در میان تمام بحثهای داغ پیرامون ریسکهای بالقوه هوش مصنوعی، یک نگرانی وجود دارد که بیشترین اضطراب را در میان رهبران فناوری در سیلیکون ولی به وجود آورده است: ترس از اینکه غولهای هوش مصنوعی مانند OpenAI و Anthropic به عنوان «اسب تروا» عمل کرده و به اطلاعات حساس تجاری شرکتها دسترسی پیدا کنند.
معمای پرداخت دوگانه: پول و دادههای مالکیتی
در یک پست بلاگ شگفتانگیز منتشر شده در روز دوشنبه، ستیای نادلا، مدیرعامل مایکروسافت، به این جمع منتقدان پیوست. او هشدار میدهد که کاربران هوش مصنوعی (که او آنها را «خریداران» مینامد) دو بار هزینه میپردازند: یکبار با پول برای استفاده از توکنها، و بار دیگر—بهصورت ناخودآگاه—با واگذاری «دانش مالکیتی» که برای به دست آوردن خروجیهای باکیفیت از مدلها ضروری است.
«شما در اصل دو بار برای هوش پرداخت میکنید، یک بار با پول، و بار دیگر با چیزی حتی ارزشمندتر: دانش مالکیتی که باید فاش کنید تا آن هوش مفید شود. هرچه بخواهید مدل بهتر کار کند، باید بیشتر از آن دانش را به آن بدهید!»
خطر تقطیر دانش نهادی (Institutional Know-How)
نادلا تأکید میکند که سازمانها بهطور حرفی در حال آموزش مدلها درباره ظرایف کسبوکار خود هستند. مدلها از «اُگزاست» (دادههای جانبی) یاد میگیرند: پرامپتها، ابزارهای عاملها، و بهویژه تصحیحاتی که کاربران وقتی مدل اشتباه میکند اعمال میکنند. هر تصحیح، یک واحد از دانش نهادی است که رقبا هرگز نمیتوانند بخرند، اما الان به دست سازندگان مدل میرسد.
پارادوکس استفاده عادلانه در برابر محدودیت تقطیر
استدلال نادلا بر این است که شرکتهای هوش مصنوعی نمیتوانند «هر دو راه را بروند». اگر آنها حق دارند تحت覆ی «استفاده عادلانه» (Fair Use) روی دادههای عمومی اینترنت آموزش ببینند، باید سازمانها نیز بتوانند مدلها را «تقطیر» (Distillation) کنند—یعنی از خروجیهای مدل برای آموزش مدلهای کوچکتر و ارزانتر خود استفاده نمایند.
این موضوع در فوریه ۲۰۲۵ به اوج رسید وقتی Anthropic مدلهای متنباز چینی را متهم کرد که میلیونها پرامپت را به Claude ارسال کردهاند تا مدلهای خود را بهبود ببخشند و از دولت آمریکا خواست برای کنترل صادرات سختگیری کند.
راهحل نادلا: محیطهای یادگیری مالکیتی و لایه ارکستراسیون
به عنوان مدیرعامل یک غول ابری، نادلا راهحل خاص خود را پیشنهاد میدهد:
- حفظ مالکیت دادهها: شرکتها باید مالکیت پرامپتها، بازخوردها و تصحیحها را نگه دارند.
- سازماندهی در ابر: ساخت «محیطهای یادگیری مالکیتی» روی زیرساخت ابری (که احتمالاً قبلاً دادهها آنجا هستند—و راحتترین گزینه Azure است).
- لایه ارکستراسیون: ابزارهایی مانند «درگاههای هوش مصنوعی» (AI Gateways) که امکان جابجایی آسان بین مدلهای مختلف ارائهدهندگان را میدهند و از قفل شدن در یک وندور (Vendor Lock-in) جلوگیری میکنند.
زیرمتن متنباز و تحرک به سمت On-Prem
هرچند نادلا صراحتاً از کلمه «متنباز» (Open Source) استفاده نمیکند، اما این یک زیرمتن آشکار است. ایدی لوین، بنیانگذار Solo.io، تأیید میکند که شرکتهای بزرگ در حال حرکت به سمت اجرای مدلهای متنباز در دیتاسنترهای خود (On-Premises) هستند تا کنترل کامل بر دادههای حساس داشته باشند.
نتیجهگیری: استقلال داده، مزیت رقابتی آینده است
هشدار نادلا زنگ خطر برای هر سازمانی است که به دنبال بهرهبرداری از هوش مصنوعی مولد است. در دنیایی که دادهها نفت جدیدند، قابلیت اطمینان روی مدلهای مالکیتی بدون تضمینهای شفاف حریم خصوصی، میتواند به意味 دادن مفاتیح پادشاهی به رقبا باشد. استراتژی gewinnt: مالکیت داده، انعطافپذیری در انتخاب مدل، و کنترل زیرساخت.
