해외 연구 시각: 누가 중국 AI 모델을 두려워하는가?
저자:Stratechery
번역:TechFlow
TechFlow 가이드:Kimi K3 가 인지 모델 시장에 충격을 가했는데, 월스트리트와 실리콘밸리는 왜 과도하게 반응했을까? 이 글은 AI 가 ChatGPT 시대에서 에이전트 시대로 진입한 후 토큰 (token) 이 더 이상 상품이 아니며, 진정한 상품은 지능 그 자체임을 해부한다. 그리고 한계 비용이 왕인 이 전쟁에서 중국 오픈소스 모델은 무료로 보이지만 실제 서비스 비용은 결코 낮지 않다. 프론-tier 연구실의 공황은 훈련 비용 주도에서 추론 규모 주로의 새로운 게임 규칙에 아직 적응하지 못했기 때문이다.
나는曾经 켈로그 경영대학원에서 STRT-431 수업을 듣던 첫날 경험을 이야기한 적이 있다. 이는 모든 MBA 신입생의 필수 과정이다. 나는_course 자료와 사례 연구를 뒤적였지만, 시간표에 기술 기업이 하나도 없다는 사실에 실망했다. 나는 교수에게 왜 그런지 물어보러 갔고, 돌아온 답변은 이 수업의 목표가 특정 산업을 연구하는 것이 아니라 어떤 산업의 어떤 기업에도 적용할 수 있는 보편적 원칙을 발굴하는 것이라고 했다.
내가 자주 말하듯, 당시 나는 이 답변에 매우 불만족스러웠다. 내 관점에서 기술의 본질, 특히 소프트웨어와 배포의 제로 한계 비용 (그리고 제로 거래 비용) 은 근본적으로 다르다. 공식에 0 을 채우면 종종 모든 것이 혼란스러워진다. 하지만 곧 이것이 바로 나의 기회임을 깨달았다. 애그리게이션 이론 (Aggregation Theory) 의 핵심 통찰력은 제로 한계 비용으로 인한 가치 사슬이 사람들이曾经 인터넷에 기대했던 것과 완전히 다르다는 것이다. 공급 배포보다 수요 통제가 더 중요한 세상에서는 중앙집중화와 규모화가 나타난다.
그러나 AI 의 흥미로운 점은那些 오래된 보편적 원칙이 다시 전면에 부상하고 있다는 것이다. 이는 지난주 주말 가장 뚜렷하게 드러났는데, 당시 X 에서 Kimi K3 에 대한激烈的 논쟁이 폭발했다. Kimi K3 는 중국에서 출시된 또 다른 오픈소스 가중치 모델로, 그 능력은 최첨단 수준에逼近 하고 있다. 길게 말하지 않겠다. 한계 비용은 단기적인 최첨단 무료 모델의 영향과 산업의 장기적 구조적 관점 모두에서 중대한 방식으로 돌아왔다.
COGS 와 R&D 지출
오픈소스 가중치 모델에 대한 가장 흔한 오해 중 하나는它们이 더 저렴하다는 것이다. 심지어 무료라고도 한다. 어쨌든 가중치를 직접 다운로드할 수 있으므로 자신만의 모델을 만드는 데 필요한 시간, 비용, 능력을 건너뛸 수 있기 때문이다. 이는 물론 맞지만, 여기서의 '무료'는 R&D 에 지출해야 하는 금액을 의미한다. R&D 는 고정 지출이며 발생된 수익과 무관하다. R&D 에 100 만 달러를 지출했다면, 수익이 10 만 달러이든 1 억 달러이든 여전히 R&D 에 100 만 달러를 지출한 것이다 (물론 이는 수익성에 영향을 미친다).
수익과 관련된 것은 COGS 다. 판매 원가이며, COGS 는 AI 에게 실질적이다. 이는 소프트웨어 업계에서 오랫동안 없었던 일이다. 구체적으로, 모델에서 추론을 실행하는 것. Kimi 든 Fable 든. 돈을要花 한다. 그리고 AI 제공업체가 추론에 지출하는 돈은 적어도 대부분의 비즈니스 모델에서 수익과 직접적으로 관련이 있다. 위의 예를 다시 사용하면, 1 억 달러의 수익을 발생시키는 것과 10 만 달러의 수익을 발생시키는 것은 1000 배의 COGS 가 필요할 수 있다. 구체적으로, 1 달러의 수익을 발생시키는 토큰 비용이 50 센트라면, 1 억 달러의 수익은 5000 만 달러의 COGS 가 있고, 10 만 달러의 수익은 5 만 달러의 COGS 만 있다.
오픈소스 가중치 모델에 대한 요점은它们이 무료 서비스가 아니라는 것이다. Kimi K3 의 비용은 입력 토큰 백만 개당 3 달러, 출력 토큰 백만 개당 15 달러다. 이는 Sol 의 입력 토큰 백만 개당 5 달러와 출력 토큰 백만 개당 30 달러보다 저렴하지만, 이것이 올바른 측정 기준은 아닐 수 있다.
토큰과 지능
엔비디아 CEO 젠슨 황은 엔비디아가 구축하고 있는 것을 '토큰 공장'이라고 묘사했다. 엔비디아의 관점에서 이 표현은 합리적이다. 엔비디아의 GPU 는 특정 모델을 대상으로 하지 않는다.它们는 토큰을 생성하며, 가장 빠르고 효율적인 방식으로 그렇게 한다. 이는 초당 토큰 수, 첫 토큰 시간, 와트당 토큰 수, 토큰 비용 등의 측정 지표를 초래했으며, 젠슨 황은 이러한 지표가 의사 결정의 기초가 될 것이라고 생각한다.
이 프레임워크는 AI 의 첫 번째 패러다임. ChatGPT 시대. 에는 실제로 의미가 있었다. 당시 토큰은 최종 사용자에게 직접 전달되었다. 그러나 AI 의 두 번째 패러다임, 즉 추론 시대는 이러한 측정 방식을 혼란스럽게 했다. 추론은 사고의 사슬 토큰의 폭발적인 증가를 의미하며, 서로 다른 모델은 정답을 얻기 위해 서로 다른数量的 추론 토큰이 필요하다. 예를 들어,据报道 Kimi 가 사용하는 토큰 수는 Sol 보다明显히 많으며, 이는 가격 우위를 무색하게 만든다. 에이전트는 유사한 동역학을 도입한다. 특정 모델은 에이전트 워크플로우 실행에 필요한 토큰 수 측면에서 더 효율적이다.
이는 토큰이 상품이 아님을 의미한다. 상품의 정의적 특징은 교체 가능하다는 것이다. 1 갤런의 석유는 1 갤런의 석유이고, 1 톤의 구리는 1 톤의 구리이며, 1 부셸의小麦는 1 부셸의小麦다. 그러나 한 모델의 토큰은 다른 모델의 토큰과 다르다. 교체 가능한 것은 토큰으로 구축된 것, 즉 지능이다. 다시 말해, Kimi 와 Sol 이 모두 정답을 생성했다면, 이 정답은 교체 가능하다. 정답을 생성하는 데 필요한 토큰의 차이는 COGS 의 차이를 초래한다.
지능의 COGS 는 몇 가지 다른 요인의 함수다:
모델 푸트프린트:가중치와 런타임 상태는 각 서비스 사본을 호스팅하는 데 얼마나 많은 비싼 메모리와 얼마나 많은 가속기가 필요한지 결정한다
추론 효율성:아키텍처 선택 (예:혼합 전문가 모델) 은 생성된 토큰당 계산량을 줄인다
메모리 효율성:아키텍처 선택은 KV 캐시 요구 사항을 줄여 더 많은 동시 요청과 더 나은 GPU 활용을 허용한다
서비스 효율성:배치 처리, 스케줄링, 접두사 캐시 및 기타 추론 최적화는 활용도를 극대화하고 요청 간 작업을 공유한다
토큰 효율성:정답에 도달하는 데 필요한 토큰이 적을수록 추론 비용이 낮아진다
이 점은 중요하다. 우리가 많은 경제적으로 유익한 작업에 대해 지능이 실제로 상품이 되는 상태에 빠르게 접근하고 있기 때문이다. 예를 들어, 기본적인 CRUD 애플리케이션을 구축하는任何人은 여러 제공업체의 모델을 사용하여 완료할 수 있다. 그리고 상품 시장에서 수익을 내는 길은 더 높은 가격을 부과하는 것이 아니다. 완전히 동일한 애플리케이션을 만들기 위해 여러 모델을 사용할 수 있기 (또는 곧 사용할 수 있기) 때문이다.而是 우월한 비용 구조를拥有的 것이다.
상품 시장 이해하기
여기서 메커니즘을梳理 하는 것이 가치가 있다. 내가 몇 달 전<아마존의 내구성>에서 지적했듯이, 상품 시장의 동역학은 기술 업계 사람들이 일반적으로 익숙하지 않은 것이다:
상품 시장에서 모든 사람은 동일한 가격을 청구한다. 모든 사람이 같은 것을 팔기 때문이다. 이 가격은 수요와 공급에 의해 결정된다
상품에 대한 수요는 가격 탄력성의 함수다. 상품이 저렴할수록 수요가 커지며, 그 반대도 마찬가지다
상품의 공급은 상품을 생산하는 한계 비용의 함수다
이해해야 할 핵심은 서로 다른 공급업체가 상품을 생산하는 한계 비용이 다르다는 것이다. 이는 실제로 비용 구조가 가장 나쁜 공급업체가 결국 한계 비용으로 상품을 판매한다는 것을 의미한다 (그들이 여전히 생산할 수 있다면). 다른 모든 사람의 이익은 그들의 비용 구조가 한계 공급업체보다 얼마나 나은지에 달려 있다.
예를 들어:
공급업체 A 는 단위당 10 달러의 비용으로 10 단위의 상품을 생산할 수 있다
공급업체 B 는 단위당 15 달러의 비용으로 10 단위의 상품을 생산할 수 있다
공급업체 C 는 단위당 20 달러의 비용으로 10 단위의 상품을 생산할 수 있다
가격 탄력성이 20 달러에 25 단위의 상품 수요가 있다고 가정하자. 이는 다음을 의미한다:
공급업체 A 는 20 달러에 10 단위를 판매하며, 단위당 10 달러를 번다
공급업체 B 는 20 달러에 10 단위를 판매하며, 단위당 5 달러를 번다
공급업체 C 는 20 달러에 5 단위를 판매하며, 단위당 0 달러를 번다
이것은 완전히 정확하지 않다. 공급업체 C 가 부족분을 떠안는 이유는 공급업체 A 와 B 가 가격에서彼들을 약간 낮출 수 있기 때문이며, 이는 물론 수요에 영향을 미친다 (탄력적).但这说明了问题。공급업체 A 는 좋은 사업을 하고, 공급업체 B 는 괜찮은 사업을 하며, 공급업체 C 는 망하려 한다.
파산 위험은 고정 비용이 다시 전면에 부상하는 곳이다. 공급업체 C 는 고정 비용 (예:가능한 R&D 지출) 이 있으며, 상품 생산에 필요한 장비에 자금을 조달하기 위해 부채를 졌을 수도 있다. 它는 이러한 비용으로 상품 가격을 책정할 수 없다. 기억하라, 시장 청산 가격은 수요를 충족하는 데 필요한 최고 비용 단위의 한계 비용에 가깝다. 그러나 이러한 비용은 절대적으로 공급업체를 시장에서 몰아낼 수 있다. 공급업체가 폐업하면 가격은 다른 공급업체가 진입 (또는 다른 공급업체가 확장) 하기로 결정할 때까지 상승한다.
지능 시장
모델로 돌아가자. 현재 위의 모든 분석은 적용되지 않는다. 프론-tier 모델에 대한 수요가 공급을 초과했으며, 공급은 컴퓨팅 파워 부족에 의해 제한되기 때문이다. 이러한 컴퓨팅 파워 부족은 엔비디아와 같은 컴퓨팅 파워 공급업체가 매우 높은 마진을 얻을 수 있음을 의미할 뿐만 아니라, 엔비디아의 고객인 SpaceXAI 와 같은 회사도 Anthropic 과 같은 회사에 컴퓨팅 파워를 높은 마진으로 재판매할 수 있음을 의미한다. 동시에 Anthropic 은 프리미엄을 지불할 수 있다. 他们가 토큰을 더 높은 프리미엄으로 판매할 수 있기 때문이다.
그러나 초과 수요만이 Anthropic 에게巨大的 마진을 준 것은 아니다. Anthropic 과 OpenAI 는 모델 능력, 서비스 규모 및 토큰 효율성 덕분에 프론-tier 품질 지능의 단위 비용이 가장 낮을 수 있다. 他们는 경쟁사보다 몇 달 앞서 특정 능력 수준의 모델을 서비스하며, 동시에 이러한 비용을 최적화하기 위해 최고의 모델을 적용한다.
또한 시장이 지능을 상품으로 보지 않았다는 점도 주목할 가치가 있다. 수요는专门 Anthropic 과 OpenAI 를 대상으로 하며, 덜 좋은 모델에 대한 수요는 훨씬 적다 (따라서 SpaceXAI 와 Meta 는 생산 능력을 Anthropic 에 판매한다). 비용 최적화 추진력을 생각하는 한 가지 방법은 지능 수준으로 정의된 미완료 작업의 함수라는 것이다. 이렇게 하면 지능 구매자가 지능이 상품화된 시장을 만들 수 있다. 그러나 장기적으로 프론-tier 에 있는 사람은 누구나 프론-tier 가 아닌 시장을 주도할 능력이 가장 크다. 이러한 시장은 단순히 프론-tier 에서 n 개월을 뺀 것이며, 프론-tier 모델 제조업체가 서비스 비용을 최적화해 온 그 개월 수다.
이 모든 것은 Kimi 와 중국 모델에 대한 일반적인 반응이 상당히 과도하다고 생각한다는 것이다. 적어도 경제적 관점에서는 그렇다. 현재 가격 보호 우산이 있다. 이는 컴퓨팅 파워 부족의 하류 결과다. 나는 중국 모델이 한계 비용 기반으로 서비스를 제공하는 것이 더 저렴한지 매우 의심스럽다. 它们는 단순히 더 저렴해 보일 뿐이다. Anthropic 과 OpenAI 의 공급이如此 제한적이어서 지능 수요를 충족할 충분한 공급이 있을 때의 가격보다 훨씬 높은 가격을 청구하기 때문이다.
프론-tier 연구실의 공황
그렇다면 모델 제조업체들은 왜 중국 모델에如此 공황하는 것처럼 보이는가?
첫째, 나는 프론-tier 연구실들이 훈련 비용이 재무 모델링을 주도하는 세상에 고정되어 있다고 생각한다. 훈련이 추론보다 더 많은 GPU 를 소모하는 한, 다음 훈련 실행을 자금 조달하는 데 도움을 주기 위해 추론 수익을 극대화하는 것이 중요하다. 이는 추론에 매우 높은 가격을 청구한다는 것을 의미한다.
그러나 앞으로 추론 시장의 성장 속도가 훈련 비용보다 훨씬 빨라질 것으로 예상한다 (이는 훈련 비용이 계속 급등할 것이라는 가정을 포함한다). 이는 그들이 정말로 양으로 상쇄할 수 있음을 의미한다. 8 개월 전까지 이것이 현실이 될지 불분명했지만, 에이전트 패러다임의 잠금이如此巨大해서 프론-tier 연구실은 충분한 컴퓨팅 파워만 있다면 더 낮은 가격으로 생존할 수 있을 뿐만 아니라 번영할 수 있다는 자신감을 가져야 한다.
둘째, 지능은 실제로 완벽한 상품이 아니다. 부분적으로는 지능을 적용하면 스스로를 더 똑똑하게 만들기 때문이다. 구체적으로, 추론을 실행하는 사람은 누구나 데이터를 수집하고 있으며, 이러한 데이터는 다음 반복 모델이 더 좋아지도록 사용하는 데 사용된다. 한편으로, 이는 더 많은 컴퓨팅 파워가 온라인이 될 때 가격을 낮추고 사용량을 늘리는 프론-tier 연구실의 이유가 된다. 다른 한편으로, 이것이 마이크로소프트와 같은 회사가 회사가 자신의 모델을 실행하는 것을 돕는 데 점점 더 집착하는 이유다. 중국 모델이 실행 가능한 대안이라면, 이는 더욱 실행 가능하다.
셋째, 프론-tier 연구실은 중국 모델뿐만 아니라 서로를 구별할 수 있는 또 다른 방법은 고객 경험으로의 수직 통합을 계속하는 것이다. Claude Code 와 Codex 는 상당히 끈粘性이 있음이 입증되었다. 이는 놀라운 일이다. 어떤 도구를 사용하기 시작하든, 그것이 고수하게 될 도구일 가능성이 높으며, 비기술 사용자의 경우 더욱 그렇다. 장기적으로 이러한 상향 이동의 필요성은 프론-tier 모델이 절대적으로 소프트웨어 제공업체에 위협이 된다는 것을 의미한다. 마이크로소프트 포함. 다른 한편으로, 현재 고객 경험을 소유한 소프트웨어 회사가 경쟁력 있는 모델을 얻을 수 있는 정도만큼 프론-tier 연구실의 침식을 저항할 수 있다.
마지막으로, Anthropic 의 이데올로기적 관점은 특히 무시할 수 없다. 이는 오직 자신만이 AI 를 신뢰할 수 있다고 믿는 회사이며, 오픈소스 가중치 대안의 존재는 이 가정에 치명적인 타격이다.
중국의 동기
Kimi 만의 새로운 중국 모델은 아니다. 블룸버그는 보도했다:
알리바바 그룹 홀딩스 주가는 월요일 5.4% 상승했다.此前该公司推出了其旗舰 Qwen3.8 Max 模型的预览版，称其仅次于 Anthropic 的 Fable 5。这次周日发布是在初创公司月之暗面推出强大新产品仅几天后，后者震动了市场并引发美国对中国缩小与 Anthropic 和 OpenAI 等全球领导者差距的担忧。Qwen3.8 Max 拥有 2.4 万亿参数，与月之暗面的 Kimi K3 一起进入重量级类别。K3 拥有 2.8 万亿参数，可与顶级产品相媲美，阿里巴巴也设定了同样高的期望。
개발자들은 이제 알리바바의 코딩 플랫폼 (Qoder 포함) 을 통해 Qwen3.8 Max 에 액세스할 수 있다. 알리바바는 곧 이 모델의 가중치를 오픈소스화하여 액세스 범위를 미리보기 버전 밖으로 확장할 계획이다. 중국산 인공지능 시스템과 모델에 대한 관심이如此높아서 Moonshot 은 압도적인 수요에 대응하기 위해 일요일 늦게 새로운 구독 받기를 중단해야 했다.
알리바바 그룹 홀딩스 주가는 월요일 한때 5.4% 상승했다.此前该公司推出了其旗舰 Qwen3.8 Max 模型的预览版本，并称其仅次于 Anthropic PBC 的 Fable 5。这次周日发布仅在 Moonshot AI 推出强大新产品数天之后，后者震动了市场并引发美国对中国在追赶 Anthropic 和 OpenAI 等全球领先者方面的担忧。Qwen3.8 Max 拥有 2.4 万亿参数，与 Moonshot 的 Kimi K3 一同进入重量级行列。K3 拥有 2.8 万亿参数，可与顶级产品媲美，阿里巴巴也设定了同样高的期望。
개발자들은 이제 Qoder 를 포함한 알리바바의 코딩 플랫폼을 통해 Qwen3.8 Max 에 액세스할 수 있다. 알리바바는 곧 이 모델의 가중치를 개방하여 액세스 범위를 미리보기 버전 밖으로 확장할 계획이다. 중국산 인공지능 시스템과 모델에 대한 수요가如此높아서 Moonshot 은 일요일 늦게 압도적인 수요에 대응하기 위해 새로운 구독 받기를 중단해야 했다.
Qwen3.8 Max 도 가중치를 개방할 것이라는 사실은 주목할 만하다. 알리바바는 올해 초 선도적 모델의 가중치 발표를 중단했지만, 이 결정을 변경한 것으로 보인다. 나는 이 전환이 지난주 AI 에 대한 시진핑의 연설과 관련이 있다고 의심한다. 해당 연설은 오픈 가중치 접근법을 두 배로 강조했다:
우리는 개방과 상생의 원칙을 고수하고 혁신 주도 발전을 추진해야 한다. 세계 경제 성장의 새로운 엔진이자 성장 동력 전환의 가속기인 인공지능은 디지털 세계에서 물리적 세계로 이동하고 있다. 우리는 이 드문 역사적 기회를 잡고 오픈소스, 개방, 협력 및 공유를 장려해야 한다. 우리는 인공지능의 기술 혁신, 산업 발전 및 시나리오 기반 응용을 촉진해야 한다. 우리는 전통 산업의 전환과 업그레이드, 신흥 산업의 육성 및 미래 산업의 선견적 계획을 조정하여 추진하여 모든 산업이 인공지능의 혜택을 받을 수 있도록 해야 한다.
중국의 전략은 명백하다. 보완재를 상품화하라. 시진핑이 개방성을 AI 의 '디지털 세계에서 물리적 세계로의 이동'과 명확히 연결한 점에 주목하라. 물리적 세계는 중국이 주도하는 세계이며, 로봇 공학 등의 분야에서 중국의 선도적 지위는 널리 이용 가능한 AI 모델로부터 큰 혜택을 볼 것이다.
마찬가지로, 중국은 미국이 AI 에서 비대칭적 우위를 얻는 것을 원하지 않는다. 중국이 미국 프론-tier 연구실을 약화시키는 동시에 잠재적인 모든 미국 경쟁자를 강화할 수 있다면 더욱 좋으며, 개방형 생태계에 부착된 혁신으로부터 혜택을 얻을 수 있다.
증류 문제
마찬가지로, 중국이 프론-tier 연구실에 대한 증류 공격에 어떤 조치를 취할 것으로 기대하지 마라. 나는 중국 연구실의 모든 성공을 증류에 귀착시키는 것은 잘못이라고 생각하지만, 증류가 중국 연구실에巨大的 우위를 제공하지 않았다고 가장하는 것도同样 잘못이다. 이러한 우위는 지난 1 년 동안 훈련 후 강화 학습이 모델 성능에 점점 더 중요해지면서 실제로 드러났다. 중국 연구실은 강화 학습 환경을 처음부터 구축할 필요가 없으며, 대신 프론-tier 연구실의 모델을 교사로 사용하여 훨씬 낮은 비용으로 빠른 개선을 달성할 수 있다 (이는 중국 모델 개발 비용이 더 낮은 유일한 이유는 아니지만 중요한 이유다).
흥미롭게도, 중국 모델이 서양에서 가장 중요한 사용 사례 중 하나는 그 자체로 증류다. 예를 들어, 방금 오픈 가중치 모델을 출시한 Thinking Machines 는 강화 학습의 콜드 스타트 문제를 해결하기 위해 중국 모델에 의존한다. Dean Meyer 와 Konstantine Buhler 는 X 에 증류가 서양 오픈 가중치 모델이 중국에 비해 근본적으로 열위에 있음을 설명하는 훌륭한 글을 썼다:
증류는 오픈 모델에서 중국의 전체 선도 우위를 설명하지는 못한다. 중국 연구실은 세계적 수준의 연구원,大量의 컴퓨팅 파워, 강력한 사전 훈련 모델, 하드웨어 및 소프트웨어 공동 설계 및 빠르게 향상되는 훈련 후 능력을 보유하고 있다. 그러나 증류는 강력한 기반에서 최첨단 시스템 사이의 비용이 많이 드는 마지막 격차를 압축한다. 증류가 중국 모델의 총 능력에서 차지하는 비중이 작더라도, 미국 오픈 모델에 대한 상대적 우위에서 중요한 비중을 차지한다.
새로운 집행 메커니즘은 대규모 증류를 중국 회사에게 더 어렵고, 느리고, 비싸게 만들 것이다. 그러나 집행은 국가 행위자의 지원을 받는 증류를 제거할 수 없다. 따라서 서양의 모든 프론-tier进展은 중국 연구실에 또 다른 교사를 만든다. 서양 구축자는 이러한 능력을 독립적으로 복제하거나 중국 모델로부터 학습하기를 기다려야 한다. 이러한 격차는 중국 연구실에 서양 회사에 비해 반복적으로 발생하는 구조적 우위를 제공한다.
이 점은 반복할 가치가 있다. 미국 오픈 가중치 모델 제조업체는 프론-tier 연구실의 서비스 약관을 준수해야 하기 때문에 (1) 중국 대안보다劣等하며, (2) 결국 증류물을 증류한다. 단지 중국 연구실을 거쳐 우회할 뿐이다. 서양 오픈 가중치 모델 제조업체가 소스에서 직접获取할 수 있다면 더 좋지 않겠는가?
이를 위해 증류를 둘러싼 더 흥미로운 질문이 있다. 그것이 왜 나쁜가? 결국, 대규모 언어 모델은 프론-tier 연구실이 스크래핑하여 증류되고 있는 모델로 증류하는 오픈 인터넷의 모든 지식에 대한 증류가 아닌가? 여기서 누가 피해를 입는가?
실제로, 이 역설이 해결책이다. 나는 오픈 가중치 모델이 혁신에 유리하다고 믿으며 (그리고 위의 내용에 따라 프론-tier 연구실은 괜찮을 것이라고 생각한다), 하지만 중국에 의존하는 것은 문제다. 미국은 (1) 모델 훈련을 위한 데이터 수집을 명시적으로 공정 사용으로 분류하고, (2) 적어도 미국 회사에 대해 증류를 금지하는 서비스 약관을 금지하는 법률을 통과시켜야 한다. 증류. 실제로는 API 쿼리. 를 막는 것은 거의 불가능하다. 미국은 다른 길을 가야 하며, 연구실을 보호하면서도 그들이 배운 지식이 다른 사람의 추가 혁신을 위한 동력이 되도록 보장하는 새로운 저작권 정책을 선호해야 한다.
걱정해야 할 이유
전체 글은 Kimi K3 및 중국 오픈 가중치 모델에 대한 과도한 반응을 해소하는 데 초점을 맞추었다. 그러나 걱정해야 할 한 가지 이유는 사이버 보안이다. The Stack 의 이 이야기를 고려하라:
Hugging Face 는 자사의 생산 인프라가 지난주 초 '자율'AI 에이전트 시스템에 의해 침해되었다고 밝혔다.该平台의 보안 팀은 처음에 사건 대응 (IR) 에서 익명의 미국 LLM 프론-tier 모델 가드레인에 의해 방해받았다. '그들은 사건 대응자와 공격자를 구별할 수 없었다'고 그들은 말했다. 따라서 Hugging Face 의 방어자는 공격자가 남긴 17,000 개 이상의 로그 또는 발자국을 분석하기 위해 자체 인프라에서 실행되는 중국 Z.ai 연구실의 오픈소스 GLM 5.2 모델로 전환했다.
뉴욕에 본사를 둔 Hugging Face 에게 이는 모델, 데이터세트 및 애플리케이션에서 사용자가 협력할 수 있도록 하는 플랫폼이 올해 여름 1 억 달러 ARR 마일스톤에 도달했다는 주목할 만한 공개 인정이다. 사건 보고서에서该公司는 방어자에게 '사건 발생 전에 자체 인프라에서 실행할 수 있는 유능한 모델 [우리의 이탤릭체] 을 준비하여 가드레인 잠금을 피하고 공격자 데이터 및 자격 증명이 환경을 떠나지 않도록 방지할 것'을 권장했다.
트럼프 행정부가 Anthropic 의 Fable 출시에 대한 공황 반응이 얼마나 잘못되었는지 과장하기 어렵다. 특히 그것이 Anthropic 의 최악의 경향, 즉 오직 자신만이 강력한 AI 사용을 신뢰할 수 있다고 가정하는 것을 악화시켰기 때문이다. 하나의 AI 만 있는 세상에서는 가장 강력한 사이버 보안 능력을 미국 정부와 신뢰할 수 있는 동맹국에게 보유하는 것이 합리적일 수 있다. 그러나 이것은 우리가 살고 있는 세상이 아니다.
기존 인프라에 사이버 보안 공격을 가할 수 있는 모델이 이미 있으며 있을 것이다. 그리고 이러한 모델은. 이미. 널리 이용 가능할 것이다. 최고의 방어. 사실은 유일하게 실행 가능한 방어. 는 방어자도 최고의 모델에 액세스할 수 있도록 보장하는 것이다. 현재 트럼프 행정부의 지시로 인해 방어자는 실제로 사이버 보안에 Fable 이나 Sol 을 사용하는 것이 금지되어 있다. 이는 최고의 대안이 수년 동안 우리의 사이버 방어를 약화시키려 해온 국가의 모델을 사용하는 것이다. 이는 미친 짓이다!
더 나은 방법은 명확하다. 첫째, 사이버 보안에서 Fable 과 Sol 에 대한 제한을 완화하고, 둘째, 미국 오픈 가중치 모델 제조업체가 중국과 평등한 경쟁 환경에 있도록 보장하라.是的, 프론-tier 연구실은 크게 항의할 것이다. 그러나 정부는 그들의 히스테리에 귀 기울이는 것이 이미 미국 회사들이 방어를 위해 중국에 의존하는 상황에 처하게 했음을 인식해야 한다. 프론-tier 연구실이 더 잘함으로써 이기게 하라. 그들이 안전이나 보안을 정의하게 하거나 인간 집단 지식의 사다리를 끌어올리게 하지 마라. 중국은 이미 경쟁하기足够 어렵다. 그들에게 개방과 혁신의 기치를 들게 하는 것은 우리의 가장 큰 우위를 포기하는 것이다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
@stratechery
