هوش مصنوعی متن‌باز به مرز مدل‌های بسته رسید؛ با هزینه‌ای تا ۷۰ برابر کمتر

مدل‌های هوش مصنوعی متن‌باز دیگر آن عقب‌ماندهٔ همیشگی نیستند؛ گزارش تازهٔ مؤسسهٔ امنیت هوش مصنوعی بریتانیا می‌گوید آن‌ها با فاصله‌ای کوتاه و هزینه‌ای شگفت‌آور، به قوی‌ترین مدل‌های بسته رسیده‌اند.

۱) دقیقاً چه اتفاقی افتاد؟

مؤسسهٔ امنیت هوش مصنوعی بریتانیا، نهادی دولتی که کارش سنجش خطرها و توانایی‌های مدل‌های پیشرفتهٔ هوش مصنوعی است، در تازه‌ترین تحلیل خود به یک پرسش ساده اما سرنوشت‌ساز پاسخ داد: «مدل‌های متن‌باز پیشرو چقدر از مرز فناوری عقب هستند؟» پاسخ، بسیاری از کارشناسان را غافلگیر کرد. این فاصله در حوزهٔ حساس توانایی‌های سایبری، در طول یک سال به‌شکل چشمگیری آب رفته است.

تا همین اواخر تصور رایج این بود که میان مدل‌های متن‌باز و غول‌های بستهٔ شرکت‌هایی مانند OpenAI و Anthropic یک شکاف عمیق و پایدار وجود دارد؛ شکافی که مدل‌های رایگان و در دسترس همه را دست‌کم شش ماه تا یک سال عقب نگه می‌داشت. اما داده‌های تازهٔ AISI نشان می‌دهد این فرض دیگر درست نیست و مدل‌های باز با سرعتی بیشتر از انتظار، خود را به بالادست می‌رسانند.

چرا این خبر مهم است؟ چون توانایی سایبری یکی از حساس‌ترین معیارها برای سنجش «قدرت واقعی» یک مدل است و مستقیماً به امنیت میلیون‌ها کاربر و سازمان گره خورده است. وقتی چنین توانایی‌ای از انحصار چند شرکت بزرگ خارج شود و به دست همه برسد، هم فرصت‌های تازه‌ای متولد می‌شود و هم خطرهایی که پیش‌تر مهارشان ساده‌تر بود. برای پیگیری لحظه‌به‌لحظهٔ این تحولات می‌توانید به بخش اخبار هوش مصنوعی سر بزنید.

۲) متن‌باز و بسته؛ تفاوت در کجاست؟

پیش از رفتن به سراغ اعداد، بد نیست مرز میان این دو دنیا را روشن کنیم. مدل‌های «بسته» یا اختصاصی مانند خانوادهٔ GPT شرکت OpenAI و مدل‌های Claude شرکت Anthropic، پشت درهای بسته آموزش می‌بینند و کاربر فقط از طریق سرویس رسمی و کنترل‌شدهٔ سازنده به آن‌ها دسترسی دارد. وزن‌های این مدل‌ها منتشر نمی‌شود و شرکت سازنده می‌تواند لایه‌های ایمنی، فیلترها و محدودیت‌ها را روی آن‌ها اعمال و کنترل کند. اگر می‌خواهید با ریشه و تاریخچهٔ این شرکت‌ها بیشتر آشنا شوید، مقالهٔ OpenAI چیست نقطهٔ خوبی برای شروع است.

در مقابل، مدل‌های «متن‌باز» یا دقیق‌تر «باز-وزن» (open-weight)، وزن‌های خود را به‌صورت عمومی منتشر می‌کنند. یعنی هر توسعه‌دهنده یا شرکتی می‌تواند آن‌ها را دانلود کند، روی سرور خودش اجرا کند، تغییرشان دهد و بدون واسطه از قدرتشان بهره ببرد. مدل‌هایی مانند Llama شرکت Meta این مسیر را در جهان محبوب کردند و امروز رقبای نیرومندی مانند GLM و DeepSeek از چین، پرچم‌دار این جریان شده‌اند.

این آزادی، هم بزرگ‌ترین مزیت و هم بزرگ‌ترین چالش مدل‌های باز است. از یک سو نوآوری را دموکراتیک می‌کند و هزینه را می‌شکند؛ از سوی دیگر، وقتی وزن‌ها در دست همه باشد، اعمال و حفظ سازوکارهای ایمنی بسیار دشوارتر می‌شود. رقابت این دو فلسفه را پیش‌تر در نبردهای جالبی مانند رویارویی ChatGPT و DeepSeek دیده‌ایم و گزارش تازه، فصل تازه‌ای از همین رقابت است.

۳) فاصله چقدر آب رفته است؟

عدد کلیدی گزارش این است: مدل‌های متن‌باز پیشرو اکنون در آزمون‌های سایبری «محدود» (narrow tasks) به‌اندازهٔ مدل‌هایی عمل می‌کنند که ۴ تا ۷ ماه پیش‌تر منتشر شده بودند. این در حالی است که همین فاصله در سراسر سال ۲۰۲۵ چیزی بین ۶ تا ۱۰ ماه بود. به بیان ساده، جریان متن‌باز در حال دویدن است و هر ماه بخشی از عقب‌ماندگی‌اش را جبران می‌کند.

برای اینکه این حرف انتزاعی نماند، به نمونه‌های مشخص گزارش نگاه کنیم. مدل GLM-5.2 که ژوئن ۲۰۲۶ عرضه شد، در این آزمون‌ها هم‌ترازِ Opus 4.6 (مدل قدرتمند Anthropic از فوریهٔ ۲۰۲۶) ظاهر شده است. در آزمون‌های سخت‌تر موسوم به «میدان سایبری» (cyber ranges) که در آن مدل باید یک حملهٔ چندمرحله‌ای را به‌صورت خودکار و سرتاسری در یک شبکهٔ شبیه‌سازی‌شده اجرا کند، همین GLM-5.2 هم‌پای Opus 4.5 (نسخهٔ نوامبر ۲۰۲۵، یعنی حدود هفت ماه قدیمی‌تر) عمل کرده است.

مدل دیگر، DeepSeek V4-Pro، کمی پایین‌تر ایستاده و در میدان‌های سایبری زیر سطح Sonnet 4.5 قرار گرفته است؛ اما همین حضور هم برای مدلی که وزن‌هایش رایگان در اختیار همه است، دستاورد بزرگی محسوب می‌شود. جمع‌بندی روشن است: دیگر نمی‌توان مدل‌های باز را «اسباب‌بازی‌های ضعیف» نامید. آن‌ها به بازیگران جدی میدان تبدیل شده‌اند.

۴) بمب اصلی؛ اختلاف باورنکردنی در هزینه

اگر تنها یک عدد از این گزارش در ذهنتان بماند، بگذارید همین باشد: هزینه. توانایی نزدیک، وقتی با قیمتی به‌کلی متفاوت به دست بیاید، معنای اقتصادی همه‌چیز را زیرورو می‌کند. طبق گزارش AISI، اجرای یک آزمون کامل «میدان سایبری» با ۱۰۰ میلیون توکن روی مدل بستهٔ Opus 4.5 یا 4.6 حدود ۸۵ دلار هزینه دارد. همان آزمون روی GLM-5.2 حدود ۴۶ دلار و روی DeepSeek V4-Pro تنها ۱٫۱۹ دلار تمام می‌شود.

یعنی اختلاف هزینه میان گران‌ترین و ارزان‌ترین گزینه چیزی نزدیک به ۷۰ برابر است. در سطح «هر وظیفهٔ حل‌شده» هم تصویر مشابه است: جایی که Opus 4.6 برای هر چالش حل‌شده حدود ۱۵ دلار خرج برمی‌دارد، GLM-5.2 همان کار را با حدود ۶ دلار و مدل‌های ارزان‌تر متن‌باز با چند سنت انجام می‌دهند. این یعنی سدِ هزینه، که سال‌ها مانع اصلی دسترسی انبوه به قدرتمندترین مدل‌ها بود، در حال فروریختن است.

پیامد این ارزان‌شدن برای کسب‌وکارها عظیم است. شرکتی که تا دیروز باید برای به‌کارگیری هوش مصنوعی پیشرفته بودجه‌ای سنگین کنار می‌گذاشت، حالا می‌تواند با کسری از آن هزینه به توانی تقریباً مشابه برسد. اگر به این می‌اندیشید که چرا این تحول برای آیندهٔ شرکت‌ها حیاتی است، مقالهٔ اهمیت هوش مصنوعی در کسب‌وکار زاویهٔ خوبی به دست می‌دهد.

۵) این توانایی سایبری را چطور می‌سنجند؟

برای اینکه به اعداد گزارش اعتماد کنیم، خوب است بدانیم پشت آن چه روشی خوابیده است. AISI برای سنجش، از دو دستهٔ آزمون کاملاً متفاوت استفاده کرده است تا هم مهارت‌های نقطه‌ای و هم توان عملیاتی سرتاسری مدل‌ها را اندازه بگیرد.

آزمون‌های محدود در چهار سطح دشواری

دستهٔ اول، «وظایف محدود» است که مهارت‌های مشخصی را در چهار سطح دشواری می‌سنجد؛ از سطح «غیرمتخصص فنی» (مانند یک تحلیل‌گر داده) تا سطح «متخصص» با بیش از ده سال تجربهٔ امنیت سایبری. این آزمون‌ها حوزه‌هایی مانند کشف آسیب‌پذیری، بهره‌برداری از رخنه‌ها، مهندسی معکوس، حملات تحت وب و رمزنگاری را پوشش می‌دهند و نشان می‌دهند مدل در هر مهارت دقیقاً کجا ایستاده است.

میدان‌های سایبری؛ آزمون واقعیت

دستهٔ دوم، «میدان‌های سایبری» است که سخت‌گیرانه‌تر و به واقعیت نزدیک‌تر است. اینجا مدل باید بدون دخالت انسان، یک حملهٔ کامل و چندمرحله‌ای را در یک شبکهٔ شرکتی شبیه‌سازی‌شده برنامه‌ریزی و اجرا کند. این سنجه توان «خودگردانی» مدل را می‌آزماید؛ یعنی همان چیزی که مرز میان یک دستیار سادهٔ متنی و یک عاملِ (agent) مستقل را مشخص می‌کند. تفاوت میان توانایی ظاهری و توانایی واقعی مدل‌ها موضوعی است که در مقالهٔ توهم توسعه‌دهندهٔ تنها در برابر مهندس واقعی هم به آن پرداخته‌ایم.

۶) روی دیگر سکه؛ ایمنیِ شکننده

تا اینجا داستان، روایتِ خوش‌بینانهٔ «دموکراتیک‌شدن قدرت» بود. اما گزارش یک هشدار جدی هم دارد. AISI تأکید می‌کند که وقتی وزن‌های یک مدل به‌صورت باز منتشر می‌شود، «ابزارهای محافظتی کمتری» در اختیار سازنده باقی می‌ماند. برخلاف مدل‌های بسته که شرکت می‌تواند رفتار آن‌ها را از راه دور پایش و اصلاح کند، مدل باز، پس از انتشار، از کنترل خارج می‌شود.

پژوهشگران در عمل هم این ضعف را نشان دادند. مدل DeepSeek V4-Pro گاهی از انجام برخی وظایف مهندسی معکوس سر باز می‌زد، اما به گفتهٔ گزارش، این خودداری «تنها با چند بار تلاش دوباره» دور زده می‌شد. به بیان دیگر، قفل‌های ایمنی روی مدل‌های باز چنان شکننده‌اند که با پافشاری ساده باز می‌شوند؛ چیزی که در مدل‌های بستهٔ حرفه‌ای بسیار دشوارتر است.

این یعنی همان توانایی سایبری که می‌تواند به دست مدافعان بیفتد، به همان سادگی می‌تواند در اختیار مهاجمان قرار گیرد. این دقیقاً همان جایی است که وعده و تهدید هوش مصنوعی به هم گره می‌خورند؛ موضوعی که در تحلیل توان و محدودیت‌های واقعی هوش مصنوعی مفصل‌تر بررسی شده است.

۷) برای کاربران و کسب‌وکارها چه معنایی دارد؟

برای کاربر عادی و کسب‌وکارهای کوچک، خبر خوب روشن است: قدرتمندترین توانایی‌های هوش مصنوعی دیگر پشت دیوار قیمت‌های سنگین حبس نیستند. با مدل‌های باز می‌توان راهکارهایی ساخت که تا دیروز فقط از عهدهٔ شرکت‌های بزرگ برمی‌آمد؛ آن هم بدون وابستگی کامل به یک فروشندهٔ واحد و با کنترل بیشتر روی داده‌ها.

در عین حال، این آزادی مسئولیت هم می‌آورد. سازمان‌هایی که به سراغ مدل‌های باز می‌روند باید خودشان لایه‌های ایمنی، پایش و محدودسازی را طراحی کنند، چون سازنده دیگر این کار را برایشان انجام نمی‌دهد. مهارت کار با این ابزارها، از نوشتن درخواست دقیق گرفته تا مدیریت خروجی، اهمیت مضاعف پیدا می‌کند؛ اگر تازه‌کار هستید، راهنمای نوشتن پرامپت برای مبتدی‌ها و مجموعهٔ آموزش‌های ChatGPT می‌توانند نقطهٔ شروع خوبی باشند.

نتیجهٔ کلان ماجرا این است که بازار هوش مصنوعی در حال چندقطبی‌شدن است. دیگر یک یا دو شرکت همهٔ برگ‌های برنده را در دست ندارند و کاربران گزینه‌های واقعی و ارزان‌تری پیش رو دارند. این رقابت، در بلندمدت به سود مصرف‌کننده تمام می‌شود.

۸) پنجرهٔ کوتاهی که پیش رو داریم

مؤسسهٔ امنیت هوش مصنوعی نتیجه‌گیری خود را با یک هشدار مشخص می‌بندد: مدافعان سایبری تنها «پنجرهٔ کوتاهی برای آماده‌شدن» دارند، پیش از آنکه توانایی‌های سطح‌بالای امروزی، بدون همان سازوکارهای ایمنی، در دسترس همگان قرار گیرد. به بیان دیگر، ساعت در حال تیک‌تاک است.

توصیهٔ این نهاد، سرمایه‌گذاری روی «خطوط دفاعی پایه» و بهره‌گیری از خود هوش مصنوعی برای تقویت دفاع است. منطق ماجرا ساده است: اگر مهاجمان قرار است از مدل‌های ارزان و قدرتمند استفاده کنند، مدافعان هم باید با همان ابزارها مسلح شوند و از قافله عقب نمانند.

در تصویر بزرگ‌تر، این گزارش یک واقعیت تازه را رسمیت می‌بخشد: عصر انحصار مطلق مدل‌های بسته رو به پایان است. جریان متن‌باز، چه آن را فرصت بدانیم چه تهدید، دیگر یک بازیگر حاشیه‌ای نیست و باید آن را جدی گرفت. برای دنبال‌کردن ادامهٔ این رقابت، بخش اخبار روز هوش مصنوعی را از دست ندهید.

پرسش‌وپاسخ کوتاه (FAQ)

مدل هوش مصنوعی متن‌باز یعنی چه؟

مدلی که وزن‌های آموزش‌دیده‌اش به‌صورت عمومی منتشر می‌شود و هر کسی می‌تواند آن را دانلود کند، روی سیستم خودش اجرا کند و تغییرش دهد. در برابر آن، مدل‌های بسته فقط از طریق سرویس رسمی سازنده در دسترس‌اند.

آیا مدل‌های متن‌باز حالا از مدل‌های بسته بهترند؟

نه؛ هنوز مدل‌های بستهٔ پیشرو در بالاترین سطح توانایی جلوتر هستند. اما فاصله به ۴ تا ۷ ماه کاهش یافته و مدل‌های باز با هزینه‌ای بسیار کمتر، عملکردی نزدیک ارائه می‌دهند.

چرا هزینه این‌قدر مهم است؟

چون توانایی نزدیک با قیمتی تا ۷۰ برابر کمتر، معادلهٔ اقتصادی به‌کارگیری هوش مصنوعی را دگرگون می‌کند و دسترسی به قدرت پیشرفته را برای کسب‌وکارهای کوچک و کاربران عادی ممکن می‌سازد.

خطر اصلی این روند چیست؟

ضعف سازوکارهای ایمنی. وقتی وزن‌های یک مدل باز منتشر می‌شود، دور زدن قفل‌های ایمنی‌اش ساده‌تر است و همان توان قدرتمند می‌تواند در مسیر سوءاستفاده به کار رود.