ادعای استفاده‌ی دیپ‌سیک و مون‌شات از خروجی GPT-6 Astra؛ تقطیر مدل چیست؟

گزارش تازه‌ی The Information می‌گوید دیپ‌سیک و مون‌شات برای ساخت جدیدترین مدل‌هایشان از خروجی مدل GPT-6 Astra شرکت OpenAI استفاده کرده‌اند. در این مقاله می‌خوانید «تقطیر» چیست، ادعا دقیقاً چیست و چه چیزی هنوز ثابت نشده است.

۱. ماجرا چیست؟

نشریه‌ی The Information روز چهارشنبه ۲۸ اکتبر ۲۰۲۶ گزارش داد که دو آزمایشگاه چینی هوش مصنوعی، یعنی دیپ‌سیک و Moonshot AI، برای آموزش جدیدترین مدل‌هایشان «به‌شدت» به خروجی مدل GPT-6 Astra از شرکت OpenAI تکیه کرده‌اند. خبرگزاری رویترز این گزارش را بازنشر کرد و سپس رسانه‌های مالی و فناوری آن را دنبال کردند.

مدل‌هایی که در گزارش نام برده شده‌اند دو مورد هستند. اولی V4.1-Flash 1017 از دیپ‌سیک است که طبق رویترز در ۱۷ اکتبر ۲۰۲۶ عرضه شد. دومی Kimi K3.1 Pro از مون‌شات است که هفته‌ی پیش از انتشار گزارش منتشر شده بود. خود GPT-6 Astra را OpenAI در ۹ آوریل ۲۰۲۶ (۲۰ فروردین ۱۴۰۵) با یک عرضه‌ی محدود معرفی کرده بود.

مهم است از همان ابتدا مرز ادعا و واقعیت اثبات‌شده را جدا کنیم. تمام این ماجرا بر پایه‌ی گفته‌ی «افراد آگاه به موضوع» است. نه نام مدیری ذکر شده، نه سندی منتشر شده و نه آزمایشی مستقل ادعا را تأیید کرده است. هنگام انتشار خبر، OpenAI، دیپ‌سیک و Moonshot به درخواست‌های اظهارنظر پاسخی نداده بودند.

۲. تقطیر مدل (Distillation) یعنی چه؟

تقطیر روشی در یادگیری ماشین است که در آن یک مدل «دانش‌آموز» با دیدن ورودی و خروجی یک مدل «معلم» یاد می‌گیرد مثل آن رفتار کند. دانش‌آموز وزن‌های معلم را کپی نمی‌کند؛ فقط از روی تعداد زیادی پرسش و پاسخ، الگوی تصمیم‌گیری آن را یاد می‌گیرد. نتیجه معمولاً مدلی کوچک‌تر، سریع‌تر و ارزان‌تر است که در کارهای مشخص به معلم نزدیک می‌شود.

تقطیر قانونی و تقطیر جنجالی

خود شرکت‌ها این کار را روی مدل‌های خودشان انجام می‌دهند. مثلاً از یک مدل بزرگ برای ساخت نسخه‌ی «فلش» یا «مینی» استفاده می‌کنند و کسی هم اعتراضی ندارد. بحث وقتی جدی می‌شود که معلم مدل یک رقیب باشد و خروجی‌ها از راه رابط عمومی یا API گرفته شده باشند؛ چون شرایط استفاده‌ی بیشتر شرکت‌های آمریکایی، ساخت مدل رقیب با خروجی سرویس‌شان را ممنوع می‌کند.

اگر می‌خواهید پایه‌ی کار را بهتر بشناسید، مقاله‌ی OpenAI چیست؟ یک مرور خوب از شرکتی است که این مدل‌ها را می‌سازد.

۳. سابقه: از موج دیپ‌سیک تا امروز

سوءظن نسبت به استفاده‌ی آزمایشگاه‌های چینی از خروجی مدل‌های آمریکایی تازه نیست. از زمانی که دیپ‌سیک در اوایل ۲۰۲۵ با مدلی ارزان و قدرتمند جهان را شگفت‌زده کرد، این پرسش مطرح بوده که این سرعت پیشرفت چقدر از نوآوری و چقدر از یادگیری روی خروجی مدل‌های دیگر آمده است. برای مرور آن دوره می‌توانید مقایسه‌ی ChatGPT و DeepSeek را بخوانید.

در ماه‌های اخیر این بحث رسمی‌تر شده است. OpenAI در یک نوشته‌ی وبلاگی در ۳۰ سپتامبر گفته بود بخشی اصلی از یک کمپین تقطیر را که از ماه جولای آغاز شده، به افرادی مرتبط با Moonshot AI نسبت می‌دهد. طبق گزارش‌های منتشرشده، نهادهای امنیتی آمریکا نیز چند شرکت چینی، از جمله دیپ‌سیک و Moonshot، را به تقطیر «در مقیاس صنعتی» برای نزدیک شدن به فناوری آمریکایی و دور زدن محدودیت‌های صادرات متهم کرده‌اند.

۴. واکنش دیگر شرکت‌ها

OpenAI تنها شرکتی نیست که نگران این موضوع است. شرکت‌هایی مثل Anthropic، OpenAI و Google استدلال می‌کنند که تقطیر به رقبا اجازه می‌دهد توانایی‌های پیشرفته را سریع‌تر و بسیار ارزان‌تر کپی کنند. Anthropic اوایل اکتبر اعلام کرد اقدام‌های جدیدش حجم داده‌ی جمع‌آوری‌شده در حملات تقطیر علیه Claude را حدود ۹۰ تا ۹۹ درصد کاهش داده است.

این اقدام‌ها معمولاً شامل شناسایی الگوهای غیرعادی درخواست، محدود کردن نرخ استفاده، مسدود کردن حساب‌های مشکوک و گاهی تغییر شکل خروجی مدل برای سخت‌تر شدن یادگیری از آن است. با این حال هیچ روشی کامل نیست، چون خروجی یک API در نهایت باید برای کاربر واقعی قابل استفاده بماند.

۵. چه چیزی هنوز ثابت نشده است؟

گزارش چند نکته‌ی کلیدی را روشن نکرده است. اول اینکه حجم خروجی‌های استفاده‌شده، هزینه‌ی آن، ترکیب داده‌ها و میزان بهبود عملکرد مدل‌ها اعلام نشده است. دوم اینکه معلوم نیست خروجی‌ها از چه مسیری به دست آمده‌اند: حساب‌های معمولی، واسطه‌ها یا روش دیگر. سوم اینکه گزارش نمی‌گوید قرارداد، سیاست یا قانونی نقض شده است یا نه.

پس هنوز نمی‌توان گفت دیپ‌سیک یا Moonshot «تقلب» کرده‌اند. آنچه وجود دارد یک ادعای رسانه‌ای معتبر با منبع ناشناس است که منتظر پاسخ شرکت‌ها و احتمالاً بررسی مستقل می‌ماند. هر ارزیابی ما از این پرونده باید همین محدودیت را در نظر بگیرد.

۶. پیامدها برای صنعت هوش مصنوعی

اگر ادعا درست باشد، چند پیامد محتمل است. نخست، شرکت‌های آمریکایی احتمالاً دسترسی به مدل‌های پیشرو را سخت‌گیرانه‌تر می‌کنند؛ مثلاً با تأیید هویت شدیدتر، محدودیت منطقه‌ای و محدودیت بیشتر روی حساب‌های API. دوم، بحث کنترل صادرات از «تراشه» به «خروجی مدل» هم گسترش پیدا می‌کند، چون اگر یادگیری از خروجی یک مدل راهی برای دور زدن کمبود محاسبات باشد، سیاست‌گذاران باید به آن هم فکر کنند.

سوم، قیمت‌گذاری و رقابت تحت تأثیر قرار می‌گیرد. مدل‌هایی که با تقطیر ساخته می‌شوند ارزان‌تر عرضه می‌شوند و فشار قیمتی روی مدل‌های پیشرو ایجاد می‌کنند. برای نگاه به اهمیت اقتصادی این رقابت، مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار کمک‌کننده است.

چه چیزی برای کاربران عادی عوض می‌شود؟

در کوتاه‌مدت احتمالاً چیزی در تجربه‌ی روزمره‌ی شما تغییر نمی‌کند. اما در میان‌مدت ممکن است قیمت APIها، شرایط استفاده و دسترسی منطقه‌ای دستخوش تغییر شود. هر کس از مدل‌های چینی یا آمریکایی در کسب‌وکارش استفاده می‌کند، باید خطر تغییر ناگهانی قوانین را در برنامه‌ریزی‌اش بگیرد.

۷.۱ اهمیت شفافیت در داده‌های آموزشی

یکی از درس‌های این پرونده، اهمیت شفافیت درباره‌ی منشأ داده‌های آموزشی است. امروز بیشتر آزمایشگاه‌ها دقیقاً اعلام نمی‌کنند مدل‌هایشان با چه داده‌ای آموزش دیده‌اند. وقتی چنین شفافیتی وجود ندارد، هر ادعای تقطیر یا کپی‌برداری فقط با شواهد غیرمستقیم بررسی می‌شود؛ مثلاً شباهت سبک پاسخ‌ها، تکرار خطاهای مشابه یا ردپای عبارت‌های خاص یک مدل در خروجی مدل دیگر.

پژوهشگران برای تشخیص تقطیر از روش‌هایی مانند مقایسه‌ی توزیع پاسخ‌ها و جست‌وجوی «اثر انگشت» مدل استفاده می‌کنند، اما این روش‌ها قطعی نیستند. دو مدل مستقل هم ممکن است به‌خاطر داده‌های اینترنتی مشترک، پاسخ‌هایی شبیه هم بدهند. به همین دلیل پیش از قضاوت نهایی باید منتظر شواهد قوی‌تر و توضیح شرکت‌ها ماند.

از طرف دیگر، شرکت‌های سازنده می‌توانند با علامت‌گذاری نامحسوس خروجی‌ها یا کنترل دقیق‌تر دسترسی، شناسایی را آسان‌تر کنند. این رقابت میان سازندگان و کسانی که می‌خواهند از خروجی‌ها یاد بگیرند، احتمالاً در ماه‌های آینده شدیدتر می‌شود و روی قیمت و سیاست‌های دسترسی اثر می‌گذارد.

۷. نکته‌ی کاربردی: چطور با ادعاهای خبری هوش مصنوعی برخورد کنیم؟

خبرهای حوزه‌ی هوش مصنوعی اغلب سریع و با منبع ناشناس منتشر می‌شوند. چند قاعده‌ی ساده کمک می‌کند. ببینید منبع اصلی کیست و آیا نام دارد یا نه. ببینید شرکت‌های درگیر واکنش داده‌اند یا نه. میان «گزارش شده» و «تأیید شده» فرق بگذارید. و از نتیجه‌گیری شتاب‌زده درباره‌ی نیت یا تقصیر پرهیز کنید.

اگر خودتان از ابزارهای هوش مصنوعی در کار استفاده می‌کنید، شرایط استفاده‌ی هر سرویس را هم بخوانید. بسیاری از سرویس‌ها استفاده از خروجی برای آموزش مدل رقیب را ممنوع می‌کنند. نوشتن پرامپت درست هم بخش مهمی از استفاده‌ی مسئولانه است؛ راهنمای نوشتن پرامپت برای مبتدی‌ها را ببینید.

۸. محدودیت‌ها و دید واقع‌بینانه

هر خبری درباره‌ی هوش مصنوعی در کنار هیجان، محدودیت هم دارد. در این پرونده، حتی اگر تقطیر ثابت شود، مدل دانش‌آموز معمولاً نمی‌تواند از معلم فراتر برود و در کارهای تازه ضعیف‌تر عمل می‌کند. مقاله‌ی توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی این نگاه متعادل را بیشتر توضیح می‌دهد، و نوشته‌ی توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها در برابر مهندس واقعی نشان می‌دهد چرا نتیجه‌ی خوب فقط به مدل بستگی ندارد.

برای دنبال کردن خبرهای بعدی این پرونده می‌توانید به بخش اخبار هوش مصنوعی و آموزش‌های چت‌جی‌پی‌تی در سایت سر بزنید.

۹. پرسش‌های متداول (FAQ)

تقطیر مدل هوش مصنوعی چیست؟

روشی است که در آن مدلی کوچک‌تر یا جدید با استفاده از ورودی و خروجی مدلی قوی‌تر آموزش می‌بیند تا رفتار آن را تقلید کند، بدون آنکه وزن‌های مدل اصلی را داشته باشد.

GPT-6 Astra چیست؟

مدلی از OpenAI که طبق صفحه‌ی رسمی این شرکت در ۹ آوریل ۲۰۲۶ با عرضه‌ی محدود معرفی شد و در این گزارش به‌عنوان «مدل معلم» نام برده شده است.

آیا ادعای استفاده‌ی دیپ‌سیک و Moonshot از خروجی GPT-6 Astra تأیید شده است؟

خیر. گزارش بر پایه‌ی منابع ناشناس است و هنوز تأیید مستقل یا واکنش رسمی شرکت‌ها دیده نشده است.

مدل‌های نام‌برده‌شده کدام‌اند؟

V4.1-Flash 1017 از دیپ‌سیک و Kimi K3.1 Pro از Moonshot AI.

آیا تقطیر همیشه غیرقانونی است؟

خیر. تقطیر روی مدل خودی روشی رایج است. مشکل زمانی پیش می‌آید که خروجی مدل رقیب برخلاف شرایط استفاده یا قوانین به کار رود؛ و اینکه آیا در این پرونده چنین چیزی رخ داده، هنوز روشن نیست.