‏🔷 ۵/۸

در حالی که شرکت‌های آمریکایی در حال حاضر توانایی حفظ برتری در محاسبه را دارند، چندین عامل استراتژی‌های مبتنی بر مقیاس‌گذاری را به چالش می‌کشند. نخست، نسل‌های متوالی مدل‌ها برای دستیابی به پیشرفت‌های تدریجی عملکرد، به محاسبهٔ بیشتری نیاز دارند؛ در نتیجه با بزرگ‌تر شدن مدل، بازدهی کاهشی می‌شود. دوم، بازدهی مقیاس‌گذاری در تمام وظایف یکسان نیست؛ پیشرفت‌های پرامپتینگ و بهینه‌سازی مخصوص هر کار، امکان عملکرد مشابه مدل‌های بزرگ را برای مدل‌های کوچک فراهم می‌کند. سوم، در سال ۲۰۲۵ پیشرفت‌هایی حاصل شد که بدون تکیه بر افزایش اندازهٔ مدل، بهبودهای عملکردی به ارمغان آورد. معماری‌های نوین هم کارایی آموزش و هم کارایی استنتاج را ارتقا دادند؛ همچنین بهبودهای تکنیک‌های پساآموزشی و توانایی پردازش زمینه‌های طولانی، به آزمایشگاه‌ها امکان داد تا با پارامترهای کمتر، عملکرد را تقویت کنند. با توجه به این تحولات، OpenAI مدل GPT‑4.5 خود را که در فوریهٔ ۲۰۲۵ منتشر شد، به‌عنوان بزرگ‌ترین مدل تا به امروز توصیف کرد و اعلام کرد که این آخرین مدلی است که عمدتاً بر مقیاس‌گذاری پیش‌آموزش تکیه دارد، نه بر استدلال.

هوش مصنوعی چین از زیرساخت‌ها به مرز پیشرفته می‌رسد

انتشار R1 شرکت DeepSeek در ژانویهٔ ۲۰۲۵ نشان داد که آزمایشگاه‌های چینی می‌توانند به عملکرد مرزی نزدیک شوند، حتی با وجود کنترل‌های صادراتی ایالات متحده بر نیمه‌رساناهای پیشرفته. پس از R1، یک سری مدل‌های باز از آزمایشگاه‌های چینی عرضه شد که به‌طور مشابه با منابع کمتر، نتایجی نزدیک به پیشروهای مالکیتی ایالات متحده با بودجه‌های کوچکتر به دست آوردند و محصولات رقابتی با هزینهٔ بسیار کمتر نسبت به مدل‌های برتر آمریکایی ارائه کردند (به جدول ۲ مراجعه کنید). به‌روزرسانی‌های خانوادهٔ Qwen شرکت علی‌بابا به‌طور گسترده‌ای در سطح بین‌المللی به کار گرفته شد. شرکت Moonshot AI مستقر در پکن استانداردهای جدیدی برای جریان‌های کاری عامله و طول زمینه — مقدار توکنی که مدل می‌تواند پردازش کند — تعیین کرد؛ هرچند بعدها توسط مدل‌های آمریکایی پیشی گرفته شد. DeepSeek توانست در سؤالات المپیاد بین‌المللی ریاضی ۲۰۲۵ (IMO) به‌همراه OpenAI و Google DeepMind عملکرد برندهٔ مدال طلا کسب کند؛ مدل DeepSeek‑V3.2‑Speciale که در دسامبر ۲۰۲۵ منتشر شد، اولین مدل باز بود که به‌صورت رسمی نمرات سطح طلا در IMO را ارائه داد. اگرچه مدل‌های بستهٔ آمریکایی از نظر اکثر معیارها کمی پیشی مدل‌های باز چینی دارند (به شکل ۱ مراجعه کنید)، موفقیت‌های چین در سال ۲۰۲۵ چالشی اساسی‌تر برای برتری هوش مصنوعی ایالات متحده نشان می‌دهند تا صرفاً کاهش فاصله: آزمایشگاه‌های چینی اکنون نقش مرکزی در توسعه و پالایش نوآوری‌هایی دارند که پیشرفت‌های مرزی را به‌وجود می‌آورند.
• مدل Nvidia رویکردی منحصر به فرد دارد که حجم بالایی از داده‌های بصری را برای ساخت مدلی از جهان فیزیکی پردازش می‌کند؛ حجم دادهٔ آموزشی آن حتی در میان سایر مدل‌های آموزش‌دیده بر پایهٔ مجموعه‌های دادهٔ رکوردشکن، یک استثنا محسوب می‌شود.

• USCC.gov، کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — مقالهٔ شماره ۶ از گروه کاری پژوهشی R1، معماری ترکیب متخصصان (Mixture‑of‑Experts یا MOE) را معرفی نکرد؛ این رویکرد با فعال‌سازی تنها پارامترهای مرتبط، کارایی را ارتقا می‌دهد و استفاده از معماری‌های بزرگ‌مقیاس MOE را در مدل‌های مرزی باز رواج داد.۲۶ همچنین باعث گسترش استدلال زنجیره‌ای (chain‑of‑thought) شد؛ در این روش مدل‌ها پیش از ارائهٔ پاسخ نهایی، گام‌های میانی را استدلال می‌کنند و دقت در وظایف پیچیده افزایش می‌یابد. امروزه هر دو، MOE و استدلال زنجیره‌ای، برای مدل‌های پیشرو در مرزهای هوش مصنوعی به‌عنوان استاندارد در نظر گرفته شده‌اند.۲۷ مجموعهٔ راه‌حل‌های نوآورانهٔ چین، به‌همراه فهرست رو به رشد آزمایشگاه‌های چینی که در لبهٔ توانمندی‌های هوش مصنوعی فعالیت می‌کنند، نه تنها نشانگر اکوسیستم پویا پژوهش و توسعه (R&D) است، بلکه ضرورت این حوزه را نیز بازتاب می‌دهد؛ محدودیت‌های محاسباتی، آزمایش با جایگزین‌های مقیاس‌پذیری را تشویق می‌کند. هر دو مورد توسط حمایت مستمر دولت از توسعهٔ مدل‌های باز پایه‌گذاری شده‌اند؛ این حمایت پذیرش گسترده را ترویج می‌دهد و وابستگی به فناوری‌های خارجی را کاهش می‌دهد.

طرح کلی پکن: هوش مصنوعی باز تحت هدایت دولت