دنیای هوش مصنوعی (AI) در حال عبور از یک دگردیسی تاریخی و ژئوپلیتیکی است. تحولاتی که در سالهای اخیر شاهد آن بودهایم، صرفاً پیشرفتهای فنی نیستند، بلکه نشاندهنده تغییر بنیادین در توازن قدرت جهانی هستند. این گزارش تحلیلی بر اساس دادههای بیسابقهای که از پلتفرم Hugging Face، به عنوان یکی از اصلیترین مخازن مدلها، رفتار کاربران و روند توسعهدهندگان بین سالهای ۲۰۲۰ تا ۲۰۲۵ استخراج شده، تهیه شده است. یافتههای این تحلیل حقایق تکاندهندهای در مورد صعود قدرتهای شرقی، کاهش محسوس شفافیت در توسعه مدلهای هوش مصنوعی، و ظهور غولهای دیجیتالی با مقیاسهای ۱۷ برابری را آشکار میسازد.
سلطه بلامنازع غرب، که به طور سنتی با سیلیکون ولی گره خورده بود، اکنون با چالشهای جدی روبرو است. این گزارش به تشریح این تغییرات، پیامدهای فنی و اخلاقی آنها، و آیندهای که با ظهور «عصر چینی-چندوجهی» رقم خواهد خورد، میپردازد.
۱. سقوط امپراتوری سیلیکون ولی: گذار از سلطه انحصاری به رقابت چندقطبی
تا پیش از سال ۲۰۲۲، فضای توسعه و توزیع مدلهای هوش مصنوعی به شدت تحت سلطه بازیگران آمریکایی بود. شرکتهایی نظیر گوگل (با مدلهای LaMDA و PaLM)، متا (با Llama) و OpenAI (با GPT) نه تنها از نظر منابع مالی و محاسباتی، بلکه از نظر تأثیرگذاری بر جامعه توسعهدهندگان، پیشتاز بودند.
۱.۱. سلطه پیش از تغییر (۲۰۲۰-۲۰۲۲)
در این دوره، سهم دانلود و استقرار مدلهای آمریکایی در پلتفرمهایی مانند Hugging Face اغلب بیش از ۷۰ درصد کل ترافیک را تشکیل میداد. این تسلط بر زیرساختهای نرمافزاری و معماری مدلها، یک «سلطه سیلیکون ولی» را تثبیت کرده بود. توسعهدهندگان بینالمللی اغلب مجبور بودند برای دسترسی به پیشرفتهترین قابلیتها، به اکوسیستم آمریکا وابسته باشند.
۱.۲. شوک ۲۰۲۵ و ظهور قدرتهای جدید
نقطه عطف این گزارش، دادههای سال ۲۰۲۵ است که نشاندهنده یک تغییر پارادایم آشکار است. برای اولین بار در تاریخ توسعه مدلهای بزرگ زبان (LLMs)، سهم دانلود مدلهای توسعهیافته توسط نهادهای چینی، از جمله شرکتهایی مانند Baidu، Alibaba، و تیمهای تحقیقاتی مستقلی مانند DeepSeek و Qwen، به ۱۷.۱ درصد از کل ترافیک دانلود مدلها در پلتفرم Hugging Face رسید.
این رقم، سهم مدلهای توسعهیافته در ایالات متحده را که به ۱۵.۸ درصد کاهش یافته بود، پشت سر گذاشت.
این رخداد نشاندهنده آغاز رسمی «عصر چینی-چندوجهی» است. این عصر نه تنها به معنای ظهور یک رقیب جدید است، بلکه نشان میدهد که مدلهای چینی با ویژگیهای رقابتی (بهینهسازی برای زبانهای محلی، قابلیتهای محاسباتی کارآمدتر) توانستهاند در اکوسیستم جهانی نفوذ کنند. این امر، توازن قدرت را از یک نظم تکقطبی به یک نظم چندقطبی در حوزه هوش مصنوعی تغییر میدهد که در آن، تصمیمگیریها و استانداردها دیگر صرفاً بر اساس هژمونی آمریکا شکل نخواهند گرفت.
۲. جنون سرعت و حجم: مدلها ۱۷ برابر بزرگتر شدند
افزایش اندازه و پیچیدگی مدلهای هوش مصنوعی، یکی از مهمترین روندهای فنی در این پنج سال اخیر بوده است. پارامترهای مدلها که معیاری برای سنجش ظرفیت یادگیری آنها هستند، جهشی تصاعدی را تجربه کردهاند.
۲.۱. رشد نمایی پارامترها
بر اساس تحلیل متراکم دادههای فرادادهای مدلهای اصلی (مانند خانواده Llama، GPT-N، و Qwen) که در پلتفرم بارگذاری شدهاند، میانگین اندازه مدلهای دانلود شده بین سال ۲۰۲۰ تا ۲۰۲۵، ۱۷ برابر افزایش یافته است.
در سال ۲۰۲۰، متوسط تعداد پارامترها حدود ۱ میلیارد بود. در سال ۲۰۲۵، این متوسط به ۱۷ میلیارد پارامتر رسیده است (با در نظر گرفتن استانداردهای توزیع در پلتفرم).
این افزایش شدید در مقیاس، نیازمند منابع محاسباتی عظیم (مانند تراشههای GPU پیشرفته) و مجموعههای دادهای بسیار بزرگ است.
۲.۲. ظهور «واسطههای قدرت» و لایهبندی اکوسیستم
افزایش چشمگیر اندازه مدلهای پایه (Foundation Models)، یک لایه جدید از بازیگران را در زنجیره ارزش هوش مصنوعی ایجاد کرده است: «واسطههای قدرت».
این واسطهها، شرکتها یا پلتفرمهایی هستند که مدلهای خام (که اغلب توسط غولها آموزش دیدهاند) را دریافت کرده، آنها را بهینهسازی، فشردهسازی (Quantization)، یا سفارشیسازی (Fine-tuning) میکنند تا برای استقرار در سختافزارهای معمولیتر یا موارد استفاده خاص مناسب باشند.
نمونههای برجسته این واسطهها عبارتند از:
- lmstudio: پلتفرمی که امکان اجرای مدلهای بزرگ روی سختافزارهای مصرفکننده را فراهم میکند، که خود نشاندهنده تلاش برای دموکراتیزه کردن دسترسی به مدلهای بزرگ، هرچند در لایه دوم.
- ComfyUI و Stable Diffusion WebUI: واسطههایی که مدلهای تولید تصویر را برای کاربران نهایی قابل استفاده و شخصیسازی میکنند.
این واسطهها قدرت جدیدی به دست آوردهاند، زیرا آنها تبدیل به رابط اصلی بین توسعهدهندگان نهایی و مدلهای بسیار بزرگ شدهاند. در حالی که سازندگان مدلهای پایه قدرت تولید را در اختیار دارند، واسطهها قدرت انتقال و بستهبندی این قدرت را کنترل میکنند.
پ
۳. مرگ تدریجی شفافیت: جعبههای سیاه هوش مصنوعی
یکی از نگرانکنندهترین جنبههای این تحول، کاهش شدید شفافیت در توسعه مدلهاست. هوش مصنوعی، که قرار بود ابزاری برای دانش باز و توسعه مشترک باشد، به سرعت در حال تبدیل شدن به مجموعهای از «جعبههای سیاه» انحصاری است.
۳.۱. سقوط نرخ اعلام شفافیت دادهها
شفافیت در زمینه هوش مصنوعی معمولاً شامل ارائه جزئیات در مورد مجموعه دادههای آموزشی، روشهای پالایش دادهها (Data Curation)، و فرآیندهای تنظیم دقیق (Alignment) مدل است.
تحلیلها نشان میدهد که میزان اعلام شفافیت دادههای آموزشی مدلهای بارگذاری شده در پلتفرم، از ۷۹.۳ درصد در سال ۲۰۲۲ به ۳۹ درصد در سال ۲۰۲۵ سقوط کرده است.
این کاهش بیش از دو برابری، نشان میدهد که رقابت فزاینده و ملاحظات استراتژیک (نظامی و تجاری) باعث شده است که شرکتها و دولتها از افشای جزئیات فنی خودداری کنند.
۳.۲. تفاوت بین «وزنهای باز» و «متنباز» واقعی
این کاهش شفافیت با یک گمراهی مفهومی همراه شده است: تفاوت بین مدلهای «وزن باز» (Open Weights) و مدلهای «متنباز» (Truly Open Source).
- مدلهای متنباز واقعی: مدلهایی هستند که نه تنها وزنها (پارامترهای آموزشدیده) بلکه تمامی مراحل و دادههای آموزشی و متدهای توسعه را نیز منتشر میکنند.
- مدلهای وزن باز: این مدلها تنها اجازه میدهند که وزنهای نهایی مدل دانلود و اجرا شوند. با این حال، دادههای آموزشی، کد پیشپردازش دادهها، و گاهی حتی معماری دقیق آموزش (مانند تنظیمات هایپرپارامترها در طول آموزش) پنهان میماند.
در سال ۲۰۲۵، اکثریت قریب به اتفاق مدلهایی که تحت عنوان «باز» منتشر میشوند، در دسته «وزن باز» قرار میگیرند. این به بازیگران اصلی اجازه میدهد تا با حفظ مزیت رقابتی ناشی از دادههای اختصاصی و فرآیندهای آموزش انحصاری، همچنان از مزایای جامعه توسعهدهندگان (آزمایش، گزارش اشکالات، Fine-tuning) بهرهمند شوند. این پنهانکاری منابع آموزشی، مسیر تحقیق مستقل را برای نسل بعدی دانشمندان هوش مصنوعی دشوار میسازد.
نتیجهگیری: عصر جدید انحصار و قدرت
دنیای هوش مصنوعی در حال گذار از یک دوران نسبتاً باز و متمرکز بر سیلیکون ولی، به یک دوران رقابت ژئوپلیتیکی و متمرکز بر شرق است.
۱. بازگشت قدرت متمرکز: قدرت محاسباتی و نفوذ توسعهای دیگر در انحصار آمریکا نیست. ظهور قدرتهای جدید، به ویژه چین، توازن قدرت را پیچیدهتر کرده است، اما لزوماً منجر به توزیع قدرت نشده است. در واقع، قدرت در حال بازگشت است، اما این بار بین ابرقدرتهای منتخب تقسیم شده است.
۲. خطر انحصار و پنهانکاری: کاهش شدید شفافیت دادهها زنگ خطر بزرگی است. اگر توسعه هوش مصنوعی به انحصار مدلهای «جعبه سیاه» ادامه یابد، پیشرفتهای آینده تحت کنترل تعداد محدودی از نهادهای دولتی یا شرکتهای بزرگ باقی خواهد ماند که اهداف آنها لزوماً همسو با منافع عمومی نیست.
این گزارش، این پرسش حیاتی را مطرح میسازد که آیا هوش مصنوعی، با وجود وعدههای اولیه، ابزاری برای دانش آزاد، نوآوری باز و منافع جهانی باقی خواهد ماند، یا به سلاحی سری و استراتژیک در زرادخانه ابرقدرتها تبدیل خواهد شد که در آن، اطلاعات مربوط به نحوه کارکرد آن به سختی در دسترس عموم قرار گیرد؟ پاسخ به این پرسش، آینده حاکمیت جهانی در قرن بیست و یکم را رقم خواهد زد.
