बुधवार को प्रकाशित और रॉयटर्स द्वारा प्रकाशित द इंफॉर्मेशन की एक रिपोर्ट के अनुसार, चीनी एआई डेवलपर्स डीपसीक और मूनशॉट एआई अपने नवीनतम सिस्टम को प्रशिक्षित करने के लिए ओपनएआई के जीपीटी -6 एस्ट्रा मॉडल के आउटपुट पर बहुत अधिक निर्भर थे। रिपोर्ट में मामले की प्रत्यक्ष जानकारी रखने वाले लोगों का हवाला दिया गया है और इस बात पर जोर दिया गया है कि एस्ट्रा आउटपुट का कथित उपयोग स्वतंत्र रूप से स्थापित नहीं किया गया है।

यदि दावे सटीक हैं, तो दावे ओपनएआई को उसी आसवन विवाद के केंद्र में डाल देंगे जिसने पहले से ही अपने मुख्य प्रतिद्वंद्वी को फंसा लिया है। मॉडल प्रतियोगिता और प्रशिक्षण प्रथाओं पर [एआई समाचार] (https://aibuzzwire.news) पर नज़र रखने वाले पाठकों के लिए, यह कहानी एंथ्रोपिक द्वारा सार्वजनिक रूप से उन्हीं दो चीनी प्रयोगशालाओं - अलीबाबा के साथ - पर अपने क्लाउड मॉडल को डिस्टिल करने का आरोप लगाने के ठीक तीन महीने बाद सामने आती है।

कौन से मॉडल शामिल हैं?

सूचना की रिपोर्टिंग में दो विशिष्ट प्रणालियों का नाम दिया गया है। कहा जाता है कि पिछले सप्ताह जारी किए गए मूनशॉट एआई के किमी K3.1 प्रो और 17 अक्टूबर को लॉन्च किए गए डीपसीक के उन्नत V4.1-फ्लैश 1017 को ओपनएआई के फ्रंटियर मॉडल का उपयोग करके आसवन से लाभ हुआ है। न तो डीपसीक और न ही मूनशॉट ने इस अभ्यास की पुष्टि की है, और रिपोर्ट स्वयं चेतावनी देती है कि एस्ट्रा आउटपुट का उपयोग स्वतंत्र रूप से स्थापित नहीं किया गया है।

उद्योग के उपयोग में आसवन का अर्थ है एक मॉडल को अधिक सक्षम मॉडल के आउटपुट पर प्रशिक्षित करना ताकि छात्र शिक्षक की प्रतिक्रियाओं को पुन: पेश करना सीख सके। एक स्वतंत्र प्रशिक्षण कार्यक्रम के माध्यम से हर क्षमता के लिए भुगतान करने के बजाय, एक प्रयोगशाला एक अग्रणी प्रणाली से पूछताछ कर सकती है और उसके उत्तरों को उच्च गुणवत्ता वाले प्रशिक्षण संकेत के रूप में उपयोग कर सकती है - सस्ता, तेज़ और प्रतिस्पर्धी मॉडल बनाने के लिए तेजी से केंद्रीय।

आरोपों का एक पैटर्न - और नए बचाव

यह रिपोर्ट मॉडल निष्कर्षण पर बढ़ते दावों के एक साल के बीच आई है। सितंबर में, अमेरिकी सरकार ने कहा कि अमेरिकी एआई कंपनियों के खिलाफ चीनी कंपनियों द्वारा बड़े पैमाने पर आसवन अभियान चलाया गया था - एक बयान सूचना नोट विशेष रूप से जीपीटी -6 एस्ट्रा पर इसकी नई रिपोर्टिंग से अलग है। एंथ्रोपिक का अगस्त में आरोप है कि अलीबाबा, डीपसीक और मूनशॉट ने क्लाउड मॉडल को डिस्टिल्ड कर मौजूदा लड़ाई की रूपरेखा तैयार की है।

बचाव भी सख्त हो रहे हैं. इस महीने की शुरुआत में, एंथ्रोपिक ने कहा कि प्रतिद्वंद्वियों को क्लाउड की क्षमताओं की नकल करने से रोकने के लिए डिज़ाइन किए गए नए उपायों ने तथाकथित आसवन हमलों के माध्यम से एकत्र किए गए डेटा को लगभग 90 से 99 प्रतिशत तक कम कर दिया है। आंकड़े से पता चलता है कि क्वेरी पैटर्न की निगरानी, ​​पहुंच को प्रतिबंधित करना और संदिग्ध गतिविधि की दर को सीमित करना निष्कर्षण की लागत को काफी हद तक बढ़ा सकता है - हालांकि सुरक्षा उपाय केवल तब तक काम करते हैं जब तक हमलावर अनुकूल नहीं हो जाते।

ओपनएआई ने यह नहीं बताया है कि क्या उसने जीपीटी-6 एस्ट्रा के खिलाफ समान पैटर्न का पता लगाया है या क्या वह रिपोर्ट के जवाब में नीति में बदलाव की योजना बना रहा है। कंपनी की सेवा की शर्तें, उसके प्रतिद्वंद्वियों की तरह, प्रतिस्पर्धी मॉडलों को प्रशिक्षित करने के लिए आउटपुट के उपयोग को प्रतिबंधित करती हैं।

आसवन क्या कर सकता है और क्या नहीं

तकनीकी वास्तविकता सुर्ख़ियों से कहीं अधिक सूक्ष्म है। आउटपुट उपयोगी प्रशिक्षण संकेत प्रदान कर सकते हैं, लेकिन वे किसी मॉडल की वास्तुकला, उसके प्रशिक्षण डेटा, उसके आंतरिक मापदंडों या उसकी प्रत्येक क्षमता को स्थानांतरित नहीं करते हैं। आसवन की प्रभावशीलता काटे गए उदाहरणों की गुणवत्ता और विविधता और उन्हें शामिल करने वाली प्रशिक्षण प्रक्रिया पर निर्भर करती है। एक डिस्टिल्ड मॉडल बेंचमार्क पर एक शिक्षक से मेल खा सकता है जो एकत्रित डेटा से मिलता जुलता है जबकि अन्यत्र कमजोर रहता है।

वह सूक्ष्मता दोनों तरह से काटती है। इसका मतलब यह है कि रिपोर्ट किए गए आसवन अभियान से यह पता नहीं चलता है कि प्रतिद्वंद्वी मॉडल का प्रदर्शन वास्तव में निष्कर्षण से कितना प्राप्त होता है, क्या सेवा की शर्तों का उल्लंघन किया गया था, या क्या परिणामस्वरूप क्षमताएं किसी भी तरह उभरी होंगी। लेकिन इसका मतलब यह भी है कि बड़े पैमाने पर कटाई एक प्रतियोगी को विशिष्ट क्षमताओं के लिए एक तेज़ मार्ग प्रदान कर सकती है - विशेष रूप से कोडिंग और तर्क, जहां फ्रंटियर और फास्ट-फॉलोअर मॉडल के बीच का अंतर पूरे वर्ष कम हो गया है।

उद्योग के लिए एक कठिन संतुलन

इस विवाद का कोई भी पक्ष इस प्रथा को सरल नहीं मानता। आसवन स्वयं स्वाभाविक रूप से अनुचित नहीं है - एआई डेवलपर्स नियमित रूप से उन तकनीकों का उपयोग करते हैं जो अपने स्वयं के मॉडल के बीच ज्ञान स्थानांतरित करते हैं - और अग्रणी प्रणालियों तक व्यापक पहुंच ही स्टार्टअप, शोधकर्ताओं और व्यवसायों को उत्पाद बनाने की अनुमति देती है। तनाव बड़े पैमाने पर उत्पन्न होता है: अप्रतिबंधित पहुंच किसी तीसरे पक्ष के लिए उन उद्देश्यों के लिए आउटपुट के बड़े डेटासेट एकत्र करना बहुत आसान बना देती है जिन्हें प्रदाता ने कभी अधिकृत नहीं किया है।

प्रतिक्रिया में प्रदाता जो सुरक्षा उपाय तैनात करते हैं, उनकी अपनी लागत होती है। असामान्य क्वेरी पैटर्न की निगरानी करना, कुछ क्षमताओं तक पहुंच को प्रतिबंधित करना, उपयोग सीमाएं लगाना और थोक संग्रह की जांच करना सभी निष्कर्षण की कीमत बढ़ाते हैं - लेकिन वे वैध डेवलपर्स और उद्यमों के लिए परिचालन घर्षण भी पैदा करते हैं जो स्थिर एपीआई पहुंच पर निर्भर हैं। वास्तव में, उद्योग इस बात पर बातचीत कर रहा है कि वैध मॉडल विकास कहाँ समाप्त होता है और अनधिकृत निष्कर्षण शुरू होता है, एक समय में एक नीति परिवर्तन।

लड़ाई के पीछे का अर्थशास्त्र

प्रयोगशालाओं की देखभाल का कारण अंकगणित है। फ्रंटियर मॉडल को प्रशिक्षित करने में गणना और अनुसंधान में अरबों डॉलर खर्च होते हैं। यदि कोई प्रतियोगी एपीआई कीमतों पर किसी मौजूदा मॉडल को व्यवस्थित रूप से क्वेरी करके महत्वपूर्ण क्षमताओं को पुन: पेश कर सकता है, तो फ्रंटियर सिस्टम के निर्माण का वित्तीय लाभ कम हो जाता है - और इसके साथ इसे बनाते रहने का प्रोत्साहन भी कम हो जाता है। यह तर्क बताता है कि अमेरिकी प्रयोगशालाओं ने अपने बचाव को मजबूत करने में 2026 क्यों खर्च किए हैं, और क्यों प्रत्येक नया आरोप लंबित आर्थिक युद्ध में डेटा बिंदु की तुलना में गपशप के रूप में कम सामने आता है।

चीनी डेवलपर्स के लिए, गणना अलग है। सबसे उन्नत चिप्स तक पहुंच प्रतिबंधित है, और आसवन गणना बजट के मिलान के बिना प्रतिस्पर्धी प्रदर्शन का मार्ग प्रदान करता है। सूचना की रिपोर्ट से पता चलता है कि रास्ता OpenAI के अपने फ्लैगशिप से होकर गुजरता है - एक ही आरोप, जिसका लक्ष्य एक अलग लक्ष्य है।

---

एआई से आगे रहें

नवीनतम एआई समाचार, विश्लेषण और सफलताएँ प्राप्त करें - सभी एक ही स्थान पर।

अधिक AI समाचार पढ़ें →