«دیپ‌سیک»؛ زنگ خطر برای غرب

«جهان‌صنعت»- «دارون عجم اوغلو» برنده جایزه نوبل اقتصاد 2024 و استاد اقتصاد در موسسه فناوری ماساچوست MIT در پروجکت سیندیکیت تحول فناوری «دیپ سیک» چین را به بررسی و نقد کشیده است که مطلب او را در ادامه می‌خوانید. در حالی که صنعت هوش مصنوعی آمریکا به طور قابل ‌توجهی نیاز به تحول داشت، خبر اینکه یک استارتاپ چینی توانسته است بر غول‌های فناوری غربی در عرصه خود غلبه کند، سوالات دشواری را مطرح می‌کند. خوشبختانه اگر رهبران فناوری و سیاستگذاران آمریکا بتوانند درس‌های درستی از موفقیت دیپ‌سیک بیاموزند، ممکن است همه ما از آن بهره‌مند شویم. پس از انتشار مدل «DeepSeek-R1» در تاریخ ۲۰ژانویه، که منجر به کاهش شدید قیمت سهام شرکت نیمه‌رسانا «انویدیا» و افت شدید ارزشگذاری سایر شرکت‌های فناوری شد، برخی آن را «لحظه‌ای مشابه اسپوتنیک» در رقابت چین و آمریکا برای سلطه در هوش مصنوعی خواندند. در حالی که به طور قطع صنعت هوش مصنوعی آمریکا نیاز به تحول داشت، این اتفاق سوالات پیچیده‌ای را مطرح می‌کند.
صنعت فناوری آمریکا سرمایه‌گذاری‌های عظیمی در زمینه هوش مصنوعی داشته است، به طوری که «گلدمن ساکس» پیش‌بینی کرده که «شرکت‌های فناوری بزرگ، شرکت‌ها و خدمات عمومی در سال‌های آینده حدود یک تریلیون دلار برای هزینه‌های سرمایه‌گذاری در زمینه هوش مصنوعی هزینه خواهند کرد». با این حال، برای مدت طولانی بسیاری از ناظران، از جمله من، به مسیر سرمایه‌گذاری و توسعه هوش مصنوعی در ایالات متحده شک داشتند. با توجه به اینکه اکثر شرکت‌های پیشرو به یک شیوه مشابه عمل می‌کنند (اگرچه متا تا حدودی با مدل منبع باز خود تمایز قائل شده است)، به نظر می‌رسد صنعت فناوری همه تخم‌مرغ‌های خود را در یک سبد گذاشته است. بدون استثنا، شرکت‌های فناوری آمریکا به شدت به مقیاس اهمیت می‌دهند. با استناد به «قوانین مقیاس‌گذاری» که هنوز اثبات نشده‌اند، آنها فرض می‌کنند که تغذیه داده‌ها و قدرت محاسباتی بیشتر به مدل‌های خود، کلید دستیابی به قابلیت‌های بزرگ‌تر است. برخی حتی ادعا می‌کنند که «مقیاس تنها چیزی است که نیاز دارید». قبل از ۲۰ژانویه، شرکت‌های آمریکایی تمایلی به بررسی مدل‌های جایگزین برای مدل‌های بنیادین که با داده‌های عظیم آموزش دیده‌اند و به پیش‌بینی کلمه بعدی در یک دنباله پرداخته‌اند، نداشتند. با توجه به اولویت‌های آنها، این شرکت‌ها تقریبا به طور انحصاری بر مدل‌های انتشار و چت‌بات‌ها که وظایف انسانی (یا شبیه به انسان) را انجام می‌دهند، متمرکز بودند. اگرچه روش دیپ‌سیک به طور کلی مشابه است، به نظر می‌رسد این شرکت بیشتر به یادگیری تقویتی، مدل‌های ترکیب متخصصان (با استفاده از مدل‌های کوچک‌تر و کارآمدتر)، تقطیر و استدلال زنجیره‌ای توجه کرده است. گزارش‌ها حاکی از این است که این استراتژی به آن اجازه داده تا مدلی رقابتی با هزینه‌ای کمتر تولید کند.
اگرچه درباره اینکه آیا دیپ‌سیک تمام داستان را به ما گفته است یا خیر، بحث‌هایی وجود دارد، این اتفاق «تفکر گروهی» در صنعت هوش مصنوعی آمریکا را آشکار کرده است. کور بودن آن به رویکردهای جایگزین، ارزان‌تر و نویدبخش‌تر، همراه با هیاهو، دقیقا همان چیزی است که سیمون جانسون و من در کتاب «قدرت و پیشرفت» پیش‌بینی کرده بودیم؛ کتابی که درست قبل از آغاز دوران هوش مصنوعی مولد نوشتیم. سوال این است که آیا صنعت آمریکا نقاط کور خطرناک‌تری نیز دارد؟ به عنوان مثال، آیا شرکت‌های پیشرو در فناوری آمریکا فرصتی برای پیشبرد مدل‌های خود به سمت «جهت انسانی‌تر» از دست داده‌اند؟ حدس می‌زنم که پاسخ مثبت باشد اما زمان نشان خواهد داد. سوالی دیگر این است که آیا چین در حال پیشی گرفتن از آمریکاست. اگر چنین باشد، آیا این بدان معناست که ساختارهای اقتدارگرا و از بالا به پایین (که جیمز آ. رابینسون و من آنها را «نهادهای استخراجی» می‌نامیم) می‌توانند با یا حتی برتر از ساختارهای از پایین به بالا در زمینه نوآوری عمل کنند؟
تمایلم این است که بگویم کنترل از بالا مانع نوآوری می‌شود، همانطور که در کتاب «چرا ملت‌ها شکست می‌خورند» این را مطرح کرده‌ایم. در حالی که موفقیت دیپ‌سیک به نظر می‌رسد که این ادعا را به چالش بکشد اما اینطور نیست که به طور قطعی ثابت کند نوآوری تحت نهادهای استخراجی می‌تواند به اندازه نوآوری در نهادهای فراگیر قدرتمند و پایدار باشد. به هر حال، دیپ‌سیک بر پایه پیشرفت‌های سال‌ها در آمریکا (و بخشی در اروپا) ساخته شده است. تمام روش‌های اساسی آن در آمریکا ابداع شده است. مدل‌های ترکیب متخصصان و یادگیری تقویتی سال‌ها پیش در موسسات تحقیقاتی دانشگاهی توسعه یافته‌اند و این شرکت‌های بزرگ فناوری آمریکایی بودند که مدل‌های مبدل و تبدیل‌کننده، استدلال زنجیره‌ای و تقطیر را معرفی کردند. آنچه دیپ‌سیک انجام داده این است که موفقیت را در مهندسی نشان داده است: ترکیب همان روش‌ها به طور موثرتری از آنچه شرکت‌های آمریکایی انجام داده‌اند. هنوز باید دید که آیا شرکت‌ها و موسسات تحقیقاتی چینی می‌توانند قدم بعدی را بردارند و تکنیک‌ها، محصولات و رویکردهای نوآورانه خود را ارائه دهند.
علاوه بر این، دیپ‌سیک به نظر می‌رسد برخلاف بیشتر شرکت‌های چینی در زمینه هوش مصنوعی است که عموما تکنولوژی‌هایی برای دولت یا با تامین مالی دولت تولید می‌کنند. اگر این شرکت (که از یک صندوق پوشش ریسک جدا شده است) به طور پنهانی فعالیت کرده باشد، آیا خلاقیت و پویایی آن همچنان ادامه خواهد داشت، حالا که تحت چراغ‌های روشن رسانه‌ها قرار گرفته است؟ هرچه پیش آید، دستاورد یک شرکت نمی‌تواند به عنوان مدرک قطعی مبنی بر اینکه چین می‌تواند از جوامع باز در نوآوری پیشی بگیرد، در نظر گرفته شود.
سوالی دیگر به سیاست جهانی مربوط می‌شود. آیا ماجرای دیپ‌سیک نشان می‌دهد که محدودیت‌های صادراتی آمریکا و سایر تدابیر برای مهار تحقیقات هوش مصنوعی چین شکست خورده است؟ پاسخ در اینجا نیز واضح نیست. در حالی که دیپ‌سیک مدل‌های اخیر خود ( V3‌و‌R1 ) را روی چیپ‌های قدیمی‌تر و کم‌قدرت‌تر آموزش داده، ممکن است هنوز به چیپ‌های قدرتمندتر برای پیشرفت بیشتر و مقیاس‌بندی نیاز داشته باشد. با این حال واضح است که رویکرد مجموع- صفر آمریکا غیرعملی و نادرست بوده است. چنین استراتژی تنها در صورتی معنا دارد که شما باور داشته باشید که ما در حال حرکت به سمت هوش مصنوعی عمومی (مدل‌هایی که می‌توانند انسان‌ها را در هر وظیفه شناختی هم‌تراز کنند) هستیم و کسی که اولین بار به هوش مصنوعی عمومی دست یابد، برتری ژئوپلیتیکی عظیمی خواهد داشت. با چسبیدن به این فرضیات- که هیچ‌کدام لزوما تایید شده نیستند- از همکاری‌های سودمند با چین در بسیاری از زمینه‌ها جلوگیری کرده‌ایم. به عنوان مثال، اگر یک کشور مدل‌هایی تولید کند که بهره‌وری انسانی را افزایش دهد یا به ما کمک کند که انرژی را بهتر مدیریت کنیم، چنین نوآوری‌ای می‌تواند برای هر دو کشور مفید باشد، به ویژه اگر به طور گسترده مورد استفاده قرار گیرد. مانند همتایان آمریکایی‌اش، دیپ‌سیک هم به دنبال توسعه هوش مصنوعی عمومی است و ایجاد مدلی که هزینه آموزش آن به طور قابل ‌توجهی کاهش یابد، می‌تواند تغییر بازی باشد اما کاهش هزینه‌های توسعه با روش‌های شناخته‌شده به طور معجزه‌آسا ما را به هوش مصنوعی عمومی در چند سال آینده نمی‌رساند. اینکه آیا هوش مصنوعی عمومی در آینده نزدیک قابل دستیابی است، هنوز سوالی باز است (و اینکه آیا این امر مطلوب بوده، حتی بیشتر قابل بحث است). حتی اگر هنوز تمام جزئیات مربوط به چگونگی توسعه مدل‌های دیپ‌سیک یا آنچه دستاورد آشکار آن به معنای آینده صنعت هوش مصنوعی است، مشخص نباشد، یک چیز به وضوح روشن است: یک استارتاپ چینی توانسته به شکلی موثر به اعتیاد صنعت فناوری به مقیاس ضربه بزند و ممکن است حتی این صنعت را از رکود آن خارج کرده باشد.