A Trump-kormányzat ezen a héten világosabb álláspontra helyezkedett az AI-politikában: támogatja az úgynevezett nyílt súlyú modelleket, ugyanakkor vádolja kínai vállalatokat amerikai technológiák eltulajdonításával. A megkülönböztetés célja, hogy lehetőséget adjon célzott lépésekre kínai AI-cégek ellen anélkül, hogy széles körben korlátoznák a vállalatok, kutatók és startupok által használt nyílt modelleket.
Miért fontos
Az üzenet két kategóriát különít el: a legitim, kis léptékű vagy engedélyezett distillációt, amely hatékonyabb, kisebb modelleket hoz létre, és a nagy léptékű, titkosított ipari distillációt, amely szerinte szellemi tulajdon ellopására irányulhat. Ez a megkülönböztetés jogi és kereskedelmi lépések alapját szolgálhatja.
Mit mondtak az illetékesek
Michael Kratsios, Donald Trump technológiai főtanácsadója X-en azt írta, hogy „a legitim AI-distilláció, amely kisebb, hatékonyabb modelleket hoz létre, létfontosságú szerepet játszik ebben a nyílt innovációs ökoszisztémában.” Ugyanakkor hozzátette: „a nagy léptékű, titkos ipari distilláció, melynek célja az amerikai szellemi tulajdon ellopása és az amerikai kutatás aláásása, elfogadhatatlan.”
Hasonló állításokkal léptek fel Scott Bessent amerikai pénzügyminiszter, Jamieson Greer az Egyesült Államok Kereskedelmi Képviselője és Jacob Helberg külügyi helyettes államtitkár is, akik intettek az értelmezés szerint szabályokat vagy jogi következményeket megalapozó szellemi tulajdonlopással szemben.
OpenAI társalapítója, Greg Brockman azt mondta a Bloombergnek, hogy még korai megítélni, vajon a közelmúltbeli kínai modelleket GPT-rendszerekről distillálták-e. Brockman egy sajtótájékoztatón az Axiosnak azt is közölte, hogy nem vett részt semmilyen kormányzati beszélgetésben kínai nyílt modellek betiltásáról.
A distilláció két értelmezése
A kormányzati kommunikáció lényegében kétféle distillációt különböztet meg:
- Kis léptékű vagy engedélyezett distilláció: olcsóbb, speciális modellek létrehozása, amely a normális AI-fejlesztés részének tekinthető.
- Ipari léptékű distilláció: hamisított fiókok, hozzáférés kijátszása vagy amerikai vállalatok feltételeinek megsértése révén végrehajtott tevékenység, amelyet lopásnak minősít a megfogalmazás.
Greg Brockman szerint a distilláció „határozottan technikai probléma”, aminek megítélése műszaki szempontokat is igényel.
Konkrét eset: Moonshot és Kimi
A vita középpontjában Moonshot Kimi nevű modellje áll, amely olcsóbb alternatívát kínál, és ez felkavarta az amerikai döntéshozókat és néhány iparági szereplőt. A Trump-kormányzat aggodalma szerint az olyan modellek megjelenése, amelyek alacsony költséggel hasonló szolgáltatásokat nyújtanak, ösztönözheti a széles körű distillációs tevékenységeket.
A U.K. Artificial Intelligence Security Institute és a U.S. Center for AI Standards and Innovation közös értékelése szerint Kimi K3 kiberképességek tekintetében jelentősen elmarad a más, élvonalbeli modellektől — ez a vizsgálat csökkenti annak érvényességét, hogy a modell minden tekintetben azonos teljesítményt nyújtana a nagyobb, nyugati rendszerekkel.
Lehetséges következmények és kilátások
Az adminisztráció kijelentései azt sugallják, hogy a Fehér Ház támogatja a nyílt AI-fejlesztést, ugyanakkor keményen lépne fel olyan esetekben, ahol szerinte kínai laborok ipari léptékű, titkos distillációt folytatnak. Scott Bessent X-en egy posztban világossá tette: „Amikor a PRC cégek titkos, ipari léptékű distillációs támadásokat hajtanak végre, amelyek átlépik a határt az IP-lopás felé, a szankciók és az Entity Listre való felvétel az asztalon lesznek.”
Korábbi jelentések szerint az adminisztráció mérlegelte, hogy kínai AI-laborokat felvegyenek a Kereskedelmi Minisztérium Entity Listjére, ami gyakorlatilag megvonná a licenc nélküli amerikai hozzáférést attól a cégtől.
Az ügyet érdemes figyelemmel követni: a kormányzati megkülönböztetés jogi és exportkontroll lépések alapjául szolgálhat, miközben az iparág szereplői és kutatók versenyt, biztonságot és nyitottságot mérlegelnek.
Rövid technikai magyarázat a distillációról
A distillációs eljárásban egy nagy, „tanár” modell kimeneteit használják arra, hogy egy kisebb „diák” modellt megtanítsanak a viselkedés reprodukálására. A kisebb modell így kevesebb számítási erőforrással hasonló válaszokat adhat, gyorsabban és olcsóbban futtatható, miközben nem szükséges ugyanazt a teljes tanítási adat- vagy próbafolyamatot megismételni.
