Model AI Cina Memicu Kekhawatiran Global Akibat Perubahan Kos dan Strategi

Penulis: Stratechery

Diterjemahkan oleh Deep潮 TechFlow

Pengenalan DeepChao: Kimi K3 menyerang pasaran model kognitif, mengapa Wall Street dan Silicon Valley bereaksi berlebihan? Artikel ini menguraikan bahawa selepas AI memasuki era Agent daripada era ChatGPT, token bukan lagi barang komoditi; barang komoditi sebenar ialah kecerdasan itu sendiri—dan dalam peperangan di mana kos marginal menjadi penentu utama, model sumber terbuka China kelihatan percuma, tetapi kos perkhidmatannya sebenarnya tidak rendah. Kekhawatiran laboratorium terkini lebih disebabkan oleh ketidakmampuan mereka untuk menyesuaikan diri dengan peraturan permainan baru yang beralih daripada kos latihan sebagai penentu utama kepada skala inferens sebagai penentu utama.

Saya pernah menceritakan pengalaman saya pada hari pertama mengikuti STRT-431 di Sekolah Perniagaan Kellogg, yang merupakan mata pelajaran wajib untuk semua pelajar MBA baru. Saya mengulas bahan kursus dan kajian kes, dan kecewa apabila mendapati tiada syarikat teknologi sama sekali dalam jadual kursus. Saya segera mendatangi profesor untuk bertanya mengapa, dan jawapannya ialah: matlamat kursus ini bukanlah untuk mengkaji industri tertentu, tetapi untuk mengenal pasti prinsip-prinsip universal yang boleh diterapkan ke dalam mana-mana industri atau syarikat.

Seperti yang selalu saya katakan, saya tidak puas dengan jawapan itu pada masa itu: menurut saya, esensi teknologi, terutamanya perisian dan kos marjinal sifar (dan kos transaksi sifar) dalam pengagihan, adalah berbeza secara mendasar. Memasukkan sifar ke dalam formula seringkali mengacaukan segalanya. Tetapi saya segera sedar bahawa ini justru peluang saya. Wawasan utama Teori Agregasi adalah: kos marjinal sifar menghasilkan rantai nilai yang sama sekali berbeza daripada apa yang pernah dijangka orang daripada internet—di dunia di mana kawalan permintaan lebih penting daripada pengagihan bekalan, anda akan melihat pemusatan dan penskalaan.

Namun, yang menarik tentang AI ialah prinsip-prinsip universal lama sedang kembali ke garis depan. Ini paling jelas terlihat pada hujung minggu lepas, apabila perdebatan sengit meletus di X mengenai Kimi K3. Kimi K3 ialah model berat open-source lain yang dilancarkan oleh China, yang kemampuannya semakin mendekati tahap terkini. Ringkasnya: kos marginal kembali dengan cara yang signifikan, sama ada dari segi kesan jangka pendek model percuma terkini atau struktur jangka panjang industri.

Salah satu salah faham paling umum mengenai model berat sumber terbuka ialah ia lebih murah—bahkan percuma. Selepas semua, anda boleh memuat turun berat secara langsung, melangkau masa, kos, dan kemampuan yang diperlukan untuk mencipta model anda sendiri. Ini memang benar, tetapi "percuma" di sini merujuk kepada jumlah yang anda perlu belanjakan dalam penyelidikan dan pembangunan (R&D). Penyelidikan dan pembangunan adalah perbelanjaan tetap, tidak berkaitan dengan pendapatan yang anda hasilkan. Jika anda menghabiskan USD1 juta dalam R&D, sama ada pendapatan anda USD100,000 atau USD100 juta, anda tetap menghabiskan USD1 juta dalam R&D (tentu sahaja ini akan mempengaruhi keuntungan anda).

Yang berkaitan dengan pendapatan ialah COGS—kos jualan—dan COGS adalah nyata bagi AI, sesuatu yang tidak berlaku dalam industri perisian selama ini. Secara khusus, menjalankan inferens pada model—sama ada Kimi atau Fable—memerlukan perbelanjaan, dan penyedia AI menghabiskan wang pada inferens, sekurang-kurangnya dalam kebanyakan model perniagaan, yang berkaitan secara langsung dengan pendapatan. Menggunakan contoh di atas, menghasilkan pendapatan US$100 juta berbanding US$100,000 mungkin memerlukan COGS 1000 kali ganda. Secara khusus, jika kos token untuk menghasilkan pendapatan US$1 ialah 50 sen, maka pendapatan US$100 juta akan mempunyai COGS sebanyak US$50 juta, manakala pendapatan US$100,000 hanya mempunyai COGS sebanyak US$50,000.

Tentang model berat sumber terbuka, intinya adalah ia bukan perkhidmatan percuma. Kos Kimi K3 ialah $3 setiap juta token input dan $15 setiap juta token output. Ini lebih murah berbanding Sol yang mengenakan $5 setiap juta token input dan $30 setiap juta token output, tetapi ini mungkin bukan ukuran yang betul.

CEO NVIDIA, Jensen Huang, menggambarkan apa yang sedang dibina oleh NVIDIA sebagai "pabrik token". Dari sudut pandang NVIDIA, pernyataan ini sangat masuk akal. GPU NVIDIA tidak dirancang khusus untuk model tertentu: ia menghasilkan token, dan melakukannya dengan cara paling cepat dan paling efisien. Ini menghasilkan ukuran seperti jumlah token per saat, masa waktu token pertama, jumlah token per watt, dan kos token, yang menurut Huang akan menjadi asas pengambilan keputusan.

Kerangka ini memang bermakna pada paradigma pertama AI—era ChatGPT—di mana token dihantar secara langsung kepada pengguna akhir. Namun, paradigma kedua AI, iaitu era penalaran, mengganggu cara pengukuran ini. Penalaran bermaksud pertumbuhan eksponen token rantai pemikiran, dan model yang berbeza memerlukan jumlah token penalaran yang berbeza untuk mendapatkan jawapan yang betul. Sebagai contoh, dilaporkan bahawa Kimi menggunakan jumlah token yang jauh lebih banyak berbanding Sol, yang menghilangkan kelebihan harganya. Agen memperkenalkan dinamik serupa: beberapa model lebih cekap dalam segi jumlah token yang diperlukan untuk melaksanakan alur kerja Agen.

Ini bermakna bahawa token bukanlah komoditi. Ciri utama komoditi ialah ia boleh dipertukarkan: satu gelen minyak adalah sama dengan satu gelen minyak, satu tan tembaga adalah sama dengan satu tan tembaga, satu bushel gandum adalah sama dengan satu bushel gandum. Tetapi token dari satu model berbeza daripada token dari model lain. Yang boleh dipertukarkan ialah sesuatu yang dibina daripada token, iaitu kecerdasan. Dengan kata lain, jika Kimi dan Sol kedua-duanya menghasilkan jawapan yang betul, maka jawapan itu boleh dipertukarkan. Perbezaan dalam jumlah token yang diperlukan untuk menghasilkan jawapan yang betul akan menyebabkan perbezaan dalam COGS.

COS pintar adalah fungsi kepada beberapa faktor berbeza:

Ruang yang digunakan oleh model: Berat dan keadaan masa berjalan menentukan berapa banyak memori mahal dan akselerator yang diperlukan untuk mengendalikan setiap salinan perkhidmatan.

Kecekapan inferens: Pemilihan arsitektur (seperti model pakar campuran) mengurangkan jumlah pengiraan setiap token yang dihasilkan

Kecekapan memori: Pilihan arkaitek boleh mengurangkan keperluan cache KV, membenarkan lebih banyak permintaan serentak dan penggunaan GPU yang lebih baik

Kecekapan perkhidmatan: pemprosesan berkelompok, penjadualan, cache awalan, dan pengoptimuman inferens lain untuk memaksimakan penggunaan dan berkongsi kerja antara permintaan

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

Ini sangat penting kerana kita semakin mendekati keadaan di mana kecerdasan merupakan komoditi bagi banyak tugas yang bermanfaat secara ekonomi. Sebagai contoh, sesiapa sahaja yang membina aplikasi CRUD asas mungkin menggunakan model daripada pelbagai penyedia untuk menyelesaikannya. Di pasaran komoditi, jalan untuk mendapat keuntungan bukan melalui penentuan harga yang lebih tinggi—anda boleh (atau akan segera boleh) membuat aplikasi yang sama persis menggunakan pelbagai model—tetapi melalui kepemilikan struktur kos yang lebih unggul.

Di sini patut diringkaskan mekanismenya, kerana seperti yang saya nyatakan beberapa bulan yang lalu dalam “Ketahanan Amazon”, dinamik pasaran barangan bukanlah sesuatu yang biasa difahami oleh orang-orang industri teknologi:

Dalam pasaran komoditi, setiap orang menetapkan harga yang sama kerana semua orang menjual barang yang sama. Harga ini ditentukan oleh permintaan dan penawaran.

Permintaan terhadap barangan adalah fungsi kepekaan harga: semakin murah barangan tersebut, semakin tinggi permintaannya, dan sebaliknya.

Kuantiti barangan yang ditawarkan adalah fungsi kepada kos marginal penghasilan barangan tersebut.

Yang perlu difahami ialah, kos marjinal untuk menghasilkan barangan berbeza mengikut pemasok yang berbeza. Dalam amalan, ini bermaksud pemasok dengan struktur kos paling buruk akhirnya menjual barangan mereka pada kos marjinal mereka (jika mereka masih mampu menghasilkan). Keuntungan semua pemasok lain bergantung kepada sejauh mana struktur kos mereka lebih baik berbanding pemasok marjinal.

Contoh:

Pembekal A boleh menghasilkan 10 unit barangan dengan kos RM10 seunit

Pembekal B boleh menghasilkan 10 unit barangan dengan kos RM15 seunit

Pembekal C boleh menghasilkan 10 unit barangan dengan kos $20 setiap unit

Anggapan elastisiti harga mengakibatkan permintaan 25 unit pada harga $20. Ini bermaksud:

Pembekal A akan menjual 10 unit pada harga $20, mendapat keuntungan $10 setiap unit

Supplier B will sell 10 units at $20 each, earning $5 per unit

Pembekal C akan menjual 5 unit pada harga $20, dengan keuntungan $0 setiap unit

Ini tidak sepenuhnya tepat: Penyedia C menanggung sebab kekurangan kerana Penyedia A dan B mampu menurunkan harga sedikit, yang tentu saja mempengaruhi permintaan (elastik), tetapi ini menunjukkan masalahnya. Penyedia A mempunyai perniagaan yang baik, Penyedia B mempunyai perniagaan yang baik, sedangkan Penyedia C akan bangkrut.

Risiko kebangkrutan adalah tempat kos tetap kembali ke depan: Pemasok C mempunyai kos tetap (seperti perbelanjaan penyelidikan dan pembangunan yang mungkin) dan juga mungkin memikul hutang untuk membiayai peralatan yang diperlukan untuk menghasilkan barangan. Ia tidak boleh menetapkan harga barangan berdasarkan kos-ros ini—ingat, harga keseimbangan pasaran mendekati kos marjinal unit dengan kos tertinggi yang diperlukan untuk memenuhi permintaan—tetapi kos-ros ini pasti boleh memaksa pemasok keluar dari pasaran. Jika pemasok bangkrut, harga akan naik sehingga pemasok lain memutuskan untuk masuk (atau pemasok lain memperluaskan operasi).

Mari kita kembali kepada model tersebut. Sekarang, semua analisis di atas tidak lagi berlaku, kerana permintaan terhadap model terkini melebihi penawaran, dan penawaran terhad kepada kekurangan kuasa pengiraan. Kekurangan kuasa pengiraan ini tidak hanya bermakna bahawa pembekal kuasa pengiraan seperti NVIDIA boleh memperoleh margin keuntungan yang sangat tinggi, tetapi juga bahawa pelanggan NVIDIA, seperti SpaceXAI, boleh menjual semula kuasa pengiraan tersebut kepada syarikat seperti Anthropic dengan margin keuntungan yang tinggi. Sementara itu, Anthropic boleh membayar mark-up kerana mereka boleh menjual token dengan mark-up yang lebih tinggi.

Namun, bukan hanya permintaan berlebih yang memberi Anthropic margin keuntungan yang besar: Anthropic dan OpenAI mungkin memiliki kos unit kecerdasan kelas terdepan paling rendah, berkat kemampuan model, skala perkhidmatan, dan kecekapan token. Mereka melayani model pada tahap kemampuan tertentu lebih awal beberapa bulan berbanding pesaing, sambil mengaplikasikan model terbaik untuk mengoptimumkan kos-kos ini.

Perlu diperhatikan bahawa pasaran belum menganggap kecerdasan sebagai komoditi: permintaan secara khusus ditujukan kepada Anthropic dan OpenAI, sementara permintaan terhadap model yang kurang baik jauh lebih rendah (oleh itu, SpaceXAI dan Meta menjual kapasiti mereka kepada Anthropic). Salah satu cara untuk memikirkan dorongan pengoptimuman kos ialah ia merupakan fungsi yang didefinisikan mengikut tahap kecerdasan bagi pekerjaan yang perlu diselesaikan, dengan begitu pembeli kecerdasan boleh mencipta pasaran di mana kecerdasan menjadi komoditi. Namun, dari perspektif jangka panjang, siapa pun yang berada di garis depan paling mampu menguasai pasaran bukan garis depan, yang hanyalah garis depan dikurangkan sebanyak n bulan—iaitu bulan-bulan di mana pembuat model garis depan terus mengoptimumkan kos perkhidmatan mereka.

Semuanya ini mengatakan bahawa saya rasa tindak balas umum terhadap Kimi dan model China agak berlebihan, sekurang-kurangnya dari segi ekonomi. Kini terdapat payung harga, yang merupakan kesan sampingan daripada kekurangan kuasa pengiraan. Saya sangat meragui sama ada model China benar-benar lebih murah untuk menyediakan perkhidmatan berdasarkan kos marginal; mereka hanya kelihatan lebih murah kerana bekalan dari Anthropic dan OpenAI sangat terhad, sehingga harga yang mereka kenakan jauh lebih tinggi daripada jika terdapat bekalan yang mencukupi untuk memenuhi permintaan kecerdasan.

Jadi, mengapa pembuat model kelihatan begitu panik terhadap model China?

Pertama, saya percaya bahawa laboratorium terkini terikat pada dunia di mana kos latihan menguasai pemodelan kewangan mereka. Selagi latihan menghabiskan GPU lebih banyak daripada inferens, memaksimumkan pendapatan inferens untuk membantu membiayai operasi latihan seterusnya adalah sangat penting, yang bermaksud menetapkan harga yang sangat tinggi untuk inferens.

Namun, melihat ke depan, saya menganggap pertumbuhan pasaran inferensia akan jauh lebih pantas berbanding kos latihan (yang mengandaikan kos latihan akan terus meningkat tajam), bermakna mereka benar-benar boleh menyeimbangkan dengan kuantiti. Hingga lapan bulan yang lalu, belum jelas sama ada ini akan menjadi kenyataan, tetapi pendedahan paradigma Agen begitu besar sehingga makmal terkini seharusnya lebih yakin bahawa mereka tidak hanya boleh bertahan dengan harga yang lebih rendah, tetapi juga berkembang pesat (sekali mereka mempunyai cukup kuasa pengiraan).

Kedua, kecerdasan sebenarnya bukanlah barang yang sempurna, sebahagian kerana penggunaan kecerdasan membuatnya menjadi lebih pintar. Secara khusus, siapa pun yang menjalankan inferens juga mengumpul data, dan data ini digunakan untuk membuat model iterasi seterusnya menjadi lebih baik. Di satu sisi, ini menjadi alasan mengapa laboratorium terkini menurunkan harga dan meningkatkan penggunaan apabila lebih banyak kuasa pengiraan tersedia. Di sisi lain, inilah mengapa syarikat seperti Microsoft semakin tertarik untuk membantu syarikat menjalankan model mereka sendiri. Jika model China merupakan alternatif yang boleh dilaksanakan, maka ia menjadi lebih mungkin.

Ketiga, cara lain di mana laboratorium terkini tidak hanya mampu menonjol daripada model China, tetapi juga membezakan antara satu sama lain ialah dengan terus mengintegrasikan ke dalam pengalaman pelanggan. Claude Code dan Codex terbukti sangat melekat, yang mengejutkan. Apa pun alat yang anda mulai gunakan, kemungkinan besar itulah yang akan anda terus gunakan, terutama bagi pengguna bukan teknikal. Dari perspektif jangka panjang, keperluan untuk bergerak ke atas ini benar-benar bermakna bahawa model terkini merupakan ancaman langsung kepada penyedia perisian, termasuk Microsoft. Sebaliknya, sejauh mana syarikat perisian yang semasa memiliki pengalaman pelanggan mampu memperoleh model yang kompetitif, sejauh itulah mereka mampu menahan serangan daripada laboratorium terkini.

Akhirnya, sudut pandang ideologi Anthropic sangat tidak boleh diabaikan. Ini adalah syarikat yang percaya hanya ia sahaja yang boleh dipercayakan dengan AI, dan kehadiran alternatif bobot sumber terbuka merupakan pukulan mematikan terhadap anggapan ini.

Kimi bukan satu-satunya model China baru. Bloomberg melaporkan:

Harga saham Alibaba Group Holding Ltd. naik 5.4% pada hari Senin, selepas syarikat tersebut melancarkan versi pra-pandangan model unggulannya, Qwen3.8 Max, yang dikatakan hanya kalah daripada Fable 5 milik Anthropic. Pelancaran pada hari Ahad ini berlaku beberapa hari selepas syarikat permulaan Moonshot AI melancarkan produk baharu yang kuat, yang mengguncang pasaran dan memicu kebimbangan di Amerika mengenai kesenjangan China dengan pemimpin global seperti Anthropic dan OpenAI. Qwen3.8 Max mempunyai 2.4 trilion parameter, bergabung dengan Kimi K3 milik Moonshot AI dalam kategori berat. K3 mempunyai 2.8 trilion parameter dan mampu bersaing dengan produk teratas, sementara Alibaba juga menetapkan harapan setinggi yang sama.

Pembangun kini boleh mengakses Qwen3.8 Max melalui platform pengkodean Alibaba (termasuk Qoder). Alibaba merancang untuk membuka sumber kod model ini dalam masa terdekat, memperluaskan akses melampaui versi pra-pandangan. Minat yang sangat tinggi terhadap sistem dan model kecerdasan buatan buatan China menyebabkan Moonshot terpaksa menghentikan penerimaan langganan baru pada akhir minggu lepas untuk mengatasi permintaan yang melimpah.

Harga saham Alibaba Group Holding Limited naik sehingga 5.4% pada hari Isnin, selepas syarikat tersebut melancarkan versi pra-pandangan model unggulannya, Qwen3.8 Max, dan menyatakan ia hanya kalah daripada Fable 5 milik Anthropic PBC. Pelancaran pada hari Ahad ini berlaku beberapa hari selepas Moonshot AI melancarkan produk baru yang kuat, yang mengguncang pasaran dan memicu kebimbangan di Amerika terhadap kemajuan China dalam mengejar pemimpin global seperti Anthropic dan OpenAI. Qwen3.8 Max memiliki 2.4 trilion parameter, bergabung dengan Kimi K3 milik Moonshot dalam kelas berat. K3 memiliki 2.8 trilion parameter dan mampu bersaing dengan produk teratas, sementara Alibaba juga menetapkan harapan setinggi yang sama.

Pembangun kini boleh mengakses Qwen3.8 Max melalui platform pengkodean Alibaba, termasuk Qoder. Alibaba merancang untuk membuka bobot model ini dalam masa terdekat, memperluas akses melampaui versi pra-pandangan. Permintaan terhadap sistem dan model kecerdasan buatan buatan China ini begitu tinggi sehingga Moonshot terpaksa menghentikan penerimaan langganan baharu pada akhir minggu lepas untuk mengatasi permintaan yang melimpah.

Fakta bahawa Qwen3.8 Max juga akan membuka bobot perlu diperhatikan. Alibaba berhenti menerbitkan bobot model terdepannya pada awal tahun ini, tetapi kelihatan telah mengubah keputusan ini; saya menduga perubahan ini berkaitan dengan ucapan Xi Jinping mengenai AI minggu lepas, yang menekankan semula pendekatan terbuka bobot:

Kita harus terus berpegang pada prinsip keterbukaan dan saling menguntungkan, serta mendorong pembangunan yang didorong oleh inovasi. Sebagai enjin pertumbuhan ekonomi dunia yang baru dan penguat peralihan tenaga pertumbuhan, kecerdasan buatan sedang bergerak dari dunia digital ke dunia fizikal. Kita harus memanfaatkan peluang sejarah yang jarang berlaku ini, menganjurkan sumber terbuka, keterbukaan, kerjasama, dan perkongsian. Kita harus mempromosikan inovasi teknologi, industri, dan aplikasi berbentuk skenario bagi kecerdasan buatan. Kita harus mengkoordinasikan kemajuan transformasi dan peningkatan industri tradisional, pemupukan dan penguatan industri baharu, serta perancangan proaktif bagi industri masa depan, supaya semua sektor dapat memperoleh manfaat daripada kecerdasan buatan.

Strategi China jelas: komersialkan komplementer anda. Perhatikan bagaimana Xi Jinping secara jelas menghubungkan keterbukaan dengan AI "dari dunia digital menuju dunia fizikal"; dunia fizikal adalah dunia yang dipimpin oleh China, di mana kepimpinan China dalam bidang-bidang seperti robotik akan mendapat manfaat besar daripada model AI yang secara luas tersedia.

Demikian pula, China tidak ingin Amerika memperoleh keunggulan asimetrik dalam AI; jika China dapat melemahkan laboratorium terkini Amerika sambil memperkuat semua pesaing potensial Amerika, itu akan lebih baik, dan ia juga dapat memperoleh manfaat dari inovasi yang melekat pada ekosistem terbuka.

Demikian juga, jangan berharap China akan mengambil tindakan apa pun terhadap serangan distilasi terhadap laboratorium mutakhir. Saya rasa mengaitkan semua keberhasilan laboratorium China dengan distilasi adalah salah, tetapi juga salah untuk berpura-pura bahwa distilasi tidak memberikan keunggulan besar kepada laboratorium China. Keunggulan ini benar-benar muncul dalam setahun terakhir, karena pembelajaran penguatan setelah pelatihan menjadi semakin penting terhadap kinerja model. Laboratorium China tidak perlu membangun lingkungan pembelajaran penguatan dari awal, tetapi cukup menggunakan model laboratorium mutakhir sebagai guru untuk mencapai peningkatan cepat dengan biaya jauh lebih rendah (ini bukan satu-satunya alasan mengapa biaya pengembangan model China lebih rendah, tetapi ini merupakan alasan penting).

Menariknya, salah satu kesan paling penting model China di Barat ialah distilasi. Sebagai contoh, Thinking Machines yang baru sahaja memperkenalkan model dengan bobot terbuka, bergantung kepada model China untuk menyelesaikan masalah permulaan sejuk dalam pembelajaran penguatan. Dean Meyer dan Konstantine Buhler menulis artikel yang cemerlang di X, menjelaskan bahawa distilasi bermakna model terbuka bobot Barat secara asas berada dalam keadaan kurang menguntungkan berbanding China:

Pemampatan distilasi tidak menjelaskan seluruh keunggulan China dalam model terbuka. Laboratorium China memiliki penyelidik berkelas dunia, kapasiti pengiraan yang besar, model pra-latihan yang kuat, reka bentuk kerjasama perisian dan peranti, serta kemampuan pasca-latihan yang meningkat dengan cepat. Namun, distilasi memperkecil jurang mahal terakhir antara asas yang kuat dan sistem yang hampir terkini. Walaupun peranan distilasi dalam kapasiti keseluruhan model China kecil, ia menyumbang sebahagian besar kepada keunggulan relatif China berbanding model terbuka Amerika.

Mekanisme penegakan hukum yang baru akan membuat pemprosesan berskala besar menjadi lebih sukar, lebih perlahan, dan lebih mahal bagi syarikat China. Namun, penegakan hukum tidak dapat menghilangkan pemprosesan yang disokong oleh pelaku negara. Oleh itu, setiap kemajuan terkini dari Barat mencipta guru lain kepada makmal China. Pembina Barat mesti meniru kemampuan ini secara berasingan, atau menunggu untuk belajar daripada model China. Kesenjangan ini memberikan kelebihan struktural berulang kepada makmal China berbanding syarikat Barat.

Ini patut diulang: kerana pembuat model berbobot terbuka di Amerika Syarikat mesti mematuhi syarat perkhidmatan makmal terkini, mereka (1) kurang baik berbanding alternatif China, (2) akhirnya mendapatkan hasil distilasi yang hanya melalui makmal China. Bukankah lebih baik jika pembuat model berbobot terbuka Barat boleh mendapatkan data langsung dari sumbernya?

Untuk itu, ada satu soal yang lebih menarik sekitar penyulingan: mengapa ia sebenarnya buruk? Bukankah model bahasa besar itu sendiri merupakan penyulingan terhadap semua pengetahuan di internet terbuka, yang diambil dan disuling oleh laboratorium terkini menjadi model yang sedang disuling? Siapakah yang benar-benar dirugikan di sini?

Sebenarnya, paradoks ini adalah penyelesaiannya. Saya percaya model berbobot terbuka mendukung inovasi (dan, berdasarkan perkara di atas, saya percaya laboratorium terkemuka akan baik-baik saja), tetapi bergantung kepada China adalah masalah. Amerika Serikat harus meluluskan undang-undang yang (1) secara jelas menetapkan bahawa pengumpulan data untuk melatih model merupakan penggunaan wajar, dan (2) melarang syarat perkhidmatan yang melarang distilasi sekurang-kurangnya untuk syarikat-syarikat Amerika. Menghalang distilasi—yang sebenarnya ialah menghantar permintaan API—hampir mustahil; Amerika Serikat harus mengambil jalan lain, dengan menyokong dasar hak cipta baharu yang melindungi laboratorium serta memastikan pengetahuan yang mereka pelajari mendorong inovasi lanjutan oleh orang lain.

Artikel ini terus-menerus menenangkan reaksi berlebihan terhadap Kimi K3 dan model berbobot terbuka China; namun, terdapat alasan yang patut dikhawatirkan, iaitu keselamatan siber. Pertimbangkan cerita The Stack ini:

Hugging Face menyatakan bahawa infrastruktur pengeluarannya diserang minggu lalu oleh sistem agen AI "otonom". Pasukan keselamatan platform awalnya terhambat dalam tindakan respons insiden (IR) oleh palang keselamatan model LLM terkini dari Amerika Syarikat yang tidak disebut namanya, "mereka tidak mampu membezakan antara responden insiden dan penyerang," kata mereka. Oleh itu, para pertahan Hugging Face berpindah kepada model GLM 5.2 sumber terbuka dari laboratorium Z.ai di China—menjalankannya di infrastruktur mereka sendiri untuk menganalisis lebih daripada 17,000 log atau jejak yang ditinggalkan oleh penyerang.

Bagi Hugging Face, yang beribu pejabat di New York, ini merupakan pengakuan terbuka yang menarik, di mana syarikat tersebut membolehkan pengguna bekerjasama dalam model, set data, dan aplikasi, serta mencapai tonggak ARR $100 juta pada musim panas ini. Dalam satu laporan insiden, syarikat tersebut mencadangkan agar pihak pertahanan "bersedia dengan model yang cekap yang boleh dijalankan di infrastruktur sendiri [kita sendiri] sebelum insiden berlaku, untuk mengelakkan penguncian pagar dan mencegah data serta kredensial penyerang keluar daripada persekitaran anda."

Sukar untuk terlalu menekankan betapa salahnya tindakan panik pemerintah Trump terhadap pelancaran Fable oleh Anthropic, terutama kerana ia memperburuk kecenderungan terburuk Anthropic, iaitu menganggap hanya mereka sahaja yang boleh dipercayai untuk menggunakan AI yang kuat. Di dunia yang hanya mempunyai satu AI, mungkin masuk akal untuk mengekalkan kemampuan keselamatan siber yang paling kuat kepada kerajaan Amerika Syarikat dan rakan sekutu yang boleh dipercayai; namun, ini bukan dunia yang kita tinggali.

Sudah ada dan akan ada model yang sepenuhnya mampu melancarkan serangan siber terhadap infrastruktur semasa, dan model-model ini akan—sudah—tersedia secara meluas. Pertahanan terbaik—sebenarnya satu-satunya pertahanan yang mungkin—adalah memastikan pihak pertahanan juga mendapat akses kepada model terbaik. Kini, atas arahan kerajaan Trump, pihak pertahanan sebenarnya dilarang menggunakan Fable atau Sol untuk keselamatan siber; ini bermakna alternatif terbaik adalah menggunakan model dari negara yang selama bertahun-tahun cuba melemahkan pertahanan siber kita. Ini sangat gila!

Cara yang lebih baik adalah dengan jelas: pertama, longgarkan sekatan Fable dan Sol dalam hal keselamatan siber, kedua, pastikan pembuat model terbuka di Amerika Syarikat bersaing dalam persekitaran yang adil dengan China. Ya, makmal terkini akan berteriak-teriak, tetapi kerajaan perlu sedar bahawa mendengar kegilaan mereka telah menyebabkan Amerika berada dalam situasi di mana syarikat-syarikat Amerika bergantung kepada China untuk pertahanan. Biarkan makmal terkini menang dengan membuat perkara yang lebih baik; jangan biarkan mereka mentakrif keselamatan atau perlindungan, dan jangan biarkan mereka menarik tangga ilmu kolektif manusia. Sudah cukup sukar untuk bersaing dengan China; membiarkan mereka memikul panji-panji keterbukaan dan inovasi adalah menyerahkan kelebihan terbesar kita.