Китайські розробники штучного інтелекту DeepSeek і Moonshot AI значною мірою покладалися на результати моделі GPT-6 Astra від OpenAI для навчання своїх останніх систем, згідно зі звітом The Information, опублікованим у середу та переданим Reuters. У звіті цитуються люди, які безпосередньо знайомі з цим питанням, і наголошується, що ймовірне використання вихідних даних Astra не було незалежно встановлено.
Якщо ці заяви достовірні, то OpenAI опиниться в центрі тієї самої дистиляційної суперечки, яка вже потрапила в пастку його головного конкурента. Для читачів, які відстежують [новини штучного інтелекту] (https://aibuzzwire.news) про практику змагань і навчання моделей, ця історія потрапляє лише через три місяці після того, як Anthropic публічно звинуватила ті самі дві китайські лабораторії — разом з Alibaba — у дистиляції своїх моделей Claude.
Які моделі залучені?
Інформаційна звітність називає дві конкретні системи. Кажуть, що Kimi K3.1 Pro від Moonshot AI, випущений минулого тижня, і оновлена версія V4.1-Flash 1017 від DeepSeek, запущена 17 жовтня, виграли від дистиляції за допомогою граничної моделі OpenAI. Ні DeepSeek, ні Moonshot не підтвердили цю практику, і в самому звіті застерігається, що використання виходів Astra не було незалежно встановлено.
У галузевому розумінні дистиляція означає навчання однієї моделі на результатах більш здібної, щоб учень навчився відтворювати відповіді вчителя. Замість того, щоб платити за кожну можливість через незалежне навчання, лабораторія може запитувати провідну систему та використовувати її відповіді як високоякісний навчальний сигнал — дешевше, швидше та дедалі важливіше для створення конкурентоспроможних моделей.
Модель звинувачень — і нові засоби захисту
Звіт надійшов на тлі року ескалації претензій щодо вилучення моделей. У вересні уряд США заявив, що китайські компанії проводили широкомасштабну дистиляційну кампанію проти американських компаній штучного інтелекту. Ця заява The Information окремо від нової звітності щодо GPT-6 Astra. Серпневе звинувачення Anthropic у тому, що Alibaba, DeepSeek і Moonshot виділили моделі Клода, заклало шаблон для поточної боротьби.
Захист також зміцнюється. Раніше цього місяця Anthropic повідомила, що нові заходи, спрямовані на те, щоб запобігти конкурентам копіювати можливості Клода, зменшили дані, зібрані за допомогою так званих атак дистиляції, приблизно на 90-99 відсотків. На малюнку видно, що моніторинг шаблонів запитів, обмеження доступу та обмеження швидкості підозрілої активності можуть помітно збільшити вартість вилучення, хоча засоби захисту працюють лише доти, доки зловмисники не адаптуються.
OpenAI не повідомив, чи виявив подібні шаблони щодо GPT-6 Astra, чи планує змінити політику у відповідь на звіт. Умови обслуговування компанії, як і умов її конкурентів, обмежують використання вихідних даних для навчання конкуруючих моделей.
Що може робити дистиляція, а що ні
Технічна реальність є більш нюансованою, ніж це можна припустити в заголовках. Виходи можуть надавати корисні навчальні сигнали, але вони не передають архітектуру моделі, її навчальні дані, її внутрішні параметри чи всі її можливості. Ефективність дистиляції залежить від якості та різноманітності зібраних зразків і від навчального процесу, який їх включає. Дистильована модель може відповідати вчителеві за контрольними показниками, які нагадують зібрані дані, залишаючись слабшими в інших місцях.
Цей нюанс перетинає обидві сторони. Це означає, що звітна кампанія дистиляції не розкриває, яка частина продуктивності конкурентної моделі фактично походить від вилучення, чи були порушені умови обслуговування та чи з’явилися б у результаті можливості все одно. Але це також означає, що великомасштабне збирання може надати конкуренту швидший шлях до певних можливостей, зокрема кодування та міркування, де розрив між граничними моделями та моделями швидкого відтворення скорочувався протягом року.
Складний баланс для галузі
Жодна сторона цієї суперечки не вважає цю практику простою. Сама дистиляція за своєю суттю не є неправильною — розробники штучного інтелекту регулярно використовують методи передачі знань між власними моделями — і широкий доступ до провідних систем — це те, що дозволяє стартапам, дослідникам і компаніям взагалі створювати продукти. Напруга виникає в масштабах: необмежений доступ значно полегшує третій стороні збір великих наборів даних для цілей, які постачальник ніколи не дозволяв.
Запобіжні заходи, які постачальники застосовують у відповідь, несуть власні витрати. Моніторинг незвичайних шаблонів запитів, обмеження доступу до певних можливостей, встановлення обмежень на використання та дослідження масового збору — все це підвищує ціну вилучення, але вони також створюють робочі труднощі для законних розробників і підприємств, які залежать від постійного доступу до API. Галузь, по суті, домовляється про те, де закінчується законна розробка моделей і починається несанкціоноване вилучення, одна зміна політики за раз.
Економіка боротьби
Причина турботи лабораторій — арифметика. Навчання граничної моделі коштує мільярди доларів на обчислення та дослідження. Якщо конкурент може відтворити важливі можливості, систематично запитуючи існуючу модель за цінами API, фінансова вигода від побудови передової системи зменшується, а разом із цим зменшується і стимул продовжувати її розбудову. Ця логіка пояснює, чому американські лабораторії провели 2026 рік, зміцнюючи свій захист, і чому кожне нове звинувачення стає не стільки пліткою, скільки джерелом даних у незавершеній економічній війні.
Для китайських розробників розрахунок інший. Доступ до найсучасніших чіпів обмежено, а дистиляція пропонує шлях до конкурентоспроможної продуктивності без відповідних бюджетів обчислень. Інформаційний звіт передбачає, що цей шлях пролягав через власний флагман OpenAI — те саме звинувачення, спрямоване проти іншої цілі.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →
