هل اتهمت ثلاث وكالات أمريكية الصين بـ“التقطير الخبيث” للذكاء الاصطناعي؟ لا تنخدعوا، الأمر يدور حول منافسة على “من له السلطة”
مرحبًا بكم، أنا صحفي مالي وعالم اقتصاد. مؤخرًا، اندلعت ضجة كبيرة في عالم التكنولوجيا: أصدرت وكالة الأمن القومي الأمريكية (NSA)، ووكالة أمن الشبكات والبنية التحتية (CISA)، ومكتب التحقيقات الفيدرالي (FBI) بيانًا مشتركًا يتهم شركات الذكاء الاصطناعي الصينية بالقيام بـ“تقطير خبيث” على نطاق صناعي، وببساطة، يعني أنهم يتهموننا بـ“سرقة” تقنياتهم.
قد يبدو الأمر مخيفًا وكأننا ارتكبنا جريمة كبيرة، لكن إذا فحصنا المنطق وراء هذا الاتهام بعناية، سنجد أنه ليس نزاعًا تقنيًا بحتًا، بل عرضًا سياسيًا مدروسًا بعناية. اليوم، سأشرح لكم ما يحدث بلغة بسيطة.
الخلاصة الأساسية: لعبة “المعايير المزدوجة”
بكلمة واحدة: تقوم الولايات المتحدة بتسييس تقنية “تقطير المعرفة” المحايدة، وتستخدم شكاوى من بعض الشركات كذريعة للحفاظ على احتكارها في قوة الحوسبة الذكاء الاصطناعي وقمع تطور الذكاء الاصطناعي الصيني.
سلسلة المنطق الأساسية:
1. التقنية بريئة: “التقطير” هو عملية شائعة في مجال الذكاء الاصطناعي، مثل طلاب يقرأون كتب المعلمين، وهو ليس سرقة.
2. الاتهامات بلا أساس: الأدلة الأمريكية تأتي في الأساس من شركات أمريكية مثل Anthropic، وتفتقر إلى أدلة تقنية قوية، مما يجعل سلسلة المنطق غير متماسكة.
3. الدوافع غير نقية: تحظر الولايات المتحدة على الصين استخدام الرقائق، وفي الوقت نفسه تتهم الصين بتعلم التقنيات، بهدف إنشاء “حصن بيانات” لمنع الصين من اللحاق بها.
4. المعايير المزدوجة: تستخدم الشركات الأمريكية بشكل واسع نماذج مفتوحة المصدر الصينية (مثل DeepSeek وQwen2) في الابتكار، لكنها تتهم الشركات الصينية بتعلم نماذج أمريكية.
5. الهدف النهائي: الحفاظ على الهيمنة التكنولوجية، ورفع المنافسة التجارية إلى قضية أمن قومي، لتوفير ذريعة للعقوبات الأكثر صرامة.
---
التحليل العميق: فهم الأزمة من خمسة أبعاد
1. ما هو “التقطير”؟ هل هو حقًا يشبه “السرقة”؟
أولاً، يجب أن نفهم ما هو “التقطير”. في مجال الذكاء الاصطناعي، تقطير المعرفة (Knowledge Distillation) هو مفهوم تقني موجود منذ فترة طويلة ومتطور للغاية.
- مثال بسيط: تخيل أستاذًا ذو خبرة يقوم بتكثيف معرفته طوال حياته في كتاب مختصر (نموذج صغير). يمكن للطلاب (النموذج الصغير) أن يتعلم المعرفة الأساسية بسرعة من هذا الكتاب دون الحاجة إلى قراءة جميع الكتب في المكتبة من البداية.
- الطبيعة التقنية: هذه العملية تسمح للنماذج الكبيرة بـ“تعليم” النماذج الصغيرة، بهدف جعلها أصغر وأسرع وأكثر كفاءة في استهلاك الطاقة، بحيث يمكن تشغيلها على الهواتف المحمولة والأجهزة اللوحية.
- حقائق تاريخية: تم طرح هذه التقنية في عام 2015 على يد الحاصل على جائزة نوبل جوردون، وقدمت OpenAI خدمات تقطير في الماضي؛ بعد إطلاق Alibaba لـQwen2، أطلقت أيضًا سلسلة DistilQwen2 الأصغر بسرعة.
- إجماع الصناعة: الشركات الأمريكية تدرك ذلك جيدًا. أصدر الرئيس التنفيذي لشركة NVIDIA، إنفيد نادال، وشركات مثل Microsoft وMeta رسالة مشتركة توضح أن التقطير وسيلة شائعة لتحسين النماذج ولا يمكن خلطها بالسرقة غير القانونية.
الخلاصة: التقطير هو مسرع للتقدم التقني وطريقة فعالة لنشر المعرفة. وصفه بـ“السرقة الخبيثة” هو غير منطقي تمامًا.
2. هل الأدلة الأمريكية قوية؟ في الواقع، هم “مذنبون”
يبدو البيان الصادر عن الوكالات الثلاث الأمريكية مهيبًا، لكن إذا نظرنا عن كثب، نجد أن سلسلة الأدلة ضعيفة جدًا، بل يمكن القول إنها “حديث ذاتي”.
- مصدر الأدلة واحد: الأدلة الرئيسية تأتي من تقارير ذاتية من شركات أمريكية مثل Anthropic. هذا مثل جار يقول إنك سرقت شيئًا من منزله، لكن الشرطة تقبض عليك بناءً على كلامه وحده، هل هذا منطقي؟
- نقص الأدلة القاطعة: تدعي شركة Anthropic أن عددًا كبيرًا من الحسابات زارت نموذجها، لكنها لا تستطيع تقديم أدلة مباشرة على أن هذه البيانات استُخدمت لتدريب النماذج الصينية. الأدلة التي تستخدمها هي عناوين IP وبيانات وصفية وهي غير موثوقة.
- العيب 1: عناوين IP يمكن تزويرها بسهولة بواسطة خوادم وسيطة وبائعين، مما يجعل من المستحيل تحديد الشركة بدقة.
- العيب 2: الوصول إلى البيانات لا يعني استخدامها. قد تزور موقعًا ولكن لا يعني أنك قمت بتنزيل المحتوى لتدريب نموذج، قد يكون الأمر مجرد اختبار أو تقييم أو مجرد تصفح.
- مشكلة الصندوق الأسود التقني: النماذج الكبيرة هي “صناديق سوداء”، وبمجرد اكتمال التدريب، من الصعب استنتاج البيانات المستخدمة من أوزان النموذج النهائي. هذا مثل تناول كعكة ومحاولة معرفة من أي حديقة جمعت كل حبة عنب.
- اختبارات مستقلة تكشف الحقيقة: أجرت الأكاديمية الصينية للاتصالات وتكنولوجيا المعلومات اختبارات ووجدت أن النماذج الأمريكية (مثل إصدارات Claude المختلفة) متشابهة أكثر، بينما لم تكن هناك اختلافات كبيرة في التشابه بين النماذج الصينية والأمريكية. هذا يدل على أن الإجابات على الأسئلة المحددة متشابهة بشكل طبيعي، ولا يمكن اعتبار ذلك نسخًا.
الخلاصة: الاتهامات الأمريكية تفتقر إلى أدلة تقنية قوية وتعتمد في الأساس على التكهنات والقلق التجاري لبعض الشركات.
3. “المعايير المزدوجة” للشركات الأمريكية: تستخدم منتجاتك وتتهمنا في نفس الوقت
هذه هي النقطة الأكثر سخرية. تتهم الولايات المتحدة الصين بـ“التقطير الخبيث”， لكن الشركات الأمريكية نفسها تقوم بـ“تقطير” النماذج الصينية على نطاق واسع.
- أمثلة على الواقع:
- NVIDIA: استخدمت بيانات تم إنتاجها بواسطة DeepSeek-R1 في تطوير سلسلة Nemotron كعينات تدريب وكشفت عن ذلك علنًا.
- الشركة الناشئة Perplexity: طورت نموذجها R1-1776 بناءً على DeepSeek-R1.
- Hugging Face: بدأت مشروع Open-R1 لإعادة إنتاج DeepSeek-R1.
- Microsoft وAmazon Cloud: قامت بتوصيل نماذج صينية مثل Qwen بمنصاتها وتقديمها للعالم.
- مقارنة البيانات: هناك أكثر من 100,000 نموذج مشتق من Qwen، ومعدل التنزيلات كبير. بالمقارنة، معدل استخدام النماذج الأمريكية في الصين أقل بكثير من معدل استخدام النماذج الصينية في الولايات المتحدة.
الخلاصة: تستفيد الشركات الأمريكية من النماذج المفتوحة المصدر الصينية وتستمر في تطوير منتجاتها، لكنها تتهم الشركات الصينية بتعلم نماذج أمريكية. هذه المعايير المزدوجة تكشف عن نواياها الحقيقية للحفاظ على احتكارها.
4. الهدف الحقيقي: من “حظر الرقائق” إلى “حظر البيانات”
لماذا تثير الولايات المتحدة هذا الضجيج الآن؟ لأن حظر الرقائق وحده لم يعد كافيًا، فهي تريد بناء حاجز آخر.
- توسيع الاحتكار في القوة الحوسابية: في السابق، كانت الولايات المتحدة تستخدم الرقائق (مثل GPUs من NVIDIA) للحد من قدرة الصين على تدريب النماذج الكبيرة. الآن، اكتشفت أن الصين تستطيع إنتاج نماذج عالية الأداء حتى مع قيود في القوة الحوسابية من خلال التحسينات الخوارزمية والبيئات المفتوحة المصدر.
- إنشاء “حصن بيانات”: