گری تن، مدیرعامل Y Combinator، معتقد است قانونگذاران آمریکایی نباید جلوی استفاده از تکنیک تقطیر مدلهای هوش مصنوعی را بگیرند؛ حتی اگر این کار از سوی آزمایشگاههای کوچکتر آمریکایی روی مدلهای پیشرفته داخلی انجام شود. از نگاه او، آمریکا برای رقابت جدی در حوزه هوش مصنوعی به مجموعهای قویتر از مدلهای open-weight نیاز دارد؛ مدلهایی که وابسته به بازیگران چینی نباشند.
او در گفتوگویی با CNBC گفته بود اگر تصمیم با او باشد، دخالتی صورت نمیگیرد. حتی پا را فراتر گذاشت و از ایده شکلگیری نوعی «رژیم تقطیر آمریکایی» حرف زد؛ چارچوبی که به آزمایشگاههای کوچکتر اجازه دهد از مدلهای مرزی آمریکایی یاد بگیرند و گزینههای باز و در دسترس بیشتری برای بازار بسازند.
منظور از تقطیر مدل چیست؟
در دنیای هوش مصنوعی، distillation یا تقطیر به فرایندی گفته میشود که در آن یک مدل با پرسشهای گسترده و هدفمند از مدل دیگر، تلاش میکند الگوی پاسخگویی، منطق و شیوه استدلال آن را یاد بگیرد. این روش سالهاست بهصورت مشروع در بسیاری از آزمایشگاههای هوش مصنوعی برای آموزش مدلهای تازهتر و سبکتر استفاده میشود.
بحث از جایی داغ شد که شرکت Anthropic در گزارش تازه خود مدعی شد برخی آزمایشگاههای چینی از «حملات غیرقانونی تقطیر» استفاده کردهاند؛ یعنی با پنهان کردن هویت، استفاده از تقلب و حتی اعتبارنامههای سرقتشده، بدون اجازه به استخراج دانش از مدلها پرداختهاند. داریو آمودی، مدیرعامل Anthropic، پیشتر هم علناً از قانونگذاران آمریکایی خواسته بود با این روند برخورد کنند.
موضع متفاوت گری تن
تن با این نگاه موافق نیست. البته او از استفاده از دسترسیهای سرقتی یا روشهای متقلبانه دفاع نمیکند. حرفش این است که اگر آزمایشگاههای آمریکایی قرار است از مدلهای مرزی داخلی یاد بگیرند، باید بتوانند از مسیر رسمی و آشکار این کار را انجام دهند، نه از راههای پنهانی.
استدلال او دو بخش دارد. نخست اینکه شرکتهای سازنده مدلهای بسته، نباید بیش از حد تعیین کنند مشتری پس از دریافت پاسخ از API دقیقاً چه کاری میتواند انجام دهد. از نظر تن، این سطح از کنترل روی استفاده از اطلاعاتی که مدل در اختیار کاربر گذاشته، نوعی محدودسازی افراطی است.
دومین استدلال او به ریشه آموزش همین مدلهای بزرگ برمیگردد. به گفته تن، شرکتهای صاحب مدلهای اختصاصی هم زمانی که حجم عظیمی از دانش انسانی را برای آموزش مدلهایشان جمعآوری میکردند، از همه صاحبان محتوا اجازه نگرفتند. بخش قابلتوجهی از آن دادهها شامل محتوای دارای حق کپیرایت بوده است.
آیا هوش آموزشدیده بر داده عمومی باید کالای عمومیتر باشد؟
تن در گفتوگو با TechCrunch گفته است محدود کردن رفتار کاربران و مشتریان در استفاده از API مدلهای بسته، رویکردی بازدارنده است. او باور دارد دولت میتواند در عادیسازی این ایده نقش داشته باشد که اگر یک هوش مصنوعی بر پایه دادههایی با دسترسی عمومی گسترده آموزش دیده، خودِ دسترسی به آن هوش هم باید بیشتر شبیه یک منفعت عمومی باشد، نه چیزی که کاملاً پشت شروط سختگیرانه پنهان شود.
این نگاه در عمل به نفع رشد اکوسیستم مدلهای بازوزن در آمریکا تمام میشود؛ مدلی از توسعه که میتواند به استارتاپها، پژوهشگران و شرکتهای کوچکتر امکان دهد بدون تکیه کامل بر چند غول بزرگ، محصولات تازه بسازند.
چرا مدلهای open-weight برای آمریکا مهم هستند؟
از دید مدیر Y Combinator، حفظ تعادل میان آزمایشگاههای مرزی و بازیگران open-weight ضروری است. مدلهای مرزی فناوری را جلو میبرند، سرمایه جذب میکنند و موتور اصلی نوآوری هستند. اما اگر تمام توان اکوسیستم فقط در اختیار چند شرکت بسته و انحصاری قرار بگیرد، فضای رقابت و نوآوری برای دیگران تنگ میشود.
- افزایش رقابت: آزمایشگاههای کوچکتر میتوانند سریعتر و ارزانتر نوآوری کنند.
- کاهش وابستگی: آمریکا گزینههای غیرچینی بیشتری در حوزه مدلهای باز خواهد داشت.
- دسترسی گستردهتر: استارتاپها و توسعهدهندگان به ابزارهای بیشتری برای ساخت محصول دست پیدا میکنند.
- تقویت اکوسیستم داخلی: یادگیری از مدلهای پیشرفته داخلی میتواند زنجیره نوآوری آمریکا را کاملتر کند.
مرز میان استفاده مشروع و سوءاستفاده کجاست؟
نکته مهم در حرفهای تن این است که او اصل تقطیر را زیر سؤالبرانگیز نمیداند، بلکه با جرمانگاری کلی آن مخالف است. تفاوت از نظر او در روش اجراست: استفاده از دسترسی قانونی و شفاف یک چیز است، اما فریب، جعل هویت و سرقت اعتبارنامه چیز دیگری.
به همین دلیل، بحث اصلی فقط فنی نیست؛ به سیاستگذاری، مالکیت فکری، رقابت بازار و تعریف منافع عمومی در عصر هوش مصنوعی هم گره خورده است.
جدال تازه بر سر آیندههوش مصنوعی آمریکا
اظهارات گری تن نشان میدهد در خود سیلیکونولی هم اتفاقنظر کاملی درباره نحوه حفاظت از مدلهای مرزی وجود ندارد. یک طرف میگوید باید با تقطیر سختگیرانه برخورد کرد تا سرمایهگذاری روی مدلهای پیشرفته حفظ شود. طرف دیگر معتقد است اگر این فناوری بر شانههای دانش عمومی ساخته شده، نباید دسترسی به آن بیش از حد بسته و کنترلشده باشد.
آنچه روشن است، این جدال فقط درباره یک تکنیک آموزشی نیست. موضوع بر سر این است که آینده هوش مصنوعی آمریکا چقدر باز، رقابتی و در دسترس خواهد بود.
نظر، سوال یا تجربه خود را درباره این مطلب با سایر کاربران اوکالا به اشتراک بگذارید.