‏چرا مدل‌های کوچیک آینده حاکمیت هوش مصنوعی‌ان

کیت کاروترز تو این مقاله می‌گه استرالیا با یه چت‌بات ملی که پرچم استرالیا روشه یا با یه قرارداد طولانی برای دسترسی به مدل‌های frontier آمریکایی (یعنی قوی‌ترین مدل‌های روز مثل Claude و GPT) به حاکمیت هوش مصنوعی نمی‌رسه. به نظر نویسنده، اگه یکی دیگه بتونه قیمت رو عوض کنه، قوانین رو تغییر بده یا سرویس رو قطع کنه، اون توانایی فقط اجاره‌ایه. حاکمیت یعنی بتونی انتخاب کنی، تطبیق بدی، جایگزین کنی و هر وقت لازم شد کنار بکشی.

نویسنده تأکید می‌کنه مدل‌های frontier بد نیستن، ولی زیرساختی‌ان که شرط و شروط دارن. سازمانی که بهشون تکیه می‌کنه معمولاً کنترلی روی weightها، تنظیمات، زمان آپدیت و شرایط تجاری نداره و حتی شاید ندونه داده‌هاش کجا پردازش می‌شه. طبق گزارش AI Index استنفورد در سال ۲۰۲۶، فاصله بهترین مدل‌های آمریکایی و چینی به چند درصد رسیده (Claude Opus 4.6 فقط ۲.۷ درصد جلوتر از Dola-Seed-2.0 بوده) و فاصله مدل‌های open و closed هم خیلی کم شده.

با این حال نویسنده می‌گه مدل‌های open-weight (یعنی مدل‌هایی که weightهاشون رو می‌شه دانلود و روی سرور خودت اجرا کرد) جادو نمی‌کنن. هنوز به سخت‌افزار، آدم متخصص، زیرساخت امن و پول نیاز دارن و ممکنه به چیپ و کلود خارجی وابسته باشن. به تعبیر خودش، open weights حاکمیت آماده نیست، یه اهرم برای مذاکره‌ست.

پیشنهاد اصلی مقاله اینه: از کوچیک‌ترین مدلی استفاده کن که بتونه کار رو امن، قابل اعتماد و ارزون انجام بده، و هر بزرگ‌تر کردنی رو توجیه کن. مثلاً شورای شهری که اسناد ساخت‌وساز رو دسته‌بندی می‌کنه به مدل تریلیون پارامتری نیاز نداره. مدل‌های کوچیک رو می‌شه نزدیک داده حساس میزبانی کرد، دقیق‌تر تست کرد، با هزینه و مصرف انرژی کمتر اجرا کرد و بدون وابستگی به یه فروشنده عوضشون کرد.

نویسنده خودکفایی کامل رو هم خیال‌پردازی می‌دونه و به‌جاش از «وابستگی مدیریت‌شده» حرف می‌زنه، یعنی آگاهانه بدونی کدوم وابستگی قابل‌تحمله و کدوم خطرناک. محک واقعی حاکمیت به نظرش اینه که زیر فشار چی می‌شه: می‌تونی سیستم رو بررسی کنی، داده رو جابه‌جا کنی، به مدل دیگه کوچ کنی و اگه لازم شد خاموشش کنی؟ اگه جواب نه باشه، فقط یه وابستگی داری که هنوز تست نشده.

در نهایت مقاله یه رویکرد سبدی پیشنهاد می‌ده: مدل کوچیک داخلی برای کارهای روزمره و خصوصی، مدل‌های تخصصی با نظارت انسانی برای تصمیم‌های حساس، و مدل frontier فقط برای موارد خاص با کنترل‌های امنیتی و قراردادی و برنامه خروج. سرمایه‌گذاری هم باید روی میزبانی داخلی، ارزیابی مستقل مدل‌ها، استانداردهای باز و توانایی متوقف کردن امن سیستم‌ها باشه.

نکات کلیدی:

• توانایی‌ای که کس دیگه می‌تونه قیمت یا قوانینش رو عوض کنه، اجاره‌ایه نه حاکمیت
• طبق AI Index استنفورد ۲۰۲۶، Claude Opus 4.6 فقط ۲.۷ درصد (۳۹ امتیاز Arena) جلوتر از بهترین مدل چینی بوده
• مدل‌های open-weight هنوز به compute، متخصص و زیرساخت امن نیاز دارن
• اصل پیشنهادی: کوچیک‌ترین مدلی که کار رو درست انجام می‌ده، و توجیه هر بزرگ‌تر کردن
• رویکرد سبدی: مدل کوچیک داخلی برای کار روزمره، frontier فقط با برنامه خروج