تصویر کنید یک اسکی‌باز روی آب را. کسی که در موج پشت یک قایق موتوری سوار است، ممکن است گاهی سریع‌تر از قایقی که او را می‌کشد حرکت کند—اما هرگز از آن پیشی نمی‌گیرد. اخیراً برخی کارشناسان برای توصیف رقابت چین و آمریکا بر سر سلطه در هوش مصنوعی به این تشبیه روی آورده‌اند. آن‌ها پیشنهاد می‌کنند که پیشرفت چشمگیر آزمایشگاه‌های چینی تا حد زیادی به سرعت هم‌ردیفان آمریکایی آن‌ها در پیشروی مرز دانش بستگی دارد. اگر آمریکا سرعت بگیرد، چین نیز ممکن است چنین کند. اگر آمریکا سرعت خود را کم کند، آزمایشگاه‌های چینی نیز کند خواهند شد.
دلیل این امر «تقطیر» (distillation) است: آموزش یک مدل هوش مصنوعی بر اساس خروجی مدل دیگر، به‌جای آموزش از صفر. با توانمندتر شدن هوش مصنوعی، میزان تقطیر بهترین مدل‌های آمریکایی توسط شرکت‌های چینی به پرسشی فوری تبدیل شده است. شرکت‌های آمریکا نیاز دارند کاربران برای مدل‌های گران‌قیمت آن‌ها پول پرداخت کنند، نه اینکه از کپی‌های ارزان‌قیمت استفاده نمایند. و آمریکا می‌خواهد بسیار جلوتر از چین باقی بماند: دونالد ترامپ، رئیس‌جمهور، گفته است «هرکس در هوش مصنوعی پیروز شود، پیروز است». با این حال، تقطیر گسترده مدل‌های پیشرو هوش مصنوعی ممکن است آنقدرها برای آمریکا بد، و آنقدرها برای چین خوب نباشد که به نظر می‌رسد.
ایده تقطیر ساده است. در مراحل اولیه آموزش، مدل‌های زبانی بزرگ (LLMs) معمولاً آموزش داده می‌شوند تا متن موجود در اینترنت را تقلید کنند. تقطیر به‌جای آن، به آن‌ها می‌آموزد که مدل‌های دیگر LLM را تقلید کنند. کلمات تولیدشده توسط مدل‌های آمریکایی دقیقاً همان مهارت‌ها و نوع استدلالی را نشان می‌دهند که توسعه‌دهندگان چینی می‌خواهند مدل‌های خودشان یاد بگیرند. بنابراین، خروجی آن‌ها خوراک مفیدی برای آموزش است.
توسعه‌دهندگان آمریکایی در مرز دانش، مدل‌های پیشرفته‌تری برای تقطیر ندارند و متن موجود در اینترنت تقریباً تمام شده است. آن‌ها در عوض به‌طور فزاینده‌ای به تکنیکی کمتر کارآمد به نام یادگیری تقویتی (RL) تکیه می‌کنند. این روش شامل تعیین هدفی برای مدل، مانند حل یک مسئله ریاضی پیچیده، و اجازه دادن به آن برای آزمایش در جستجوی راه‌حل است. شرکت‌های آمریکایی اکنون بیش از نیمی از منابع محاسباتی خود را صرف تکنیک‌های مرتبط با RL می‌کنند، در حالی که این رقم در اوایل سال ۲۰۲۴ یک بیستم بود.
شرکت‌های چینی بنابراین می‌توانند قابلیت‌هایی را که مدل‌های آمریکایی از طریق آموزش گران‌قیمت RL کسب می‌کنند، تقطیر کنند. مانند دانش‌آموزی که معلم خصوصی دارد، هوش مصنوعی آن‌ها سریع‌تر از نمونه‌های آمریکایی که مسائل را به تنهایی حل می‌کنند، یاد می‌گیرند. طبق مطالعه‌ای که در ماه ژوئیه در Findings of the Association for Computational Linguistics منتشر شد، یک مدل کوچک آموزش‌دیده توسط دیپ‌سیک (DeepSeek)، یک آزمایشگاه چینی، با استفاده از ۸۰۰ هزار مثال تولیدشده توسط قدرتمندترین مدل آن‌ها، نمره خود را در یک آزمون محبوب ریاضی از ۱۴.۶ درصد به ۴۵.۸ درصد افزایش داد.
برای مطابقت با قابلیت‌های مدل‌های پیشرو، داده‌های بسیار بیشتری مورد نیاز است—اما آزمایشگاه‌های چینی به نظر می‌رسد در مقیاس بزرگ در حال تقطیر هستند. گزارشی که در سپتامبر توسط انثروپیک (Anthropic) منتشر شد، نشان داد که پنج شرکت چینی در طول پنج ماه بیش از ۱۸۰ میلیون پیام از مدل‌های آن‌ها جمع‌آوری کرده‌اند. مدل‌های چینی شباهت قابل اندازه‌گیری با مدل‌های آمریکایی دارند (نمودار را ببینید) و گاهی حتی خود را کلود (Claude) یا چت‌جی‌پی‌تی (GPT) معرفی می‌کنند.
تقطیر چقدر اهمیت دارد؟ بخش زیادی از پیشرفت چین در هوش مصنوعی بومی است. بیش از نیمی از پژوهشگران برتر جهان در حوزه هوش مصنوعی اصالت چینی دارند، همان‌طور که از مقالات ارائه‌شده در نیورایپس (NeurIPS)، کنفرانس اصلی جهانی هوش مصنوعی، مشخص است. اما استعداد ذهنی تنها تا حدی مؤثر است. تراشه‌های کامپیوتری پیشرفته امروزه محرک اصلی پیشرفت هوش مصنوعی هستند و غول‌های فناوری آمریکا به‌طور فردی بیشتر از مجموع تمام رقبای چینی خود قدرت محاسباتی دارند. تقطیر به شرکت‌های چینی کمک می‌کند این کمبود را جبران کنند. پژوهشگران تخمین می‌زنند که هوش مصنوعی چین حدود سه تا شش ماه از بهترین مدل‌های آمریکایی عقب‌تر است. سیف خان از مرکز فناوری و سیاست‌گذاری دولت در واشنگتن تخمین می‌زند که بدون تقطیر، این شکاف تقریباً دو برابر می‌شود.
انثروپیک و اوپن‌ای‌آی (OpenAI) مشتاق قطع طناب هستند. آن‌ها اقداماتی برای پایان دادن به یک آسیب‌پذیری امنیتی که در ماه اوت کشف شد و به شرکت‌های چینی دسترسی به فرآیند حل مسئله مدل‌های آن‌ها را می‌داد، انجام داده‌اند. آن‌ها همچنین تشخیص کمپین‌های تقطیر را افزایش داده‌اند. انثروپیک شروع به دریافت هزینه برای درخواست‌های کلود کرده است، حتی اگر مدل متوجه آنچه در حال رخ دادن است بشود و پاسخ ندهد—که تلاش‌های ناموفق برای تقطیر را پرهزینه می‌کند.
انثروپیک گفته است این تدابیر جدید ممکن است اثر ماندگار نداشته باشند، اما تاکنون مقدار داده‌های برداشت‌شده توسط تقطیرکنندگان را ۹۰ تا ۹۹ درصد کاهش داده‌اند. در نتیجه، این شرکت ممکن است حدود ۵ تا ۷ درصد درآمد خود را از دست بدهد. این شرکت استدلال می‌کند که سازندگان مدل‌های چینی، مدل‌های نزدیک به مرز دانش را بدون محافظت در برابر سوءاستفاده منتشر می‌کردند و چنین مدل‌های پیشرفته‌ای تهدیدی برای امنیت ملی بودند.
در موج گیر افتادن
با این حال، اگر آن‌ها موفق شوند، آزمایشگاه‌های آمریکایی ممکن است پشیمان شوند که دسترسی رقبای خود را مسدود کرده‌اند. پژوهشگران چینی تردیدهایی درباره خردمندی اتکا به تقطیر دارند. تعداد کمی معتقدند آموزش بر اساس مدل‌های آمریکایی از نظر اخلاقی نادرست است—در نهایت، آزمایشگاه‌های پیشرو سیستم‌های خود را بر اساس داده‌های آزادانه به‌دست‌آمده از اینترنت ساخته‌اند. اما برخی مدیران فکر می‌کنند اتکا به این تکنیک، چین را به مقام دوم دائمی محکوم می‌کند. پژوهشگران در آزمایشگاه‌های چینی همچنین پیشنهاد می‌کنند که اگر بهبود خودکار بازگشتی—مدل‌های هوش مصنوعی که به‌طور خودکار جانشینان خود را می‌سازند—اتفاق بیفتد، ممکن است به زیرساخت‌های پیچیده‌ای متکی باشد که تقطیرکنندگان آن را نخواهند داشت.
ژانگ ییمینگ، بنیان‌گذار بایت‌دنس (ByteDance)، یک شرکت اینترنتی چینی، در ماه ژوئیه به کارکنان خود گفت که شرکت از تقطیر برای تقویت مدل‌هایش استفاده نخواهد کرد. بلاگ فناوری چینی LatePost، نظرات آقای ژانگ را نقل کرد و گفت که تقطیر «در بهترین حالت به ما اجازه می‌دهد شکاف [با مرز دانش] را مدام کاهش دهیم، اما عبور واقعی از آن دشوار خواهد بود.» آقای ژانگ اذعان داشت که رها کردن طنابی که پیشرفت چین را به مرز دانش آمریکا متصل می‌کند، باعث می‌شود بایت‌دنس عقب بیفتد. اما این شرکت، برخلاف برخی رقبای خود در چین، جریان‌های درآمدی دیگری دارد و می‌تواند در حالی که خودکفاتر می‌شود، مدل‌های ضعیف‌تری ارائه دهد.
در مورد آمریکا، تقطیر یک آزاردهنده است، اما ممکن است بهتر از آن باشد که شرکت‌های چینی به تنهایی راه خود را به سمت مرز دانش بروند. این موضوع می‌تواند تنظیم مقررات هوش مصنوعی را نیز آسان‌تر کند. دولت آقای ترامپ تاکنون تمایلی به کند کردن پیشرفت هوش مصنوعی در حین ایمن‌سازی آن نداشته است، مبادا آمریکا مزیت رقابتی خود را به چین واگذار کند. اما اگر چین مانند یک اسکی‌باز روی آب باشد، ممکن است حتی از یک قایق کشنده که سرعتش کم شده است نیز پیشی نگیرد. ■