‏🔷 ۴/۸

کسب، ساماندهی و پالایش داده‌ها لایهٔ دیگری از رقابت را ایجاد می‌کند. علاوه بر داده‌های عمومی که از اینترنت استخراج می‌شوند، آزمایشگاه‌های پیشرو در ایالات متحده به مجموعه‌های دادهٔ مالکیتی متکی‌اند؛ این مجموعه‌ها شامل جریان‌های دادهٔ سازمانی مانند نتایج جستجو و فیدهای رسانه‌های اجتماعی و همچنین مجموعه‌های تخصصی مانند مقالات علمی می‌شود. مهندسان ماهر برای تبدیل منابعی چون میکروفیلم و آرشیوهای فیزیکی به داده‌های آموزشی قابل استفاده نیز زمان و تخصص می‌گذارند. این آزمایشگاه‌ها همچنین داده‌های برچسب‌خورده، ساماندهی‌شده و پالایش‌شده را از تأمین‌کنندگان ثالث خریداری می‌کنند. چون برتری رقابتی در چارچوب مقیاس‌پذیری نه تنها به اندازهٔ مدل، بلکه به دانش فنی آموزش، طراحی زیرساخت و ترکیب داده‌ها نیز وابسته است، شرکت‌های هوش مصنوعی انگیزهٔ قوی برای محافظت از این موارد به‌عنوان اسرار تجاری دارند. حفظ وزن‌های مالکیتی به این شرکت‌ها کمک می‌کند تا این مزایا را حفظ کنند و اکوسیستم بستهٔ میان آزمایشگاه‌های پیشرو در ایالات متحده را تقویت می‌کند.

بازگشت سرمایهٔ مقیاس‌پذیری کاهش می‌یابد

اختلاف سرمایه‌گذاری ایالات متحده و چین در ساخت مراکز داده نشان‌دهندهٔ اولویت‌گذاری ایالات متحده بر مقیاس‌پذیری است (جدول ۱ را ببینید). برآوردهای Bloomberg Intelligence برای سال ۲۰۲۵ نشان می‌دهد که هزینهٔ سرمایه‌ای هوش مصنوعی در ایالات متحده توسط مایکروسافت، آمازون، متا و گوگل حداقل ۳۵۰ میلیارد دلار است، در حالی که هزینهٔ مشابه برای ارائه‌دهندگان بزرگ ابری چین کمتر از ۴۰ میلیارد دلار می‌باشد. برای سال ۲۰۲۶، همان چهار غول فناوری پیش‌بینی می‌شود بیش از ۴۰۰ میلیارد دلار هزینه کنند، در حالی که هزینهٔ چین ثابت می‌ماند.

استثنای قابل‌توجهی متا است که وزن‌های خانوادهٔ مدل‌های Llama را با برخی محدودیت‌ها منتشر کرده است. گزارش‌های اواسط تا اواخر ۲۰۲۵ حاکی از این است که متا ممکن است مدل پرچم‌دار جدیدی با کدنام «Avocado» را به‌صورت مالکیتی نگه دارد. این مدل برای اوایل ۲۰۲۶ برنامه‌ریزی شده است. «Meta’s ‘Llama’ Coming to an End? New Large Model Code-Named Avocado Announced for Q1 2026 or Switching to Closed Source to Directly Compete with OpenAI», AI Base, December 10, 2025.

† GPUها نوعی دستگاه نیمه‌رسانا هستند که به‌طور گسترده برای آموزش و اجرای مدل‌های هوش مصنوعی به کار می‌روند. این پردازنده‌ها که در ابتدا برای نمایش گرافیک بازی‌های ویدئویی توسعه یافتند، در انجام عملیات ماتریسی مورد استفاده شبکه‌های عصبی عمیق بسیار کارآمد هستند.

‡ این شامل Alibaba، Tencent، Baidu، SenseTime و Kingsoft Cloud می‌شود. برآورد بانک آمریکا در ژوئن ۲۰۲۵ هزینهٔ سرمایه‌ای سالانه چین را در حدود ۹۸ میلیارد دلار می‌داند. Vlad Savov, «China’s AI Future Looks Like a Long Road to Small Profit,» Bloomberg, December 3, 2025.

شن شین‌می، «هزینهٔ سرمایه‌ای هوش مصنوعی چین در سال ۲۰۲۵ می‌تواند به‌حدود ۹۸ میلیارد دلار برسد، در پی رقابتی که با ایالات متحده دارد»، South China Morning Post، ۲۵ ژوئن ۲۰۲۵.

USCC.gov — کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — مقالهٔ ۵ گروه کاری پژوهشی
عناصر خلاصهٔ برتری

ایالات متحده چین

محاسبهٔ آموزشی
ایالات متحده در ظرفیت و مقیاس محاسبهٔ پیشرفته پیشتاز است؛ چین با محدودیت‌های محاسباتی مواجه است.
xAI — Grok 4 (۵ × ۱۰^۲۶ FLOP)  Alibaba — Qwen3‑Max (۱٫۵ × ۱۰^۲۵ FLOP)

حجم دادهٔ آموزشی
ایالات متحده در داده‌های بزرگ و با کیفیت پیشتاز است؛ چین به سرعت این فاصله را می‌بندد.
Nvidia — Cosmos‑1.0‑Diffusion‑14B Video2World (۹٬۰۰۰ تریلیون توکن)*  Alibaba — Qwen3‑Max (۳۶ تریلیون توکن)

اندازهٔ مدل
ایالات متحده همچنان مدل‌های بزرگ‌مقیاس را توسعه می‌دهد؛ چین در حال جبران است.
xAI — Grok 4 (برآورد ۱٫۷ تا ۳ تریلیون پارامتر)  Alibaba — Qwen3‑Max (۱ تریلیون پارامتر)

توجه: بر پایهٔ داده‌های عمومی موجود در سال ۲۰۲۵. منبع: متنوع. ۱۸