بدھ کو شائع ہونے والی اور رائٹرز کے ذریعہ کی جانے والی انفارمیشن کی ایک رپورٹ کے مطابق، چینی AI ڈویلپرز DeepSeek اور Moonshot AI نے اپنے جدید ترین سسٹمز کو تربیت دینے کے لیے OpenAI کے GPT-6 Astra ماڈل کے آؤٹ پٹ پر بہت زیادہ انحصار کیا۔ رپورٹ میں ایسے لوگوں کا حوالہ دیا گیا ہے جو اس معاملے کی براہ راست معلومات رکھتے ہیں، اور اس بات پر زور دیتے ہیں کہ آسٹرا آؤٹ پٹ کے مبینہ استعمال کو آزادانہ طور پر قائم نہیں کیا گیا ہے۔

اگر درست ہے تو، دعوے OpenAI کو اسی ڈسٹلیشن تنازعہ کے مرکز میں رکھیں گے جو پہلے ہی اس کے اہم حریف کو پھنسا چکا ہے۔ ماڈل مقابلے اور تربیتی طریقوں پر AI نیوز سے باخبر رہنے والے قارئین کے لیے، یہ کہانی انتھروپک کی جانب سے انہی دو چینی لیبز — علی بابا کے ساتھ — اپنے Claude ماڈلز کو ڈسٹل کرنے کا عوامی طور پر الزام لگانے کے صرف تین ماہ بعد سامنے آئی ہے۔

کون سے ماڈل ملوث ہیں؟

معلومات کی رپورٹنگ دو مخصوص نظاموں کا نام دیتی ہے۔ Moonshot AI کا Kimi K3.1 Pro، گزشتہ ہفتے ریلیز ہوا، اور DeepSeek کا اپ گریڈ شدہ V4.1-Flash 1017، جو 17 اکتوبر کو لانچ ہوا، کہا جاتا ہے کہ OpenAI کے فرنٹیئر ماڈل کا استعمال کرتے ہوئے کشید سے فائدہ اٹھایا ہے۔ نہ ہی ڈیپ سیک اور نہ ہی مون شاٹ نے اس عمل کی تصدیق کی ہے، اور رپورٹ خود متنبہ کرتی ہے کہ آسٹرا آؤٹ پٹ کا استعمال آزادانہ طور پر قائم نہیں کیا گیا ہے۔

صنعت کے استعمال میں ڈسٹلیشن کا مطلب ہے ایک ماڈل کو زیادہ قابل کے آؤٹ پٹس پر تربیت دینا تاکہ طالب علم استاد کے جوابات کو دوبارہ تیار کرنا سیکھے۔ ایک آزاد ٹریننگ رن کے ذریعے ہر صلاحیت کے لیے ادائیگی کرنے کے بجائے، ایک لیب ایک سرکردہ نظام سے استفسار کر سکتی ہے اور اس کے جوابات کو اعلیٰ معیار کے تربیتی سگنل کے طور پر استعمال کر سکتی ہے — سستا، تیز، اور مسابقتی ماڈلز کی تعمیر کے لیے تیزی سے مرکزی۔

الزامات کا ایک نمونہ — اور نئے دفاع

رپورٹ ماڈل نکالنے پر بڑھتے ہوئے دعووں کے ایک سال کے درمیان آئی ہے۔ ستمبر میں، امریکی حکومت نے کہا کہ چینی کمپنیوں کی طرف سے امریکی AI کمپنیوں کے خلاف بڑے پیمانے پر ڈسٹلیشن مہم چل رہی ہے - ایک بیان دی انفارمیشن نوٹس GPT-6 Astra پر اپنی نئی رپورٹنگ سے الگ ہے۔ انتھروپک کا اگست کا الزام کہ علی بابا، ڈیپ سیک، اور مون شاٹ نے کلاڈ ماڈلز کو کشید کیا تھا موجودہ لڑائی کے لیے ٹیمپلیٹ ترتیب دیا ہے۔

دفاع بھی سخت ہو رہے ہیں۔ اس مہینے کے شروع میں، اینتھروپک نے کہا کہ حریفوں کو کلاڈ کی صلاحیتوں کو کاپی کرنے سے روکنے کے لیے بنائے گئے نئے اقدامات نے نام نہاد ڈسٹلیشن حملوں کے ذریعے حاصل کیے گئے ڈیٹا کو تقریباً 90 سے 99 فیصد تک کم کر دیا ہے۔ اعداد و شمار سے پتہ چلتا ہے کہ استفسار کے نمونوں کی نگرانی، رسائی کو محدود کرنا، اور مشتبہ سرگرمی کی شرح کو محدود کرنے سے نکالنے کی لاگت میں اضافہ ہو سکتا ہے - حالانکہ حفاظتی اقدامات صرف اس وقت تک کام کرتے ہیں جب تک کہ حملہ آور موافق نہ ہوں۔

OpenAI نے یہ نہیں کہا ہے کہ آیا اس نے GPT-6 Astra کے خلاف ملتے جلتے نمونوں کا پتہ لگایا ہے یا یہ رپورٹ کے جواب میں پالیسی میں تبدیلیوں کا منصوبہ بنا رہا ہے۔ کمپنی کی سروس کی شرائط، اس کے حریفوں کی طرح، مسابقتی ماڈلز کو تربیت دینے کے لیے آؤٹ پٹ کے استعمال کو محدود کرتی ہیں۔

کشید کیا کر سکتا ہے اور کیا نہیں کر سکتا

تکنیکی حقیقت شہ سرخیوں کی تجویز سے کہیں زیادہ اہم ہے۔ آؤٹ پٹ مفید تربیتی سگنل فراہم کر سکتے ہیں، لیکن وہ کسی ماڈل کے فن تعمیر، اس کے تربیتی ڈیٹا، اس کے اندرونی پیرامیٹرز، یا اس کی ہر ایک صلاحیت کو منتقل نہیں کرتے ہیں۔ کشید کی تاثیر کا انحصار کٹائی کی گئی مثالوں کے معیار اور تنوع اور تربیت کے عمل پر ہے جو انہیں شامل کرتا ہے۔ ایک ڈسٹلڈ ماڈل ان معیارات پر استاد سے مماثل ہو سکتا ہے جو کاٹے گئے ڈیٹا سے مشابہت رکھتے ہوئے کہیں اور کمزور رہتے ہیں۔

یہ نزاکت دونوں طریقوں کو کاٹتی ہے۔ اس کا مطلب ہے کہ اطلاع دی گئی ڈسٹلیشن مہم یہ ظاہر نہیں کرتی ہے کہ حریف ماڈل کی کارکردگی کا کتنا حصہ اصل میں نکالنے سے حاصل ہوتا ہے، آیا سروس کی شرائط کی خلاف ورزی کی گئی تھی، یا اس کے نتیجے میں ہونے والی صلاحیتیں بہرحال ابھری ہوں گی۔ لیکن اس کا مطلب یہ بھی ہے کہ بڑے پیمانے پر کٹائی ایک مدمقابل کو مخصوص صلاحیتوں کے لیے تیز تر راستہ فراہم کر سکتی ہے — خاص طور پر کوڈنگ اور استدلال، جہاں فرنٹیئر اور فاسٹ فالور ماڈلز کے درمیان فرق سارا سال کم ہو گیا ہے۔

صنعت کے لیے ایک مشکل توازن

اس تنازعہ کا کوئی بھی فریق اس عمل کو آسان نہیں سمجھتا۔ ڈسٹلیشن بذات خود فطری طور پر غلط نہیں ہے — AI ڈویلپرز معمول کے مطابق تکنیکوں کا استعمال کرتے ہیں جو علم کو ان کے اپنے ماڈلز کے درمیان منتقل کرتے ہیں — اور معروف نظاموں تک وسیع رسائی وہی ہے جو اسٹارٹ اپس، محققین اور کاروبار کو مصنوعات بنانے کی اجازت دیتی ہے۔ تناؤ بڑے پیمانے پر پیدا ہوتا ہے: غیر محدود رسائی کسی تیسرے فریق کے لیے آؤٹ پٹ کے بڑے ڈیٹا سیٹس کو ان مقاصد کے لیے جمع کرنا بہت آسان بنا دیتی ہے جو فراہم کنندہ نے کبھی اجازت نہیں دی تھی۔

تحفظات جو فراہم کنندگان جواب میں تعینات کرتے ہیں ان کے اپنے اخراجات ہوتے ہیں۔ استفسار کے غیرمعمولی نمونوں کی نگرانی کرنا، مخصوص صلاحیتوں تک رسائی کو محدود کرنا، استعمال کی حدیں لگانا، اور بلک جمع کرنے کی چھان بین سب کچھ نکالنے کی قیمت میں اضافہ کرتے ہیں — لیکن یہ قانونی ڈویلپرز اور کاروباری اداروں کے لیے آپریشنل رگڑ بھی پیدا کرتے ہیں جو مستحکم API رسائی پر منحصر ہیں۔ صنعت درحقیقت بات چیت کر رہی ہے جہاں جائز ماڈل کی ترقی ختم ہوتی ہے اور غیر مجاز نکالنا شروع ہوتا ہے، ایک وقت میں ایک پالیسی تبدیلی۔

لڑائی کے پیچھے معاشیات

لیبز کی دیکھ بھال کی وجہ ریاضی ہے۔ فرنٹیئر ماڈل کی تربیت پر حساب اور تحقیق میں اربوں ڈالر خرچ ہوتے ہیں۔ اگر کوئی مدمقابل موجودہ ماڈل کو API کی قیمتوں پر منظم طریقے سے استفسار کر کے اہم صلاحیتوں کو دوبارہ پیش کر سکتا ہے، تو فرنٹیئر سسٹم کی تعمیر کا مالی فائدہ سکڑ جاتا ہے — اور اس کی تعمیر جاری رکھنے کی ترغیب اس کے ساتھ سکڑ جاتی ہے۔ یہ منطق بتاتی ہے کہ امریکی لیبارٹریوں نے اپنے دفاع کو سخت کرنے میں 2026 کیوں گزارا ہے، اور کیوں ہر نیا الزام زیر التواء معاشی جنگ میں ڈیٹا پوائنٹ کے مقابلے میں گپ شپ کے طور پر کم ہے۔

چینی ڈویلپرز کے لیے حساب کتاب مختلف ہے۔ جدید ترین چپس تک رسائی محدود ہے، اور ڈسٹلیشن کمپیوٹ بجٹ سے مماثل کیے بغیر مسابقتی کارکردگی کا راستہ پیش کرتی ہے۔ انفارمیشن کی رپورٹ سے پتہ چلتا ہے کہ راستہ OpenAI کے اپنے فلیگ شپ سے گزرا - وہی الزام، جس کا مقصد ایک مختلف ہدف تھا۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →