Chińskie modele AI o otwartych wagach przewodzą pod względem wykorzystania, wywierając presję na strategię Ameryki
Chińskie modele AI o otwartych wagach odpowiadają obecnie za ponad 80 procent wykorzystania modeli na dużej platformie otwartych modeli, mimo wczesnej przewagi Ameryki. Badacz Nathan Lambert niedawno przedstawił tę zmianę grupie członków Kongresu i ich pracowników. Jego przekaz był niewygodny: chińskie laboratoria nie tylko nadrabiają zaległości, kopiując amerykańskie systemy. Zbudowały szybszy cykl wydań, silniejszą dystrybucję i coraz większą przewagę nad amerykańskimi otwartymi modelami.
Liczby te nie oznaczają, że chińskie modele dominują we wszystkich formach globalnego wykorzystania sztucznej inteligencji. OpenAI, Anthropic i Google nadal prowadzą w obszarze systemów własnościowych, a znaczna część ruchu przedsiębiorstw pozostaje prywatna. Dostępne dane wskazują natomiast na dominację w coraz ważniejszym rynku modeli o otwartych wagach, gdzie deweloperzy mogą pobierać lub dostosowywać wytrenowane parametry modelu.
To rozróżnienie ma znaczenie, lecz nie czyni tej zmiany mniej istotną. Meta’s Llama kiedyś definiowała ten rynek. Obecnie Alibaba’s Qwen, Moonshot AI’s Kimi, Z.ai’s GLM i DeepSeek stanowią podstawę znacznej części jego wykorzystania i badań. Kongres musi zdecydować, czy ta zmiana wynika z nieuczciwego pozyskiwania zasobów, lepszego wykonania czy strukturalnej porażki amerykańskiej strategii dotyczącej otwartych modeli.
Chińskie modele AI o otwartych wagach przejęły prowadzenie tam, gdzie deweloperzy mogą zmieniać systemy
Najwyraźniejsza zmiana nie polega na pojedynczym zwycięstwie w benchmarku. Jest nią koncentracja aktywności wokół otwartych modeli stworzonych przez chińskie laboratoria.
Lambert, znany badacz otwartych modeli i współautor projektu American Truly Open Models, opublikował 21 września rozszerzoną wersję swoich przygotowanych wystąpień przed Kongresem. Jego ocena otwartych modeli wskazuje, że chińskie firmy prowadzą w kategorii modeli o otwartych wagach od około kwietnia 2025 roku.
Model o otwartych wagach udostępnia swoje wytrenowane parametry do pobrania lub dalszego wykorzystania. Pozwala to deweloperom badać, modyfikować, dostrajać i uruchamiać model na kontrolowanej przez nich infrastrukturze. Nie musi być to model open source, ponieważ twórca może nie udostępniać danych treningowych, kodu treningowego ani innych elementów potrzebnych do jego odtworzenia.
Modele zamknięte działają inaczej. Produkty takie jak wiodące systemy OpenAI i Anthropic zazwyczaj zapewniają dostęp za pośrednictwem hostowanych aplikacji lub interfejsów programowania aplikacji. Klienci mogą korzystać z tych możliwości, ale nie mogą pobrać bazowego modelu ani niezależnie go obsługiwać.
Ameryka ustanowiła wczesny komercyjny wzorzec otwartych wag za sprawą rodziny Llama firmy Meta. Google później dodał Gemma, a Nvidia i kilka mniejszych laboratoriów wydały własne alternatywy. Ta pozycja osłabła, ponieważ chińskie laboratoria częściej udostępniają silniejsze modele.
W zestawieniu benchmarków Lamberta z 14 września modele Z.ai’s GLM-5.3, GLM-5.3-Flash oraz Moonshot AI’s Kimi K3 uzyskały odpowiednio 45, 42 i 44 punkty w Artificial Analysis Intelligence Index. Wiodące amerykańskie otwarte modele w jego porównaniu zdobyły od 23 do 26 punktów.
Wyniki te nie są uniwersalnymi miarami jakości modeli. Łączą one wydajność w wybranych ocenach i mogą sprzyjać modelom zoptymalizowanym pod kątem popularnych, mierzalnych zadań. Jednak rozmiar i trwałość tej różnicy utrudniają uznanie jej za artefakt testów.
Dane dotyczące dystrybucji wskazują w tym samym kierunku. Lambert szacuje, że modele opracowane w Chinach osiągnęły łącznie 3,2 miliarda pobrań na Hugging Face, czyli około dwa razy więcej niż modele amerykańskie. Twierdzi, że przewaga Chin pod względem pobrań wzrosła do około 1,6 miliarda od czasu, gdy kraj ten po raz pierwszy wyprzedził Stany Zjednoczone w lipcu 2025 roku.
OpenRouter przedstawia inny obraz. Usługa kieruje zapytania między wieloma hostowanymi modelami, dzięki czemu jest użyteczna dla deweloperów chcących porównywać lub zmieniać systemy. Według Lamberta tygodniowy ruch związany z otwartymi modelami na platformie wzrósł z około 1 biliona tokenów we wrześniu 2025 roku do około 80 bilionów.
Chińskie modele zwiększyły swój udział w tym ruchu związanym z otwartymi modelami z około 70 procent do ponad 80 procent. Mozilla osobno ustaliła, że siedem z dziesięciu najczęściej używanych modeli OpenRouter pod względem wolumenu tokenów w sierpniu zostało zbudowanych w Chinach i miało otwarte wagi. Jej raport o AI open source wykazał również, że otwarty model po raz pierwszy w tym miesiącu przewodził na platformie pod względem tygodniowej liczby żądań.
OpenRouter nie obejmuje całej gospodarki AI. Jego użytkownicy są wyjątkowo skłonni testować alternatywy, a wielu klientów korzysta z amerykańskich zamkniętych modeli na podstawie bezpośrednich umów, których OpenRouter nie może obserwować. Prywatne wdrożenia również pozostają w dużej mierze niewidoczne.
Nazywanie tych danych „globalnym wykorzystaniem” bez takiego zastrzeżenia zawyżałoby znaczenie dowodów. Bardziej uzasadniony wniosek jest nadal istotny: chińskie modele AI o otwartych wagach dominują na najbardziej widocznych rynkach eksperymentowania z otwartymi modelami i routowanego wnioskowania.
To właśnie tam deweloperzy mogą porównywać modele przy mniejszej liczbie przeszkód kontraktowych. Wynikające z tego wybory pokazują, co dzieje się, gdy lojalność wobec marki, pakietowe oprogramowanie i bezpośrednie umowy korporacyjne wywierają mniejszy wpływ.
Deficyt Ameryki w obszarze otwartych modeli jest dziś problemem biznesowym
Przyjmowanie chińskich modeli wywiera presję na amerykańskich twórców otwartych modeli, ale jednocześnie tworzy konflikt polityczny dla firm z USA, które już budują na tych systemach.
Problem konkurencyjny wykracza poza rankingi modeli. Lambert wymienił Harvey, Cursor, DoorDash, Airbnb i Perplexity jako firmy używające lub budujące z wykorzystaniem chińskich rodzin modeli. Ich zastosowania obejmują pracę prawniczą, rozwój oprogramowania, obsługę klienta i badania.
Firmy te mają różne architektury i profile ryzyka. Korzystanie z modelu przez hostowany interfejs nie jest tym samym co pobranie go do kontrolowanego środowiska. Żadne z tych rozwiązań nie oznacza automatycznie, że wrażliwe informacje klientów trafiają do chińskiego dostawcy.
Szerszy wzorzec nadal ma znaczenie. Deweloperzy wybierają Qwen, Kimi, DeepSeek i GLM, ponieważ te rodziny oferują praktyczne połączenie możliwości, elastyczności, szybkości i niższych kosztów operacyjnych. Te zalety stają się szczególnie istotne w agentach AI, którzy wielokrotnie wywołują model podczas realizacji wieloetapowych zadań.
Niewielka różnica w koszcie wnioskowania narasta, gdy agent planuje, pisze kod, sprawdza wyniki i ponawia nieudane kroki. Model o otwartych wagach można także dostroić pod konkretny proces pracy lub wdrożyć na infrastrukturze wybranej przez klienta.
Taka kontrola przyciąga firmy zaniepokojone zależnością od dostawcy. Dostawca zamkniętych modeli może zmienić zasady korzystania, wycofać model, dostosować dostęp lub ograniczyć określone żądania. Pobranych wag nie można zdalnie wycofać z maszyn, które już je przechowują.
Kompromis ten widać w ankiecie Mozilla wśród deweloperów. Otwarte modele dotarły do większej liczby deweloperów niż zamknięte modele w jej próbie, ale rzadziej trafiały do środowisk produkcyjnych. Respondenci wskazywali koszty infrastruktury, bezpieczeństwo, zgodność z przepisami, utrzymanie, złożoność wdrożenia i ograniczone wsparcie jako powtarzające się bariery.
Dostawcy zamkniętych modeli zapewniają w pakiecie więcej takich wymogów operacyjnych. Zwykle oferują dokumentację zgodności, zarządzane zabezpieczenia, gwarancje usług i stronę umowy, którą klienci mogą pociągnąć do odpowiedzialności. Uruchamianie otwartego modelu przenosi większą odpowiedzialność na jego użytkownika.
Chińskie modele AI o otwartych wagach nie wygrywają zatem każdej decyzji zakupowej. Stają się atrakcyjne, gdy przenośność, możliwość dostosowania, przepustowość lub niezależność od dostawcy są ważniejsze niż pakietowe mechanizmy zarządzania.
Ich wpływ na badania może okazać się jeszcze trudniejszy do odwrócenia. Lambert przeanalizował artykuły z pięciu intensywnie wykorzystywanych kategorii uczenia maszynowego na arXiv. Jego analiza wykazała, że Qwen pojawiał się w około 30 procentach ostatnich artykułów, w porównaniu z około 21 procentami dla Llama.
Ponad 40 procent artykułów wspominało co najmniej jeden chiński model o otwartych wagach, podczas gdy około 30 procent wymieniało rodzinę amerykańską. Dokładne udziały mogą się zmieniać w zależności od definicji modeli i wyborów dotyczących próby. Kierunek tych danych mimo wszystko sugeruje, że Qwen stał się podstawową infrastrukturą badawczą.
Przyjęcie w badaniach tworzy wzmacniającą się pętlę. Studenci i laboratoria rozwijają narzędzia wokół modeli, do których mają dostęp. Narzędzia te obniżają koszty przyszłych eksperymentów, co zachęca do kolejnych artykułów, integracji i szkolenia praktyków.
Firmy później zatrudniają tych praktyków. Produkty dziedziczą znajome biblioteki i metody oceny. Rodzina modeli może stać się standardem branżowym, nie kontrolując najbardziej zaawansowanego własnościowego chatbota.
Dlatego Kongres stoi przed czymś więcej niż konwencjonalnym sporem o udział w rynku. Ograniczenie chińskich modeli mogłoby zakłócić działalność amerykańskich firm i badaczy. Pozostawienie rynku bez zmian mogłoby pogłębić zależność od technologii rozwijanej w prawnym i strategicznym środowisku innego kraju.
Presja spada najbardziej bezpośrednio na amerykańskie firmy, które twierdzą, że Stany Zjednoczone mogą przewodzić w AI, jednocześnie utrzymując swoje najlepsze systemy jako zamknięte. Laboratoria własnościowe mogą pozostać komercyjnie skuteczne, nawet gdy otwarta warstwa przenosi się gdzie indziej. Rezultat dla kraju wygląda inaczej, ponieważ otwarta warstwa rozpowszechnia umiejętności, standardy i wpływy poza wąską grupę dostawców.
Chiny wyprzedziły amerykańskie otwarte modele dzięki szybkiemu udostępnianiu, a nie jednemu prostemu rozwiązaniu
Kluczowa zmiana polega na tym, że amerykańskie przywództwo na granicy możliwości nie przekłada się już na amerykańskie przywództwo w modelach, które każdy może badać i wdrażać.
Waszyngton skupiał się przede wszystkim na destylacji modeli. Destylacja szkoli jeden system przy użyciu wyników innego, zwykle silniejszego modelu. Technika ta jest powszechna w całej branży, choć pozyskiwanie takich wyników za pomocą fałszywych kont lub obchodzenia kontroli dostępu rodzi odrębne pytania prawne i dotyczące bezpieczeństwa.
House Homeland Security Committee oraz House Select Committee on China wszczęły w kwietniu wspólne dochodzenie dotyczące AI. W ramach dochodzenia wymieniono DeepSeek, Alibaba, Moonshot AI i MiniMax, badając pochodzenie modeli, cyberbezpieczeństwo, bezpieczeństwo danych oraz ryzyko w łańcuchu dostaw.
Komisje pytały również Anysphere i Airbnb o ich powiązania z chińskimi modelami. Jeden list koncentrował się na doniesieniach, że Composer 2 firmy Cursor opierał się na modelu Moonshot. Inny wyrażał obawy dotyczące wyboru Qwen przez Airbnb do obsługi klienta.
Ustawodawcy twierdzą, że nieuprawnione pozyskiwanie zasobów mogłoby pozwolić zagranicznym laboratoriom odtwarzać cenne możliwości bez ponoszenia porównywalnych amerykańskich inwestycji w badania lub zabezpieczenia. Ostrzegają również, że zależność od zagranicznych modeli może narażać użytkowników z USA na cenzurę, inwigilację lub zagrożenia dla bezpieczeństwa.
Obawy te zasługują na zbadanie. Nie wyjaśniają jednak jeszcze całej zmiany na rynku.
Lambert szacuje, że całkowite uniemożliwienie destylacji zwiększyłoby dystans Chin od amerykańskiej zamkniętej granicy możliwości jedynie o jeden lub dwa miesiące. Jego szacunek nie został niezależnie potwierdzony, a rejestry treningowe głównych laboratoriów pozostają prywatne. Mimo to podważa on pogląd, że przejęte wyniki stanowią pełne wyjaśnienie.
Chińskie laboratoria wydają również modele częściej. Ocena modelu uchwyca jego wydajność w jednym momencie, dlatego szybsze tempo wydań daje laboratorium więcej możliwości wdrażania nowych metod i reagowania na popyt użytkowników. Amerykańskie otwarte modele często pozostają niezmienione, podczas gdy ich zamknięte odpowiedniki nadal się rozwijają.
Wybór zadań również ma znaczenie. Chińscy deweloperzy skupili się na obszarach wyraźnie widocznych komercyjnie, takich jak programowanie agentowe, gdzie silny popyt zapewnia dużo informacji zwrotnych i mierzalne rezultaty. Lambert twierdzi, że ich przewaga maleje w przypadku mniej ustrukturyzowanych zadań naukowych.
Nie jest to dowód, że chińskie systemy są ogólnie lepsze od każdego amerykańskiego modelu. Wiodące zamknięte systemy amerykańskie nadal przodują w istotnych zadaniach profesjonalnych, naukowych i długotrwałych. Problem polega na tym, że systemy te są usługami wynajmowanymi, a nie fundamentami powszechnie dostępnymi do niezależnego wdrożenia.
Ograniczenia sprzętowe mogły wzmocnić efektywność. Amerykańskie kontrole eksportowe miały ograniczyć chiński dostęp do najnowocześniejszego sprzętu obliczeniowego. Chińskie laboratoria odpowiedziały, kładąc nacisk na techniki trenowania, efektywność inferencji i architektury, które osiągają więcej przy ograniczonych zasobach.
Zbyt prostym byłoby uznanie kontroli eksportowych za przyczynę chińskiej przewagi w modelach otwartych. Te same laboratoria korzystają również ze znacznych krajowych inwestycji, głębokich zasobów talentu inżynieryjnego oraz wyraźnej preferencji politycznej dla rozpowszechniania chińskich standardów AI. Ograniczenia i wsparcie mogą działać jednocześnie.
Licencjonowanie tworzy kolejną przewagę. Deweloperzy mogą pobrać wiele chińskich wag modeli, modyfikować je i integrować z produktami bez oczekiwania na dostęp do własnościowego dostawcy technologii z najwyższej półki. Warunki są różne, a otwarte wagi nie zawsze oznaczają nieograniczone użycie. Mimo to dają twórcom więcej swobody niż samo API.
Rezultatem jest asymetria. Amerykańskie laboratoria prowadzą znaczną część najdroższych badań nad granicą możliwości, podczas gdy chińskie firmy coraz częściej pakują niemal graniczne zdolności w systemy, które inne organizacje mogą posiadać i dostosowywać.
To strategia dystrybucji w takim samym stopniu jak strategia naukowa. Nieco słabszy model może wywierać większy wpływ, jeśli jest przystępny cenowo, konfigurowalny i szeroko dostępny. Linux, Android i otwarte oprogramowanie internetowe przypominają historycznie, że najbardziej rozpowszechniona warstwa nie zawsze wywodzi się z najnowocześniejszego produktu własnościowego.
Amerykańskie firmy wciąż mają możliwe odpowiedzi. OpenAI powróciło na rynek otwartych wag, Google nadal rozwija Gemma, a Nvidia wypuszcza modele Nemotron z wyjątkowo szczegółowymi materiałami wspierającymi. Lambert zauważa, że porównywalne modele amerykańskie mogą zyskiwać nieproporcjonalnie dużą popularność, gdy ich możliwości są konkurencyjne.
Jednak okazjonalne premiery nie zniwelują przewagi zbudowanej dzięki ciągłym aktualizacjom i inwestycjom w społeczność. Deweloperzy potrzebują przewidywalnych rodzin modeli, dokumentacji, liberalnych warunków oraz pewności, że nadejdzie kolejna wersja.
Rywalizacja sprowadza się więc do chińskiej skuteczności w otwartym ekosystemie kontra amerykański odwrót od otwartości. Destylacja jest częścią tej historii, ale traktowanie jej jako całej historii pozwala uniknąć krytycznej oceny amerykańskiej strategii modeli.
Liczby dotyczące użycia nie dowodzą globalnej supremacji AI
Najmocniejsze dowody wskazują na chińską dominację w kanałach modeli otwartych, a nie we wszystkich chatbotach, kontraktach korporacyjnych czy prywatnych wdrożeniach na całym świecie.
Dane OpenRouter są wartościowe, ponieważ obejmują rzeczywiste zapytania kierowane do wielu modeli. Badanie użycia tokenów z 2026 roku przeanalizowało ponad 100 bilionów tokenów z tej usługi, oferując wyjątkowo szczegółowy obraz zachowań deweloperów.
Ta szerokość zakresu nie czyni z OpenRouter spisu powszechnego. Użytkownicy wybierający bramę wielomodelową różnią się od firm związanych bezpośrednią umową z OpenAI, Anthropic, Google lub Microsoft. Platforma może naturalnie nadreprezentować osoby szukające otwartych alternatyw.
Liczba tokenów również wymaga kontekstu. Modele rozumujące mogą zużywać wiele ukrytych lub pośrednich tokenów, aby wygenerować jedną odpowiedź. Agenci programistyczni mogą wykonywać powtarzające się wywołania podczas jednego zadania. Model może prowadzić pod względem wolumenu tokenów, nie przodując pod względem liczby użytkowników, przychodów ani ukończonych procesów biznesowych.
Pobrania tworzą inny problem pomiarowy. Jedna osoba może pobrać wiele wersji, podczas gdy wdrożenie chmurowe może obsługiwać tysiące osób z jednej kopii. Zautomatyzowane systemy również mogą zawyżać liczniki bez odpowiadającego im użycia produkcyjnego.
Wzmianki akademickie wskazują na wpływ, lecz niekoniecznie na poparcie. Artykuł naukowy może oceniać słabości modelu, używać go jako punktu odniesienia albo wymieniać kilka rodzin modeli. Taka liczba nadal odzwierciedla uwagę badaczy, lecz nie powinna być przedstawiana jako bezpośrednia miara adopcji gospodarczej.
Wyniki benchmarków mają własne ograniczenia. Laboratoria mogą optymalizować premiery pod kątem widocznych testów, podczas gdy zestawy ewaluacyjne mogą niedostatecznie uwzględniać niezawodność, wiedzę dziedzinową, wydajność przy długim kontekście lub stabilność operacyjną. Niektóre wyniki raportowane przez dostawców wykorzystują niestandardowe konfiguracje, które trudno porównywać.
Wrześniowa analiza Mozilla ilustruje mieszany obraz. Modele otwarte niemal dogoniły wiodące systemy zamknięte w wybranych miarach możliwości i programowania. Modele zamknięte zachowały przewagę w profesjonalnej pracy opartej na wiedzy, wyszukiwaniu w długim kontekście, zgodności korporacyjnej i rozliczalności.
Ta luka ma znaczenie w zastosowaniach wysokiego ryzyka. Firma przetwarzająca dokumenty prawne, dane finansowe lub informacje zdrowotne potrzebuje czegoś więcej niż wysokiego wyniku w programowaniu. Potrzebuje kontroli dostępu, ścieżek audytu, przewidywalnych aktualizacji i jasnej odpowiedzialności, gdy coś zawiedzie.
Bezpieczeństwo działa też w obu kierunkach. Wagi dostępne do pobrania pozwalają obrońcom badać i modyfikować systemy, ale uniemożliwiają też pierwotnemu twórcy egzekwowanie zabezpieczeń po publikacji. Dostawcy zamkniętych systemów zachowują kontrolę, lecz badacze czasami stwierdzają, że ich filtry bezpieczeństwa blokują uzasadnioną pracę obronną.
Jeden z przykładów pojawił się, gdy Hugging Face badał incydent cyberbezpieczeństwa związany z AI. Według Lamberta i Scientific American, badacze użyli chińskiego modelu z otwartymi wagami po tym, jak komercyjne systemy amerykańskie odmówiły części analizy.
Ten epizod nie dowodzi, że mniej zabezpieczeń zapewnia ogólnie lepsze bezpieczeństwo. Pokazuje, że ograniczenia na poziomie modelu mogą utrudniać legalną pracę oraz że bezpieczeństwo zależy od otaczającego systemu. Uprawnienia, izolacja, rejestrowanie zdarzeń i nadzór człowieka mogą mieć równie duże znaczenie jak pochodzenie modelu.
Ryzyko polityczne pozostaje realne. API hostowane w Chinach mogą rodzić pytania o jurysdykcję danych, a zachowanie modeli może odzwierciedlać narzucone przez rząd mechanizmy kontroli treści. Wagi uruchamiane lokalnie ograniczają niektóre ryzyka związane z transmisją, lecz nie ujawniają automatycznie procesu trenowania ani nie eliminują ukrytych podatności.
Kongres powinien zatem rozdzielić co najmniej trzy pytania. Czy laboratorium bezprawnie uzyskało wyniki od amerykańskiego dostawcy? Czy konkretne wdrożenie naraża wrażliwe dane lub systemy krytyczne? Czy Stany Zjednoczone powinny bardziej agresywnie inwestować we własne modele otwarte?
Łączenie tych pytań w jeden argument dotyczący „chińskiej AI” prowadzi do topornej polityki. Usługa hostowana, która obsługuje wrażliwe informacje, zasługuje na inne traktowanie niż publicznie dostępne wagi działające w kontrolowanym środowisku amerykańskiej firmy.
Szerokie ograniczenia mogłyby również chronić dominujących amerykańskich dostawców zamkniętych systemów przed konkurencją. Jeśli mniejsze firmy stracą dostęp do zdolnych modeli otwartych, mogą stać się bardziej zależne od tych samych laboratoriów lobujących za ostrzejszą kontrolą.
Dowody uzasadniają niepokój, a nie panikę. Chińskie modele AI z otwartymi wagami wypracowały mierzalną przewagę pod względem możliwości, dystrybucji i uwagi badaczy. Ograniczenia danych nie przekreślają tej przewagi, ale powinny ograniczać twierdzenia o całkowitej globalnej supremacji.
Trzy sygnały pokażą, czy Ameryka może odwrócić ten trend
O kolejnym etapie zadecydują amerykańskie premiery, polityka wobec przedsiębiorstw oraz to, czy chińskie modele utrzymają przewagę poza platformami handlowymi skoncentrowanymi na modelach otwartych.
Pierwszym sygnałem będą wydajność i adopcja kolejnych znaczących amerykańskich premier modeli z otwartymi wagami. Meta, Google, Nvidia, OpenAI i wschodzące laboratoria amerykańskie potrzebują modeli, które pojawiają się blisko własnościowej granicy możliwości, a nie wiele miesięcy później.
Sama równorzędność w benchmarkach nie wystarczy. Deweloperzy będą obserwować licencje, rozmiary modeli, wymagania wdrożeniowe, dokumentację, wsparcie dostrajania i rytm premier. Mocny jednorazowy start, po którym następuje długa cisza, nie odbuduje ekosystemu.
Jeśli amerykańskie modele otwarte zaczną dorównywać chińskim premierom, jednocześnie szybko zdobywając pobrania i cytowania naukowe, diagnoza Lamberta osłabnie. Jeśli nadal będą pojawiać się później i z niższymi możliwościami, strukturalny deficyt będzie coraz trudniej negować.
Drugim sygnałem będzie wynik kontroli Kongresu i władzy wykonawczej. Ustawodawcy badają destylację, bezpieczeństwo danych, łańcuchy dostaw oraz użycie chińskich systemów przez amerykańskie firmy. Ich ostateczna odpowiedź może obejmować zarówno ukierunkowane egzekwowanie przepisów wobec zwodniczego dostępu, jak i szerokie ograniczenia dotyczące modeli lub dostawców.
Wąska regulacja wymierzona w fałszywe konta, obchodzenie dostępu lub podmioty objęte sankcjami mogłaby przeciwdziałać zarzucanym nadużyciom bez traktowania każdego otwartego modelu jako zagrożenia. Zachowałaby też legalne procesy destylacji i pracy z danymi syntetycznymi stosowane w całej branży.
Szerokie ograniczenie stworzyłoby inny test. Deweloperzy mogliby migrować do amerykańskich alternatyw, nadal korzystać z już pobranych wag lub przenosić obciążenia robocze poza jurysdykcję USA. Każda z tych reakcji pokazałaby, jak dużą faktyczną kontrolę Waszyngton zachowuje nad przenośnym oprogramowaniem.
Trzecim sygnałem będzie użycie poza OpenRouter, Hugging Face i innymi platformami stawiającymi na otwartość. Dowody od dostawców chmury, z wdrożeń korporacyjnych, agentów programowych i bezpośrednich umów z przedsiębiorstwami wyjaśniłyby, czy obecna przewaga jest szeroka, czy skoncentrowana.
Ten pomiar musi rozdzielać hostowane API od wdrożeń lokalnych. Powinien także odróżniać wolumen tokenów, aktywnych użytkowników, przychody i ukończone obciążenia robocze. Każda z tych metryk odpowiada na inne pytanie.
Niezależne oceny będą miały znaczenie, gdy modele wejdą w dłuższe i bardziej konsekwencjalne zadania. Benchmarki programistyczne pomogły chińskim laboratoriom zdobyć uwagę, ale nabywcy korporacyjni będą testować niezawodność, bezpieczeństwo, wiedzę profesjonalną i trwałą autonomiczną pracę.
Jeśli chińskie rodziny modeli utrzymają przewagę w tych zastosowaniach, sformułowania „globalne użycie” będzie łatwiej bronić. Jeśli ich przewaga pozostanie skoncentrowana wśród użytkowników zmieniających modele i użytkowników badawczych, rynek będzie wyglądał na bardziej rozdrobniony.
Debata polityczna będzie również krzyżować się z bezpieczeństwem AI. OpenAI i Anthropic argumentowały za silniejszymi kontrolami wokół systemów o wysokich możliwościach. Chińska dystrybucja otwartych wag komplikuje każdy model bezpieczeństwa oparty na niewielkiej liczbie dostawców zachowujących kontrolę techniczną.
Gdy wagi zaczynają krążyć, regulacje nie mogą polegać na tym, że dostawca wyłączy dostęp. Rządy i firmy potrzebują zabezpieczeń na poziomie wdrożenia, w tym ograniczonych uprawnień, monitorowanych narzędzi, odizolowanych środowisk i jasno określonej ludzkiej decyzyjności.
Ta zmiana wpływa na codzienną pracę opartą na wiedzy. Zespoły coraz częściej łączą wiele modeli z wewnętrznymi dokumentami, zapisami spotkań i historią projektów. Dobrze zarządzana baza wiedzy AI musi kontrolować, co każdy model może pobrać i jakie działania może podejmować, niezależnie od miejsca jego opracowania.
Dla deweloperów i nabywców biznesowych najważniejszą bezpośrednią lekcją nie jest wybieranie systemów wyłącznie według narodowości czy pozycji w rankingu. Należy oceniać model, sposób hostowania, ścieżkę danych, licencję, mechanizmy operacyjne i możliwości zastąpienia jako jeden pakiet.
Chińskie modele AI z otwartymi wagami już zmieniły pozycję negocjacyjną. Dają deweloperom alternatywy wobec amerykańskiej zamkniętej granicy możliwości, jednocześnie obnażając słaby stan amerykańskiego zaplecza modeli otwartych.
Pytanie na nadchodzące miesiące jest konkretne: czy amerykańskie laboratoria udostępnią konkurencyjne modele, które deweloperzy będą mogli faktycznie posiadać i dostosowywać, czy też Waszyngton spróbuje uregulować przewagę dystrybucyjną, której nie zdołał zbudować?
