‏🔷 ۳/۸

پشت این رقابت، استراتژی‌های ملی متفاوتی نهفته است. اکوسیستم هوش مصنوعی ایالات متحده متنوع است، اما آزمایشگاه‌های پیشرو آن سرمایه‌گذاری را بر مدل‌های مرزی با نیاز محاسباتی بالا متمرکز کرده‌اند؛ آن‌ها بر این باورند که منابع سخت‌افزاری برتر می‌توانند توانمندی‌های تحول‌آفرین ایجاد کنند. چین — که تا حدودی تحت تأثیر کنترل‌های صادراتی ایالات متحده بر نیمه‌رساناهای پیشرفته قرار دارد اما از حمایت مستمر دولت بهره می‌برد — توسعهٔ باز و استقرار سریع را محور خود قرار داده و هوش مصنوعی را در سراسر اقتصاد تحت عنوان «هوش مصنوعی عمومی» (GAI) ادغام کرده است. اینکه این رویکرد نشانگر ترجیح استراتژیک واقعی است یا واکنشی به ضرورت، سؤال باز است؛ اما نتیجه، نظریه‌ای بنیاداً متفاوت دربارهٔ به‌دست‌آوردن رهبری هوش مصنوعی است — نه با یک مدل انقلابی، بلکه با پذیرش گسترده و تکرار مستمر.

این رویکردها نشانگر قوت‌های ملی هر دو طرف است. به‌دلیل برتری در توان محاسباتی، مدل‌های مالکیتی پیشرو ایالات متحده همچنان یک گام پیشتر از رقبای چینی در معیارهای کلیدی هستند، هرچند فاصله در سال ۲۰۲۵ به‌طرز چشمگیری کم شد. به‌جز موارد استثنایی، آزمایشگاه‌های مرزی چین جزئیات مدل‌ها را به‌صورت عمومی منتشر کرده و دسترسی به محصولات اصلی خود را با تخفیف قابل‌توجهی نسبت به همتایان آمریکایی ارائه می‌دهند. رویکرد باز چین چشم‌انداز رقابتی را دگرگون کرده است؛ مجوزهای انعطاف‌پذیر، قیمت‌گذاری تهاجمی و اکوسیستمی که همکاری را تشویق می‌کند، پذیرش جهانی هوش مصنوعی چین و تکرار سریع‌تر در آزمایشگاه‌های چینی را سرعت می‌بخشد. اگرچه مدل‌های برتر ایالات متحده همچنان پیشروی اندکی در توانمندی‌ها دارند، خطر از دست دادن نه تنها مسابقه برای جذب کاربران جهانی، بلکه توانایی تعیین استانداردها و هنجارهای فنی که توسعه هوش مصنوعی را برای سال‌های آینده شکل می‌دهند، برای آن‌ها وجود دارد. داده‌هایی که به بهبود مدل‌ها باز می‌گردند، نقش مهمی در این روند ایفا می‌کنند.

پکن زیرساخت‌های نهادی لازم برای بهره‌برداری از این مزیت را ایجاد کرده؛ داده را به‌عنوان یک عامل رسمی تولید شناخته و به شرکت‌ها اجازه داده است تا دارایی‌های داده‌ای را در ترازنامه‌های خود ثبت کنند. کنترل‌های صادراتی ایالات متحده عمدتاً حلقهٔ دیجیتال را هدف می‌گیرند — یعنی دسترسی به تراشه‌های پیشرفته مورد استفاده برای آموزش مدل‌های مرزی را محدود می‌کنند — اما برای مقابله با حلقهٔ فیزیکی که شامل ایجاد و انباشت داده‌های ناشی از استقرار در بستر تولید چین است، مناسب نیستند. از آنجا که مدل‌های باز محاسبات لازم برای استقرار مؤثر را کاهش می‌دهند، توانایی چین در تولید داده‌های صنعتی مالکیتی به‌سرعت و در مقیاس بزرگ، به‌تدریج از وابستگی به سخت‌افزارهای پیشرفته مستقل می‌شود. این خلأ در چارچوب سیاستی ایالات متحده به این معناست که حتی اگر کنترل‌های موفقی بر محاسبات آموزشی اعمال شود، چین می‌تواند مزایای هوش مصنوعی مبتنی بر اقتصاد فیزیکی خود را حفظ کند.

USCC.gov – کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — ۴ مقالهٔ گروه کاری پژوهشی: مدل‌های بستهٔ ایالات متحده: بزرگ‌تر بهتر است، تا زمانی که این‌طور نباشد

آزمایشگاه‌های پیشرو در ایالات متحده بر این فرض کار می‌کنند که مدل‌های بزرگ‌تر که با داده‌های بیشتر آموزش می‌بینند، عملکرد بهتری دارند؛ این باور بر پایهٔ «قوانین مقیاس‌پذیری» است، یعنی یافتهٔ تجربی که نشان می‌دهد عملکرد مدل به‌صورت پیش‌بینی‌پذیر با افزایش پارامترها، محاسبهٔ آموزشی و حجم داده‌ها بهبود می‌یابد. این منطق، رویکردی سرمایه‌بر و مالکیتی برای توسعهٔ هوش مصنوعی را تقویت کرد. به کارگیری قوانین مقیاس‌پذیری نیازمند فرایندهای آموزشی پیچیده و گران‌قیمت است. آموزش‌های چندمیلیون‌دلار طوری مهندسی می‌شوند که بیشترین یادگیری را از هر واحد محاسبه استخراج کنند. همزمان، به‌کارگیری هزاران واحد پردازش گرافیکی (GPU) به‌صورت موازی برای مدت طولانی به‌طور اجتناب‌ناپذیری باعث خرابی سخت‌افزاری می‌شود؛ بنابراین خطوط لولهٔ آموزشی باید به‌قدری افزونگی داشته باشند که اختلالات محلی مانع از از دست رفتن میلیون‌ها دلار هزینهٔ محاسبه نشوند.