Anthropic در اواخر ماه گذشته گزارشی منتشر کرد که در آن ادعا می‌کند مدل GLM-5.3 — مدلی که شرکت چینی Z.ai در ماه آگوست آزادانه در دسترس عموم گذاشت — خطر جدی حمله سایبری ایجاد می‌کند. این گزارش جدیدترین حرکت در بحثی است که سال‌هاست درباره متن باز یا بسته بودن مدل‌های هوش مصنوعی مرزی جریان دارد.

جبهه‌بندی تجاری پشت بحث#

بخش مهمی از این بحث علناً و با منافع مالی درگیر است. Jensen Huang، مدیرعامل Nvidia که از ادامه خرید سخت‌افزار توسط کاربران برای اجرای مدل‌های متن باز سود می‌برد، از توسعه مدل‌های متن باز بیشتر حمایت می‌کند. در مقابل، Dario Amodei، مدیرعامل Anthropic که شرکتش می‌تواند تحت فشار مدل‌های ارزان و قدرتمند متن باز قرار بگیرد، رویکرد محتاطانه‌تر پیشنهاد می‌دهد.

مزایای مدل‌های متن باز#

مدل متن باز برخلاف مدل‌های بسته (مانند ChatGPT و Claude که فقط از طریق API یا اپلیکیشن در دسترس‌اند) قابل دانلود است و وزن‌های آن — یعنی جزئیات ساختار درونی مدل — در دسترس عموم قرار دارد. این ویژگی چند فایده مشخص دارد:

  • پژوهشگران دانشگاهی می‌توانند به درون مدل دسترسی پیدا کنند، زنجیره فکر آن را بررسی کنند، چند مدل را ترکیب کنند و آن‌ها را برای کاربردهای جدید fine-tune کنند.
  • بر اساس گزارشی از Mozilla، مدل‌های متن باز معمولاً ارزان‌تر از مدل‌های بسته هستند.
  • شرکت‌هایی که با داده حساس کار می‌کنند می‌توانند مدل را روی سخت‌افزار خودشان اجرا کنند و امنیت عملیات را حفظ کنند.

موقعیت فعلی#

در زمان انتشار این گزارش، هشت مدل برتر در جدول رتبه‌بندی Artificial Analysis LLM همگی مدل‌های بسته‌اند، هرچند مدل‌های متن باز تنها چند ماه عقب‌تر هستند.

تحلیل تحریریه#

برای کسی که همین حالا با ابزارهای موجود ایجنت و اتوماسیون می‌سازد، این خبر عملاً یک چیز را تغییر می‌دهد و یک چیز را نه. آنچه تغییر می‌کند: اگر از مدل‌های متن باز چینی مثل GLM-5.3 استفاده می‌کنید، گزارش Anthropic بهانه قانونی و سیاسی بیشتری به دست دولت‌ها می‌دهد تا دسترسی به این مدل‌ها را محدود کنند. آنچه تغییر نمی‌کند: در عمل، فاصله بین مدل‌های بسته و متن باز در سطح کیفیت هنوز چند ماه است و مدل‌های متن باز هنوز در رتبه‌بندی‌های اصلی جایگاه برتر ندارند. احتیاط اصلی اینجاست: بحث متن باز و بسته در سطح سیاست‌گذاری با منافع تجاری Nvidia و Anthropic گره خورده است. وقتی یک شرکت گزارش ریسک منتشر می‌کند، باید همزمان هم ریسک واقعی را جدی گرفت و هم انگیزه تجاری پشت آن را فراموش نکرد.

منبع: MIT Technology Review