चिनी एआय डेव्हलपर्स डीपसीक आणि मूनशॉट एआय त्यांच्या नवीनतम सिस्टमला प्रशिक्षित करण्यासाठी ओपनएआयच्या GPT-6 एस्ट्रा मॉडेलच्या आउटपुटवर मोठ्या प्रमाणात अवलंबून होते, बुधवारी प्रकाशित झालेल्या आणि रॉयटर्सने केलेल्या माहितीच्या अहवालानुसार. अहवालात या प्रकरणाची थेट माहिती असलेल्या लोकांना उद्धृत केले आहे आणि एस्ट्रा आउटपुटचा कथित वापर स्वतंत्रपणे स्थापित केला गेला नाही यावर जोर देण्यात आला आहे.

अचूक असल्यास, दावे ओपनएआयला त्याच डिस्टिलेशन विवादाच्या केंद्रस्थानी ठेवतील ज्याने त्याच्या मुख्य प्रतिस्पर्ध्याला आधीच अडकवले आहे. मॉडेल स्पर्धा आणि प्रशिक्षण पद्धतींवर AI बातम्या ट्रॅक करणाऱ्या वाचकांसाठी, Anthropic ने त्याच दोन चिनी लॅबवर — Alibaba सोबत — क्लॉड मॉडेल्स डिस्टिल केल्याचा आरोप केल्यानंतर केवळ तीन महिन्यांनी ही कथा समोर आली आहे.

कोणते मॉडेल गुंतलेले आहेत?

माहितीचे अहवाल दोन विशिष्ट प्रणालींची नावे देतात. गेल्या आठवड्यात रिलीज झालेला Moonshot AI चा Kimi K3.1 Pro आणि 17 ऑक्टोबर रोजी लॉन्च झालेला DeepSeek चा अपग्रेड केलेला V4.1-Flash 1017, OpenAI च्या फ्रंटियर मॉडेलचा वापर करून डिस्टिलेशनचा फायदा झाला असे म्हटले जाते. डीपसीक किंवा मूनशॉट या दोघांनीही सरावाची पुष्टी केलेली नाही आणि अहवालातच असा इशारा दिला आहे की एस्ट्रा आउटपुटचा वापर स्वतंत्रपणे स्थापित केलेला नाही.

डिस्टिलेशन, उद्योगाच्या वापरामध्ये, म्हणजे अधिक सक्षम मॉडेलच्या आउटपुटवर एका मॉडेलला प्रशिक्षण देणे जेणेकरून विद्यार्थी शिक्षकांच्या प्रतिसादांचे पुनरुत्पादन करण्यास शिकेल. स्वतंत्र प्रशिक्षण रनद्वारे प्रत्येक क्षमतेसाठी पैसे देण्याऐवजी, एक लॅब अग्रगण्य प्रणालीची चौकशी करू शकते आणि तिची उत्तरे उच्च-गुणवत्तेचे प्रशिक्षण सिग्नल म्हणून वापरू शकते — स्वस्त, वेगवान आणि स्पर्धात्मक मॉडेल कसे तयार केले जातात याच्या केंद्रस्थानी.

आरोपांचा नमुना — आणि नवीन बचाव

मॉडेल काढण्यावरील वाढत्या दाव्यांच्या एका वर्षाच्या दरम्यान हा अहवाल आला आहे. सप्टेंबरमध्ये, यूएस सरकारने सांगितले की अमेरिकन एआय कंपन्यांच्या विरोधात चिनी कंपन्यांनी मोठ्या प्रमाणात ऊर्धपातन मोहीम राबवली होती - एक विधान द इन्फॉर्मेशन नोट्स हे GPT-6 Astra वरील नवीन अहवालापेक्षा वेगळे आहे. अलिबाबा, डीपसीक आणि मूनशॉट यांनी क्लॉड मॉडेल्स डिस्टिल्ड केल्याचा अँथ्रोपिकचा ऑगस्टचा आरोप आहे की सध्याच्या लढाईसाठी टेम्पलेट सेट केले आहे.

संरक्षण देखील कठोर होत आहे. या महिन्याच्या सुरुवातीला, अँथ्रोपिकने सांगितले की क्लॉडच्या क्षमतेची कॉपी करण्यापासून प्रतिस्पर्ध्यांना रोखण्यासाठी डिझाइन केलेल्या नवीन उपायांमुळे तथाकथित डिस्टिलेशन हल्ल्यांद्वारे गोळा केलेला डेटा अंदाजे 90 ते 99 टक्क्यांनी कमी केला आहे. आकृती सूचित करते की क्वेरी पॅटर्नचे निरीक्षण करणे, प्रवेश प्रतिबंधित करणे आणि संशयास्पद क्रियाकलापांचे दर मर्यादित करणे हे निष्कर्ष काढण्याची किंमत मोजमापाने वाढवू शकते — जरी हल्लेखोर परिस्थितीशी जुळवून घेत नाही तोपर्यंत सुरक्षा उपाय केवळ कार्य करतात.

OpenAI ने GPT-6 Astra विरुद्ध समान नमुने शोधले आहेत की नाही किंवा अहवालाच्या प्रतिसादात धोरणात्मक बदलांची योजना आखली आहे की नाही हे सांगितले नाही. कंपनीच्या सेवा अटी, त्यांच्या प्रतिस्पर्ध्यांप्रमाणेच, प्रतिस्पर्धी मॉडेलला प्रशिक्षण देण्यासाठी आउटपुट वापरण्यास प्रतिबंधित करतात.

डिस्टिलेशन काय करू शकते आणि काय करू शकत नाही

तांत्रिक वास्तव हे मथळ्यांपेक्षा अधिक सूक्ष्म आहे. आउटपुट उपयुक्त प्रशिक्षण सिग्नल देऊ शकतात, परंतु ते मॉडेलचे आर्किटेक्चर, त्याचा प्रशिक्षण डेटा, त्याचे अंतर्गत पॅरामीटर्स किंवा त्यातील प्रत्येक क्षमता हस्तांतरित करत नाहीत. डिस्टिलेशनची परिणामकारकता कापणी केलेल्या उदाहरणांच्या गुणवत्तेवर आणि विविधतेवर आणि त्यांना समाविष्ट करणाऱ्या प्रशिक्षण प्रक्रियेवर अवलंबून असते. डिस्टिल्ड मॉडेल इतरत्र कमकुवत असताना कापणी केलेल्या डेटाशी साम्य असलेल्या बेंचमार्कवर शिक्षकाशी जुळू शकते.

ती सूक्ष्मता दोन्ही मार्ग कापते. याचा अर्थ असा आहे की रिपोर्ट केलेल्या डिस्टिलेशन मोहिमेतून प्रतिस्पर्ध्याच्या मॉडेलचे कार्यप्रदर्शन प्रत्यक्षात काढण्यापासून किती प्राप्त होते, सेवेच्या अटींचे उल्लंघन झाले आहे का, किंवा परिणामी क्षमता तरीही उदयास आल्या असत्या हे उघड होत नाही. परंतु याचा अर्थ असाही होतो की मोठ्या प्रमाणात कापणी स्पर्धकाला विशिष्ट क्षमतांकडे एक जलद मार्ग देऊ शकते — विशेषत: कोडिंग आणि तर्क, जेथे सीमावर्ती आणि जलद-अनुयायी मॉडेलमधील अंतर वर्षभर कमी झाले आहे.

उद्योगासाठी कठीण संतुलन

या वादाच्या कोणत्याही बाजूने सराव सोपा दिसत नाही. डिस्टिलेशन स्वतःच मुळात अयोग्य नाही — AI डेव्हलपर नियमितपणे त्यांच्या स्वतःच्या मॉडेल्समध्ये ज्ञान हस्तांतरित करणारी तंत्रे वापरतात — आणि अग्रगण्य प्रणालींमध्ये व्यापक प्रवेश हीच स्टार्टअप्स, संशोधक आणि व्यवसायांना उत्पादने तयार करण्यास अनुमती देते. तणाव मोठ्या प्रमाणावर उद्भवतो: अनिर्बंध प्रवेशामुळे प्रदात्याने कधीही अधिकृत केलेल्या हेतूंसाठी आउटपुटचे मोठे डेटासेट गोळा करणे तृतीय पक्षासाठी खूप सोपे होते.

प्रदाते प्रतिसादात उपयोजित केलेल्या सुरक्षा उपायांचा स्वतःचा खर्च असतो. असामान्य क्वेरी पॅटर्नचे निरीक्षण करणे, विशिष्ट क्षमतांवर प्रवेश प्रतिबंधित करणे, वापर मर्यादा लादणे आणि मोठ्या प्रमाणात संकलनाची तपासणी करणे या सर्व गोष्टी एक्सट्रॅक्शनची किंमत वाढवतात — परंतु ते वैध विकासक आणि स्थिर API प्रवेशावर अवलंबून असलेल्या उद्योगांसाठी ऑपरेशनल घर्षण देखील निर्माण करतात. उद्योग प्रत्यक्षात, कायदेशीर मॉडेल डेव्हलपमेंट जिथे संपेल आणि अनधिकृत उत्खनन सुरू होईल तिथे वाटाघाटी करत आहे, एका वेळी एक धोरण बदल.

लढ्यामागील अर्थशास्त्र

प्रयोगशाळेच्या काळजीचे कारण अंकगणित आहे. फ्रंटियर मॉडेलला प्रशिक्षण देण्यासाठी गणना आणि संशोधनासाठी अब्जावधी डॉलर्स खर्च होतात. जर एखादा स्पर्धक एपीआय किमतींवर विद्यमान मॉडेलची पद्धतशीरपणे चौकशी करून महत्त्वाच्या क्षमतांचे पुनरुत्पादन करू शकत असेल, तर फ्रंटियर सिस्टम तयार करण्याचा आर्थिक फायदा कमी होतो — आणि ते तयार करत राहण्याचे प्रोत्साहन त्याच्यासोबत कमी होते. हे तर्कशास्त्र स्पष्ट करते की अमेरिकन प्रयोगशाळांनी त्यांचे संरक्षण कठोर करण्यासाठी 2026 का खर्च केले आणि प्रलंबित आर्थिक युद्धातील डेटा पॉइंटपेक्षा प्रत्येक नवीन आरोप गपशप म्हणून का कमी पडतो.

चीनी विकसकांसाठी, कॅल्क्युलस भिन्न आहे. सर्वात प्रगत चिप्सवर प्रवेश प्रतिबंधित आहे, आणि डिस्टिलेशन कॉम्प्युट बजेटशी जुळल्याशिवाय स्पर्धात्मक कामगिरीचा मार्ग प्रदान करते. माहितीचा अहवाल सूचित करतो की मार्ग OpenAI च्या स्वतःच्या फ्लॅगशिपमधून गेला होता - समान आरोप, वेगळ्या लक्ष्याच्या उद्देशाने.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →