سلطه هوش مصنوعی چین سرنوشت محتوم آسیا نیست

در ژانویه ۲۰۲۵، وزارت الکترونیک و فناوری اطلاعات هند اعلام کرد که مدلهای دیپسیک روی سرورهای داخل این کشور میزبانی خواهند شد. این تصمیم برای مدلی از هوش مصنوعی چین، مجوزی کمسابقه از سوی دولتی بود که پیشتر دهها اپلیکیشن چینی را ممنوع کرده بود. در همان سال، سازمان هوش مصنوعی سنگاپور نسخه جدید مدل سی-لاین (SEA-LION) را منتشر کرد؛ یک مدل زبانی متنباز برای زبانهای جنوب شرق آسیا که این بار بر پایه مدل کوئن (Qwen) شرکت علیبابا ساخته شده بود، نه لاما (Llama) متعلق به متا. همچنین مدل OpenThaiGPT تایلند با استفاده از مدل Qwen2.5 تنظیم دقیق شده است.
این نمونهها صرفاً تصویری از وضعیت موجود ارائه میکنند، زیرا اطلاعات و دادههای مربوط به میزان استفاده از هوش مصنوعی در آسیا همچنان محدود است. بااینحال، آمار جهانی نشان میدهد تا اوت ۲۰۲۵، نسخههای مشتقشده از کوئن بیش از ۴۰ درصد مدلهای زبانی جدید مشتقشده در پلتفرم متنباز هاجینگ فیس را تشکیل میدادند؛ درحالیکه سهم لاما ۱۵ درصد بود. همچنین مدلهای چینی اکنون بیش از ۸۰ درصد استفاده از مدلهای دارای وزن باز در پلتفرم OpenRouter را به خود اختصاص دادهاند.
گسترش استفاده از مدلهای دارای وزن باز، یعنی مدلهایی که پارامترهای آموزشدیده آنها برای دانلود، تنظیم دقیق و میزبانی مستقل در اختیار همگان قرار میگیرد، پدیدهای واقعی و از نظر اقتصادی منطقی است. این مدلها بهویژه در بازارهای حساس به قیمت، مانند هند، مزیت دارند. آزمایشگاههای چینی نیز با سرعت و حجم قابلتوجهی مدلهای قدرتمندی عرضه کردهاند که روی سختافزارهای نهچندان پیشرفته اجرا میشوند. بنابراین، برای یک استارتاپ هندی یا سنگاپوری که هزینه استفاده از رابط برنامهنویسی کاربردی (API) را محاسبه میکند، یا دولتی که میخواهد دادههای شهروندانش در داخل مرزهای کشور باقی بماند، انتخاب یک مدل چینی ممکن است گزینه مناسبتری باشد.
پرسش اصلی برای بیشتر کشورهای آسیایی این است که آیا این روند استفاده میتواند به وابستگی تبدیل شود؟ مدلهای دارای وزن باز، منعطفترین بخش زنجیره فناوری هوش مصنوعی هستند؛ زیرا پس از دانلود، نمیتوان آنها را از دسترس خارج کرد و بهراحتی میتوان با مدل دیگری جایگزینشان کرد. وابستگی واقعی و هزینههای جدی تغییر تأمینکننده، در بخشهای دیگری از این زنجیره شکل میگیرد؛ بهویژه در زیرساخت پردازش و خدمات ابری که مدل بر آنها متکی است.
یک مدل میتواند تقاضا برای خدمات ابری و توان پردازشی چین را افزایش دهد، اما این اتفاق بهمعنای اجبار نیست. مدلهای چینی را میتوان بهجای زیرساخت ابری علیبابا، روی خدمات وب آمازون (AWS) یا در مراکز داده داخلی هر کشور نیز میزبانی کرد. بااینحال، میزبانی مستقل از نظر مالی برای کسبوکارهایی که نیروی مهندسی کافی یا واحدهای پردازش گرافیکی (GPU) مازاد ندارند، مقرونبهصرفه نیست. بسیاری از شرکتها ترجیح میدهند مدلها را بهصورت خدمات مدیریتشده دریافت کنند. از سوی دیگر، آزمایشگاهی که یک مدل را توسعه داده است، میتواند نسخههای جدیدتر آن را زودتر عرضه کند و ابزارهایی در اختیار کاربران قرار دهد که بهطور اختصاصی برای پشتیبانی از همان مدل طراحی شدهاند.
علیبابا در حال توسعه زیرساختهای منطقهای است تا بتواند از این تقاضا بهره ببرد. این شرکت در سال ۲۰۲۵ سومین مرکز داده خود را در مالزی افتتاح کرد و از برنامههایش برای راهاندازی دومین مرکز داده در فیلیپین خبر داد. همچنین یک مرکز هوش مصنوعی در سنگاپور راهاندازی کرد که به کسبوکارها و توسعهدهندگان اعتبار استفاده از توکن و توان پردازشی ارائه میدهد. بااینحال، شواهد موجود درباره تبدیل این تقاضا به قراردادهای خدمات ابری در آسیا همچنان محدود است و بسیاری از استفادهکنندگان برای پرهیز از وابستگی، مدلها را روی زیرساختهای خود میزبانی میکنند.
مدلهای هوش مصنوعی چین میتوانند تقاضا برای سختافزار تولید داخل این کشور را نیز افزایش دهند. نسخه V4 دیپسیک که در آوریل ۲۰۲۶ منتشر شد، برای استفاده با تراشههای Ascend شرکت هواوی سازگار شده بود. هواوی همچنین اعلام کرده است که از تراشههای این شرکت در بخشی از فرایند آموزش این مدل استفاده شده است.
بنابراین، وابستگی اجتنابناپذیر نیست، اما تصمیمهای اولیه اهمیت زیادی دارند. توسعهدهندگان معمولاً به مدلی که با آن آشنا هستند وفادار میمانند. هرچه یک مدل بیشتر در محصولات و خدمات یک شرکت ادغام شود، جایگزین کردن آن هزینه بیشتری خواهد داشت. همچنین وقتی مدلی به استاندارد رایج منطقه تبدیل شود، ابزارها، نسخههای مختلف و معیارهای ارزیابی مدلهای جدید نیز بر اساس همان مدل شکل میگیرند.
مدلها علاوه بر قابلیتهای فنی، پیشفرضهای سیاسی و زبانی موجود در دادههای آموزشی خود را نیز منعکس میکنند. در ژانویه ۲۰۲۵، چتبات دیپسیک در پاسخ به این پرسش که آیا آروناچال پرادش بخشی از هند است، از پاسخگویی خودداری کرد. تصمیم شرکت پرپلکسیتی برای آموزش مجدد مدل R1 دیپسیک با هدف حذف سانسور دولتی چین نیز نشان میدهد که چنین پاسخهایی ممکن است در خود مدل تعبیه شده باشند، نه اینکه صرفاً به نحوه عملکرد اپلیکیشن مربوط باشند.
استفاده از مدلهای دارای وزن باز، بهخودیخود هیچ مزیت اجباری یا ابزار اعمال فشار در اختیار چین قرار نمیدهد. پکن پس از دانلود یک مدل نمیتواند آن را از دسترس خارج کند و منطق زیستبوم متنباز نیز تهدید به خودداری از انتشار نسخههای بعدی را کماثر میکند. بااینحال، این منطق در مرز فناوریهای پیشرفته در حال تضعیف است. مدل Kimi K3 شرکت مونشات و Qwen 3.8-Max متعلق به علیبابا اکنون برای ارائه خدمات به شرکتهای بزرگ، به قراردادهای تجاری نیاز دارند. به این ترتیب، دسترسی رایگان به مدلها و ابزارها به روابط قراردادی تبدیل میشود. در عین حال، اهرمهای نفوذ غیرمستقیم چین، از جمله شکلدهی به گزینههای پیشفرض، ارزشهای تعبیهشده در مدلها و سوق دادن کاربران به سمت خدمات ابری این کشور، واقعی هستند، اما هنوز محل رقابت و مناقشهاند.
مدلهای متنباز آمریکایی، از جمله gpt-oss متعلق به OpenAI و Gemma متعلق به گوگل، برای جذب همین کاربران رقابت میکنند. بسیاری از استفادهکنندگان نیز برای آنکه به یک عرضهکننده واحد وابسته نباشند، همزمان از مدلهای آمریکایی و چینی بهره میبرند. بااینحال، هزینه فوریتر ممکن است از سوی واشنگتن تحمیل شود؛ جایی که دولت آمریکا استفاده از دیپسیک در سامانههای فدرال را ممنوع کرده و در حال بررسی محدودیتهای گستردهتری است. چنین محدودیتهایی برای شرکتهای آسیایی دارای مشتریان آمریکایی خطرآفرین خواهد بود.
هند نشان میدهد که راهبرد کاهش ریسک وابستگی چگونه میتواند عمل کند و در عین حال چه محدودیتهایی دارد. همزمان با استفاده شرکتهای هندی از مدلهای چینی، دهلینو در حال سرمایهگذاری برای توسعه گزینههای جایگزین است. طرح یکمیلیارد و ۲۰۰ میلیون دلاری مأموریت هوش مصنوعی هند (IndiaAI Mission) در حال فراهم کردن حدود ۳۸ هزار واحد پردازش گرافیکی یارانهای است. شرکت ساروام ایآی نیز از مدلهای اختصاصی خود با ۳۰ و ۱۰۵ میلیارد پارامتر رونمایی کرده است. وجود توان پردازشی داخلی به توسعهدهندگان هندی امکان میدهد هر مدلی را در داخل کشور تنظیم دقیق و میزبانی کنند و در نتیجه، جذابیت استفاده از خدمات ابری چین کاهش مییابد.
بااینحال، راهبرد هند بهجای حذف وابستگی، محل آن را تغییر میدهد. واحدهای پردازشی مورد استفاده این کشور وارداتی هستند و بخش عمده آنها از شرکتهای آمریکایی تولیدکننده تراشه تأمین میشود. در نتیجه، هند وابستگی به مدلهای چینی را با وابستگی به سختافزار آمریکایی و محدودیتهای صادراتی ایالات متحده مبادله میکند. مدل قبلی ساروام، یعنی Sarvam-M، بر پایه مدل Mistral Small فرانسه ساخته شده بود. مدلهای جدیدتر این شرکت از ابتدا آموزش داده شدهاند، اما همچنان از پیشرفتهترین سامانههای هوش مصنوعی عقبتر هستند. راهبرد هند وابستگی تثبیتشده به یک عرضهکننده را کاهش میدهد، اما استقلال کامل به ارمغان نمیآورد. افزون بر این، حتی چنین راهبردی برای کاهش وابستگی نیز تنها در توان تعداد محدودی از کشورهای آسیایی است.
مدلهای چینی دارای وزن باز در حال تبدیل شدن به یکی از ورودیهای رایج توسعه هوش مصنوعی در آسیا هستند. اما یک ورودی بهمعنای زیرساخت نیست و پکن بهتنهایی نمیتواند تعیین کند که این مدلها به زیرساخت اصلی منطقه تبدیل شوند یا نه. این نتیجه به اقداماتی بستگی دارد که کشورهای منطقه برای تکمیل این ابزارها انجام میدهند؛ از جمله ایجاد زیرساختهای پردازشی متنوع، تقویت توانایی ارزیابی و ممیزی مدلها و توسعه جایگزینهای معتبر بومی.
مدلهای چین سریعتر از آنچه کشورهای منطقه برای بررسی دقیق و جایگزین کردن آنها ظرفیت ایجاد میکنند، در حال ادغام در سامانههای آسیایی هستند. اینکه برتری اولیه چین در این عرصه به وابستگی پایدار تبدیل شود یا نه، تصمیمی است که خود آسیا باید بگیرد.
کارتیک ناچیاپان پژوهشگر ارشد غیرمقیم در مؤسسه مطالعات آسیای جنوبی دانشگاه ملی سنگاپور است.
