Plan destylacji AI Garry’ego Tana podważa kontrolę laboratoriów frontier
Garry Tan zaproponował zasadniczą zmianę w sposobie, w jaki Stany Zjednoczone podchodzą do destylacji AI, mimo że laboratoria frontier próbują ograniczać tę praktykę. Dyrektor generalny Y Combinator chce, aby mniejsi amerykańscy twórcy modeli open-weight uczyli się od czołowych modeli z USA i udostępniali więcej krajowych alternatyw. Jego stanowisko podważa pogląd, że firmy frontier powinny kontrolować sposób, w jaki klienci ponownie wykorzystują wyniki modeli.
Propozycja destylacji AI Garry’ego Tana pojawiła się w czasie narastającego sporu wokół chińskich twórców AI. Anthropic twierdzi, że DeepSeek, Moonshot AI i MiniMax prowadziły skoordynowane kampanie mające na celu pozyskanie możliwości Claude. Odpowiedzią Tana nie jest zakazanie tej techniki treningowej. Chce, aby amerykańscy twórcy wykorzystywali ją w ramach krajowego systemu.
Odwraca to typowy argument dotyczący bezpieczeństwa narodowego. OpenAI i Anthropic przedstawiały nieautoryzowaną destylację jako skrót pozwalający przenosić amerykańskie możliwości do zagranicznych konkurentów. Tan argumentuje, że ograniczenia mogą uzależnić amerykańskich użytkowników albo od zamkniętych usług z USA, albo od chińskich modeli open-weight. Spór dotyczy zatem czegoś więcej niż kopiowania. Chodzi o to, kto może przekształcić inteligencję frontier w niezależny produkt.
Destylacja AI Garry’ego Tana stworzyłaby krajową alternatywę
Tan chce, aby Stany Zjednoczone odpowiedziały na zagraniczną konkurencję open-weight tworzeniem większej liczby amerykańskich modeli open-weight, a nie wyłącznie blokowaniem zagranicznych twórców.
Destylacja modeli polega na trenowaniu jednego systemu na odpowiedziach generowanych przez inny, bardziej zaawansowany system. Większy system działa jako nauczyciel, a mniejszy model ucznia uczy się na jego wynikach. Twórcy mogą wykorzystywać te odpowiedzi jako przykłady treningowe, materiał ewaluacyjny lub informacje zwrotne do uczenia ze wzmocnieniem.
Sama destylacja nie jest ani nietypowa, ani automatycznie nadużyciem. Firmy AI regularnie wykorzystują własne duże modele do trenowania mniejszych produktów. Konflikt zaczyna się wtedy, gdy jedna firma systematycznie odpytuje usługę innej firmy bez pozwolenia, a następnie używa odpowiedzi do stworzenia konkurencyjnego modelu.
Tan rozróżnia technikę od dostępu uzyskanego w sposób wprowadzający w błąd. Nie wzywa amerykańskich startupów do kradzieży danych logowania, ukrywania skoordynowanych sieci kont ani omijania zabezpieczeń technicznych. Kwestionuje natomiast, czy dostawcy modeli frontier powinni móc zakazywać konkurencyjnego treningu za pośrednictwem swoich umów usługowych.
W komentarzach relacjonowanych 11 września 2026 roku Tan opowiedział się za tym, co nazwał „amerykańskim reżimem destylacji”. Mniejsze laboratoria z USA uzyskałyby legalny dostęp do amerykańskich systemów frontier i wykorzystywały ich wyniki do trenowania alternatyw open-weight. Open-weight oznacza, że wytrenowane parametry są dostępne do pobrania i uruchomienia przez innych, nawet jeśli pełny zbiór danych pozostaje prywatny.
Argument Tana łączy politykę konkurencji z twierdzeniem dotyczącym własności wiedzy. Modele frontier uczyły się na książkach, oprogramowaniu, publicznych stronach internetowych, dyskusjach i innych efektach ludzkiej pracy. Dostrzega więc sprzeczność, gdy ich twórcy domagają się szerokiej swobody uczenia się z materiałów publicznych, lecz ściśle ograniczają dalsze uczenie się na wynikach modeli.
„Kontrolowanie tego, co użytkownicy i klienci robią z wywołaniami API zamkniętych modeli wagowych, wydaje się ograniczające” — powiedział Tan TechCrunch. Opisał dostęp do inteligencji trenowanej na publicznych danych jako coś bliższego dobru publicznemu niż zasobowi zamkniętemu za restrykcyjnymi warunkami.
Jego stanowisko nie neguje faktu, że badania frontier wymagają kapitału. Tan stwierdził, że firmy rozwijające możliwości modeli potrzebują zrównoważonych biznesów. Argumentował również, że systemy open-weight powinny chronić wolność użytkowników i dostęp.
Ta równowaga jest kluczowa dla jego propozycji. Krajowe ramy destylacji musiałyby wynagradzać dostawcę modelu nauczyciela, jednocześnie zapewniając mniejszym twórcom rzeczywiste prawa do ponownego wykorzystania. Bez tych praw dostęp mógłby stać się zwykłym programem licencyjnym, który chroni zasiedziałe firmy, nie tworząc niezależnych konkurentów.
Tan nie przedstawił szczegółowej struktury prawnej, protokołu technicznego ani formuły wynagrodzeń. Podważył natomiast założenie leżące u podstaw obecnych ograniczeń. Jego propozycja pyta, czy konkurencyjne trenowanie modeli powinno być traktowane jako zakazane pozyskiwanie, czy jako normalny sposób rozpowszechniania możliwości AI.
To rozróżnienie ma znaczenie, ponieważ zatwierdzony program destylacji wyglądałby zupełnie inaczej niż atak. Mógłby obejmować zidentyfikowanych uczestników, wynegocjowany dostęp, udokumentowane zbiory danych, wymogi bezpieczeństwa i obowiązki ewaluacyjne. Takie warunki zachowałyby rozliczalność, jednocześnie sprawdzając, czy krajowi twórcy modeli open-weight mogą zmniejszyć lukę w możliwościach.
Bezpośrednia zmiana ma więc charakter polityczny, a nie techniczny. Znany inwestor startupowy otwarcie zachęcił amerykańskie laboratoria do stosowania praktyki, którą czołowi dostawcy modeli próbują ograniczać. Jego interwencja daje zwolennikom open-weight bezpośrednią odpowiedź na twierdzenie, że kontrola destylacji jest konieczna dla utrzymania przywództwa USA.
Dlaczego amerykańskie laboratoria open-weight są pod presją
Amerykańscy twórcy modeli open-weight znajdują się pod rosnącą presją strategiczną między zamkniętymi krajowymi API a zaawansowanymi modelami udostępnianymi przez chińskie firmy.
Startup budujący na zamkniętym modelu otrzymuje wygodny dostęp, lecz nie kontroluje podstawowych wag. Dostawca może zmienić zachowanie modelu, zasady dostępu, wprowadzić nowe ograniczenia lub wycofać daną wersję. Startup musi akceptować te zależności, konkurując na rynkach, na których zachowanie modelu bezpośrednio kształtuje jego produkt.
Modele open-weight zapewniają inną strukturę działania. Twórcy mogą wdrażać je we własnej prywatnej infrastrukturze, dostrajać je do wąskich zadań i oceniać konkretne wersje przed aktualizacją. Mogą też sprawdzać, jak zmiany wpływają na produkt, bez oczekiwania na zewnętrznego dostawcę API.
Te korzyści mają znaczenie dla firm obsługujących poufne dokumenty, regulowane procesy lub zastrzeżone oprogramowanie. Zespół może utrzymywać środowisko inferencyjne bliżej swoich danych i zachować wybraną wersję modelu. Nadal potrzebuje silnego bezpieczeństwa, ewaluacji i nadzoru, lecz zyskuje kontrolę nad wdrożeniem.
Problem polega na tym, że trenowanie modelu frontier od podstaw wymaga rozległych zasobów obliczeniowych, wyspecjalizowanych badaczy i dużych zbiorów danych. Mniejsze laboratoria z USA nie mogą po prostu odtworzyć każdej inwestycji poczynionej przez OpenAI, Anthropic, Google czy Meta. Destylacja oferuje krótszą drogę do wybranych możliwości bez odtwarzania pełnego procesu treningowego modelu nauczyciela.
Chińscy twórcy modeli open-weight zwiększyli tę presję. DeepSeek, Moonshot, Alibaba i inne laboratoria udostępniły modele, które twórcy mogą pobierać, dostosowywać lub używać za pośrednictwem niedrogich usług. Niezależnie od metod wykorzystanych do stworzenia każdego modelu, ich dostępność daje amerykańskim twórcom alternatywy, których krajowy rynek nie zapewniał konsekwentnie.
Tworzy to sprzeczność polityczną. Amerykańscy urzędnicy chcą ograniczyć zależność od chińskiej technologii, lecz ścisła kontrola krajowej destylacji może zmniejszyć liczbę amerykańskich alternatyw. Zablokowanie jednej ścieżki transferu możliwości nie zapewnia automatycznie mniejszym laboratoriom z USA zasobów potrzebnych do samodzielnego trenowania konkurencyjnych systemów.
Propozycja Tana dotyczy tej luki. Jeśli amerykańskie startupy będą mogły uczyć się od krajowych modeli frontier w zatwierdzonym procesie, będą mogły tworzyć modele zarządzane przez podmioty z USA i wykorzystywane w amerykańskiej infrastrukturze. Nie zagwarantuje to technicznej równorzędności, ale może poszerzyć dostępne grono dostawców.
Presja dotyka również nabywców korporacyjnych. Organizacje rzadko chcą, aby cały ich proces AI był powiązany z jednym dostawcą. Zespoły zakupowe biorą pod uwagę dostępność, obsługę danych, stabilność modeli, opóźnienia, koszty migracji i zdolność do działania podczas zakłóceń usług.
Zróżnicowany rynek open-weight daje tym nabywcom dodatkową opcję. Mogą korzystać z API frontier przy wymagających zadaniach, jednocześnie powierzając powtarzalne zadania lokalnie kontrolowanym modelom. Destylacja może pomagać trenować mniejsze systemy pod kątem konkretnych możliwości, choć wydajność należy mierzyć na rzeczywistym obciążeniu pracą nabywcy.
Jest to szczególnie istotne, gdy firmy tworzą długowieczne systemy wiedzy. Przeszukiwalna baza wiedzy może przetrwać każdą pojedynczą umowę na model. Oddzielenie architektury informacji od jednego dostawcy ułatwia zarządzanie przyszłymi zmianami modeli.
Twórcy muszą też odróżniać własność modelu od jakości aplikacji. Otwarte wagi nie zapewniają automatycznie wiarygodnych odpowiedzi, dobrego wyszukiwania ani bezpiecznego wdrożenia. Dają jedynie twórcom bardziej bezpośrednią kontrolę nad artefaktem modelu. To otaczający go produkt wciąż decyduje, czy ta kontrola tworzy praktyczną wartość.
Najmocniejszy argument Tana nie polega więc na tym, że każdy startup potrzebuje modelu open-weight. Chodzi o to, że amerykańscy twórcy potrzebują wiarygodnej opcji poza kilkoma zamkniętymi dostawcami. Bez niej Stany Zjednoczone mogą przewodzić badaniom frontier, jednocześnie oferując ograniczony krajowy wybór firmom wymagającym kontroli nad modelem.
Laboratoria frontier postrzegają destylację jako zagrożenie związane z pozyskiwaniem możliwości
OpenAI i Anthropic postrzegają konkurencyjną destylację jako problem gospodarczy i bezpieczeństwa, ponieważ może ona przenosić cenne możliwości bez przenoszenia kosztów rozwoju ani zabezpieczeń.
Anthropic wyznaczył najwyraźniejszą granicę w lutym 2026 roku. Firma poinformowała, że zidentyfikowała skoordynowane kampanie DeepSeek, Moonshot i MiniMax, które wygenerowały ponad 16 milionów interakcji z Claude za pośrednictwem około 24 000 fałszywych kont.
Według ustaleń Anthropic dotyczących destylacji kampanie wykorzystywały usługi proxy i skoordynowane konta, aby uniknąć wykrycia. Prompty koncentrowały się na obszarach takich jak programowanie, korzystanie z narzędzi, rozumowanie agentowe i ocenianie modeli. Anthropic przypisał te kampanie na podstawie danych sieciowych, metadanych żądań, wzorców infrastruktury oraz informacji od partnerów z branży.
Liczby te pozostają ustaleniami Anthropic, a nie niezależnym publicznym audytem. Dokładne zbiory treningowe wskazanych firm nie są w pełni dostępne do zbadania przez osoby z zewnątrz. Opisane przez Anthropic zachowanie kont wykracza jednak poza zwykłe eksperymenty klientów.
Anthropic podkreśla również istotne rozróżnienie, które czasem znika z debaty politycznej. Firma określa destylację jako legalną i szeroko stosowaną metodę treningową. Jej sprzeciw dotyczy konkurentów pozyskujących możliwości poprzez wprowadzający w błąd dostęp, oszustwa związane z kontami, omijanie ograniczeń regionalnych lub inne zakazane działania.
Firma twierdzi, że jedna sieć proxy obsługiwała jednocześnie ponad 20 000 fałszywych kont. Takie systemy mogą rozdzielać żądania między wiele usług i zastępować konta po ich zablokowaniu przez dostawców. Utrudnia to przypisanie odpowiedzialności i egzekwowanie zasad bardziej niż wykrycie jednego klienta wykonującego nietypowo dużą liczbę wywołań.
Stanowisko umowne OpenAI jest podobnie restrykcyjne. Jej obecna umowa usługowa zasadniczo zabrania klientom wykorzystywania wyników do tworzenia konkurencyjnych modeli AI, z wyjątkiem określonych dozwolonych zastosowań. Zakazuje również ataków polegających na pozyskiwaniu modeli oraz prób obchodzenia zabezpieczeń dostępu.
Te umowy dają dostawcom modeli frontier bezpośrednie narzędzie egzekwowania zasad wobec klientów. Firma może zawiesić konta lub cofnąć dostęp do API bez wcześniejszego udowodnienia naruszenia praw autorskich w sądzie. Ma to znaczenie, ponieważ szerszy status prawny uczenia się na podstawie wyników modeli pozostaje nierozstrzygnięty.
Obawa ekonomiczna jest prosta. Laboratoria frontier inwestują w badania, infrastrukturę obliczeniową, przygotowanie danych, testy bezpieczeństwa i działalność produktową. Jeśli konkurent może odpytywać gotową usługę i przenieść jej najcenniejsze zachowania do innego modelu, unika znacznej części tych początkowych kosztów.
Argument dotyczący bezpieczeństwa wykracza poza straty komercyjne. Anthropic twierdzi, że destylowany model może odtwarzać możliwości bez zachowania zabezpieczeń modelu nauczyciela. Jeśli jego wagi zostaną następnie udostępnione, pierwotny dostawca nie może wycofać modelu, monitorować jego użytkowników ani załatać każdej rozpowszechnionej kopii.
W swoim późniejszym stanowisku dotyczącym modeli o otwartych wagach Anthropic argumentował, że destylacja może w ciągu kilku miesięcy zbliżyć chińskie możliwości frontier do poziomu systemów amerykańskich. Firma wezwała do działań przeciwko ekstrakcji na skalę przemysłową, jednocześnie odrzucając całkowity zakaz modeli o otwartych wagach.
To rozróżnienie zbliża Anthropic do Tan, bardziej niż sugeruje ich retoryka, w jednej kwestii. Obie strony akceptują rolę AI o otwartych wagach. Obie uznają też legalne zastosowania destylacji. Ich spór dotyczy tego, kto powinien autoryzować szkolenie między firmami i jak dużą kontrolę powinien zachować pierwotny dostawca.
Tan wychodzi od ryzyka skoncentrowanej prywatnej władzy. Anthropic zaczyna od zagrożeń związanych z kradzieżą możliwości i nieodwracalną dystrybucją. Każda ze stron uznaje więc innego aktora za główne zagrożenie.
Dla Tan nadmierne ograniczenia chronią zasiedziałych graczy i ograniczają amerykańską konkurencję w modelach o otwartych wagach. Dla dostawców frontier luźny dostęp pozwala rywalom przywłaszczać kosztowne możliwości i usuwać mechanizmy bezpieczeństwa. Funkcjonalny krajowy system musiałby uwzględniać obie obawy, zamiast uznawać którąkolwiek z nich za iluzoryczną.
Argument dobra publicznego zderza się z umowami i bezpieczeństwem
Najtrudniejsze pytanie nie brzmi, czy destylacja działa, lecz czy Stany Zjednoczone mogą ją autoryzować bez normalizowania zwodniczej ekstrakcji lub osłabiania zachęt do finansowania badań frontier.
Argument Tan o dobru publicznym ma intuicyjną siłę, ponieważ AI frontier nie powstała na bazie izolowanej wiedzy korporacyjnej. Twórcy modeli szkolili systemy na ogromnych zbiorach ludzkiej twórczości. Autorzy, programiści, badacze, edukatorzy i społeczności internetowe stworzyli znaczną część materiału, który uczynił współczesne modele językowe użytecznymi.
Ta historia komplikuje twierdzenia, że informacje generowane przez modele zasługują na absolutną kontrolę nad dalszym wykorzystaniem. Wydawcy i twórcy już kwestionowali praktykę szkolenia modeli AI bez zgody. Tan stosuje podobny argument sprawiedliwości wobec firm, które obecnie chcą uzyskać ochronę kontraktową przed uczeniem się innych modeli za pośrednictwem ich usług.
Jednak symetria moralna nie rozstrzyga kwestii prawnej. Informacje publicznie dostępne nie są automatycznie wolne od ograniczeń wynikających z praw autorskich, umów, prywatności czy baz danych. Podobnie otrzymanie odpowiedzi z API nie musi oznaczać zgody na gromadzenie milionów odpowiedzi do szkolenia konkurencyjnego modelu.
Krajowy system destylacji musiałby zdefiniować legalny dostęp. Definicja ta nie może zależeć wyłącznie od tego, czy uczestnicząca firma jest amerykańska. Kradzież danych uwierzytelniających, fałszywe tożsamości, masowe zakładanie kont i celowe obchodzenie zasad pozostają zwodnicze niezależnie od narodowości dewelopera.
Musiałby także odróżniać zwykłe korzystanie z produktu od systematycznej ekstrakcji. Granica ta jest technicznie trudna do wyznaczenia. Firma oceniająca tysiące promptów pod kątem bezpieczeństwa może przypominać firmę budującą dane szkoleniowe, zwłaszcza gdy obie testują wąskie możliwości na dużą skalę.
Badacz Brookings Kyle Chan opisał to wyzwanie detekcyjne jako szukanie igieł w wielkim stogu siana. Reakcja federalna obejmowała proponowane procesy identyfikowania zagranicznych podmiotów, które wydobywają kluczowe cechy z zamkniętych amerykańskich modeli. Identyfikacja podejrzanego ruchu jest jednak łatwiejsza niż udowodnienie dokładnego sposobu szkolenia innego modelu.
Ta sama niepewność dotyczyłaby zatwierdzonych uczestników krajowych. Laboratorium frontier mogłoby oferować ograniczony dostęp do destylacji, jednocześnie wstrzymując swoje najsilniejsze możliwości w zakresie rozumowania, programowania lub biologii. Mniejsi deweloperzy mogliby otrzymać formalną zgodę, lecz niewystarczające informacje do stworzenia konkurencyjnych modeli.
Cena i przepustowość mogłyby stać się kolejną barierą, nawet bez publikowania szczegółowych warunków handlowych. Dostawcy frontier kontrolują własne limity API i infrastrukturę. Jeśli zatwierdzone szkolenie wymaga ogromnej liczby zapytań, warunki dostępu nadal mogą faworyzować dobrze finansowane firmy.
Testy bezpieczeństwa stanowią odrębny kompromis. Twórcy modeli o otwartych wagach mogą sprawdzać, dostrajać i wdrażać udostępniony model bez zgody jego twórcy. Wspiera to badania i lokalną kontrolę, ale oznacza również, że pierwotny deweloper nie może wiarygodnie wycofać systemu po odkryciu poważnej luki.
Krajowe ramy mogłyby wymagać ocen przed udostępnieniem. Mogłyby również tworzyć stopniowane zasady oparte na możliwościach, zamiast traktować wszystkie modele jednakowo. Mały wyspecjalizowany model nie powinien podlegać takim samym wymaganiom jak system o zaawansowanych zdolnościach cybernetycznych lub biologicznych.
Testy nie eliminują jednak problemu dystrybucji. Benchmarki mogą nie wykryć nowych możliwości, a użytkownicy mogą dostrajać wagi po udostępnieniu. Gdy kopie zaczną krążyć, późniejsze ograniczenia mają ograniczony zasięg.
Propozycja grozi także osłabieniem zachęt inwestycyjnych. Badania frontier pozostają kosztowne, nawet jeśli dokładne koszty nie są publiczne. Jeśli każda udana możliwość musi natychmiast stać się materiałem szkoleniowym dla konkurentów, prywatne firmy mogą ograniczyć zewnętrzny dostęp lub opóźniać premiery.
Tan nie argumentuje, że laboratoria frontier powinny zniknąć. Chce, by nadal otrzymywały finansowanie, podczas gdy twórcy modeli o otwartych wagach uzyskaliby znaczącą swobodę. Brakującym mechanizmem jest sposób podziału korzyści między nauczyciela a ucznia bez pozwalania nauczycielowi na wetowanie rzeczywistej konkurencji.
Licencjonowanie jest jedną z możliwych dróg, ale jego wartość określą szczegóły. Licencja mogłaby zezwalać na określone zastosowania szkoleniowe, wymagać przypisania autorstwa, zakazywać zwodniczego dostępu i ustanawiać obowiązki dotyczące bezpieczeństwa. Mogłaby też stać się kosztowną bramą, przez którą przejdą tylko ugruntowane firmy.
Nadzorowany program badawczy oferuje inny model. Uczestnicy mogliby uzyskiwać dostęp do wyników modeli frontier w kontrolowanych środowiskach, dokumentować metody szkolenia i publikować wyniki ocen przed udostępnieniem wag. Taki program dostarczyłby dowodów na to, czy krajowa destylacja tworzy użyteczne, bezpieczniejsze alternatywy.
Żadne z tych podejść nie rozwiązuje szerszego sporu o własność. Laboratoria frontier mogą twierdzić, że zachowanie modelu odzwierciedla zastrzeżone badania, nawet gdy materiał szkoleniowy pochodził ze źródeł publicznych. Zwolennicy otwartości mogą odpowiedzieć, że możliwości behawioralne nie powinny stawać się trwałą prywatną własnością tylko dlatego, że firma skoncentrowała leżącą u ich podstaw wiedzę.
Ten konflikt przypomina wcześniejsze spory dotyczące kompatybilności oprogramowania i kontroli nad platformami, lecz modele AI wprowadzają większą niepewność. System ucznia nie kopiuje prostego interfejsu. Przyswaja zachowania statystyczne, które mogą obejmować wiedzę ogólną, wyspecjalizowane rozumowanie, błędy i wzorce bezpieczeństwa.
Sceptyczny wniosek jest nieunikniony. Tan wskazał rzeczywisty problem konkurencyjny, ale nie wykazał jeszcze, że amerykański system destylacji może legalnie i bezpiecznie dostarczać silne modele otwarte. Dopóki deweloper nie przetestuje tej idei w ramach przejrzystego programu, pozostaje ona tezą polityczną, a nie modelem operacyjnym.
Trzy sygnały pokażą, czy plan Tan może zadziałać
Kolejny etap zależy od konkretnych zobowiązań amerykańskich deweloperów, laboratoriów frontier i decydentów, a nie od kolejnej rundy sporów o otwartość.
Pierwszym sygnałem będzie to, czy wiarygodny amerykański deweloper modeli o otwartych wagach publicznie przyjmie destylację między firmami. Ogłoszenie musiałoby wskazywać modele nauczycielskie, podstawę autoryzacji, zamierzone możliwości i warunki udostępnienia. Ciche wykorzystywanie danych syntetycznych nie sprawdziłoby propozycji Tan, ponieważ kluczowe pytanie dotyczy legalnego dostępu konkurencyjnego.
Przejrzysty projekt wymagałby również porównawczych ocen. Deweloperzy powinni testować model ucznia względem jego modelu bazowego, nauczyciela i innych systemów o otwartych wagach. Wyniki te powinny obejmować rzeczywiste obciążenia robocze, a nie niewielki zbiór nagłówkowych benchmarków.
Jeśli taki model będzie działał dobrze przy udokumentowanej zgodzie, argument Tan zyska na sile. Pokazałoby to, że krajowa destylacja może poszerzyć wybór modeli bez polegania na ukrytych kontach czy skradzionych danych uwierzytelniających. Jeśli żadne poważne laboratorium nie spróbuje tego procesu, propozycja będzie wyglądać na oderwaną od realiów handlowych i prawnych.
Drugim sygnałem będzie to, czy dostawca frontier stworzy wyraźną licencję destylacyjną lub partnerstwo. Ogólny dostęp do API nie wystarczy, ponieważ obecne umowy powszechnie ograniczają rozwój konkurencyjnych modeli. Znaczący program musi umożliwiać niezależnemu uczestnikowi szkolenie i udostępnienie czegoś, co może konkurować.
Znaczenie będą miały zabezpieczenia dostawcy. Weryfikacja tożsamości, monitorowanie ruchu, limity możliwości i oceny przed udostępnieniem mogłyby odróżniać legalne szkolenie od działań opisywanych przez Anthropic. Jasne zasady pomogłyby również deweloperom zrozumieć, jakie zachowanie uruchamia egzekwowanie zasad.
Ten sygnał osłabiłby argument Tan, gdyby program istniał wyłącznie na papierze. Wąskie uprawnienia, ograniczone wyniki lub warunki uniemożliwiające praktyczne wdrożenie zachowałyby obecną strukturę rynku. Skuteczne ramy muszą oferować deweloperowi ucznia rzeczywistą niezależność.
Trzecim sygnałem będzie sposób, w jaki amerykańscy decydenci zdefiniują ekstrakcję modeli. Kongres i agencje federalne analizują zagraniczny dostęp do amerykańskich systemów AI, podczas gdy firmy frontier udostępniają więcej informacji o zagrożeniach. Szerokie sformułowania mogłyby objąć legalne badania i krajową konkurencję obok zwodniczych ataków.
Ukierunkowana polityka skupiałaby się na oszustwach, nieuprawnionych sieciach kont, obchodzeniu zabezpieczeń, skradzionych danych uwierzytelniających i ekstrakcji wrażliwych możliwości. Mogłaby zachować przestrzeń dla licencjonowanej destylacji i niezależnego rozwoju modeli o otwartych wagach. Taki rezultat wzmocniłby centralne twierdzenie Tan, że bezpieczeństwo narodowe i krajowa otwartość nie muszą pozostawać w konflikcie.
Szerszy zakaz przesunąłby politykę w przeciwnym kierunku. Jeśli konkurencyjne szkolenie na podstawie wyników modeli będzie traktowane jako z natury nielegalne, amerykańskie laboratoria modeli o otwartych wagach będą miały mniej dróg do zmniejszenia dystansu. Deweloperzy będą wtedy polegać na niezależnym szkoleniu, współpracy z chętnymi dostawcami lub zagranicznych modelach o otwartych wagach.
Czytelnicy powinni obserwować te sygnały w tej kolejności. Najpierw należy szukać dewelopera gotowego budować w sposób przejrzysty. Następnie sprawdzić, czy laboratorium frontier przyznaje użyteczne prawa. Po trzecie, zbadać, czy polityka odróżnia zwodniczą ekstrakcję od autoryzowanego uczenia się.
Debata o destylacji AI Garry’ego Tana nie zostanie rozstrzygnięta przez uznanie, że otwartość jest zawsze dobra albo zawsze niebezpieczna. Praktycznym testem jest to, czy amerykańskie laboratoria mogą tworzyć niezależnie użyteczne modele, jednocześnie przestrzegając zasad dostępu i weryfikując poważne zagrożenia.
W ciągu najbliższych kilku miesięcy warto zadawać trzy pytania, gdy pojawia się krajowy model o otwartych wagach: Kto dostarczył jego wyniki szkoleniowe, jakie zezwolenie regulowało ten dostęp i które oceny potwierdzają jego deklaracje dotyczące bezpieczeństwa? Jasne odpowiedzi przekształciłyby propozycję Tan w funkcjonalną strategię konkurencyjną. Brak odpowiedzi pozostawiłby Stanom Zjednoczonym ten sam wybór między skoncentrowanymi krajowymi API a zagranicznymi systemami o otwartych wagach.
