، بسیار آسان تر می کند.
ضمانت هایی که ارائه دهندگان در پاسخ به کار می گیرند هزینه های خود را دارند. نظارت بر الگوهای پرس و جو غیرمعمول، محدود کردن دسترسی به قابلیت‌های خاص، اعمال محدودیت‌های استفاده، و بررسی جمع‌آوری انبوه، همگی قیمت استخراج را افزایش می‌دهند – اما همچنین باعث ایجاد اصطکاک عملیاتی برای توسعه‌دهندگان قانونی و شرکت‌هایی می‌شوند که به دسترسی ثابت API وابسته هستند. این صنعت در واقع در حال مذاکره در جایی است که توسعه مدل مشروع به پایان می رسد و استخراج غیرمجاز آغاز می شود، یک تغییر سیاست در یک زمان.
اقتصاد پشت مبارزه
دلیل مراقبت از آزمایشگاه ها حسابی است. آموزش یک مدل مرزی میلیاردها دلار هزینه محاسباتی و تحقیقاتی دارد. اگر یک رقیب بتواند قابلیت های مهم را با پرس و جو سیستماتیک یک مدل موجود با قیمت های API بازتولید کند، مزیت مالی ساخت سیستم مرزی کاهش می یابد - و انگیزه ادامه ساخت آن با آن کاهش می یابد. این منطق توضیح می‌دهد که چرا آزمایشگاه‌های آمریکایی سال 2026 را صرف تقویت دفاع خود کرده‌اند و چرا هر اتهام جدید کمتر به عنوان شایعات مطرح می‌شود تا به عنوان یک نقطه داده در یک جنگ اقتصادی معلق.
برای توسعه دهندگان چینی، محاسبات متفاوت است. دسترسی به پیشرفته‌ترین تراشه‌ها محدود است و تقطیر مسیری را برای عملکرد رقابتی بدون تطبیق بودجه محاسباتی ارائه می‌دهد. گزارش اطلاعات نشان می‌دهد که این مسیر از طریق پرچم‌دار خود OpenAI می‌گذرد - همان اتهامی که هدف دیگری را هدف قرار می‌دهد.
---
از هوش مصنوعی جلوتر بمانیدآخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.
بیشتر بخوانید اخبار هوش مصنوعی →
