یکی از مهم‌ترین تحولات سال ۲۰۲۵ و ۲۰۲۶ در رقابت هوش مصنوعی را نباید صرفاً در ظهور مدل‌های قدرتمند چینی جست‌وجو کرد. اهمیت عمیق‌تر در تغییر اقتصاد انتشار این فناوری قرار دارد. چین در حال شکل‌دادن به مدلی است که در آن ارزش یک مدل هوش مصنوعی فقط به عملکرد آن در بنچمارک‌ها وابسته نیست؛ بلکه به توانایی آن برای تبدیل‌شدن به یک لایه نرم‌افزاری قابل‌دسترس، کم‌هزینه، قابل‌تطبیق و قابل‌استقرار در طیف وسیعی از محیط‌ها وابسته است. از این منظر، اندیشکده دیپلماسی فناوری می‌تواند این تحول را نه صرفاً به‌عنوان رقابت میان مدل‌ها، بلکه به‌عنوان تغییری در اقتصاد انتشار فناوری مورد توجه قرار دهد.
این همان نقطه‌ای است که راهبرد مدل‌های بازوزن هوش مصنوعی چینی اهمیت پیدا می‌کند. موفقیت DeepSeek، Qwen، Kimi و سایر مدل‌های چینی را اگر صرفاً به‌عنوان داستان «رقابت مدل‌ها» تحلیل کنیم، بخش مهمی از واقعیت را از دست خواهیم داد. آنچه در حال شکل‌گیری است، یک راهبرد انتشار فناوری است که می‌تواند مزیت چین را از سطح آزمایشگاه به سطح اکوسیستم منتقل کند.
اقتصاد انتشار و شکل‌گیری اکوسیستم مدل‌های بازوزن
گزارش کمیسیون بازبینی اقتصادی و امنیتی آمریکا–چین در مارس ۲۰۲۶، این تحول را در قالب مفهوم «دو حلقه» توضیح می‌دهد. بر اساس این تحلیل، بیشتر آزمایشگاه‌های بزرگ چینی مدل‌ها و وزن‌های آن‌ها را منتشر می‌کنند و قیمت استفاده از محصولات پیشرفته خود را نیز پایین نگه می‌دارند. در نتیجه، پذیرش بیشتر مدل‌های چینی موجب تولید بازخورد بیشتر، بهبود مدل‌ها و در نتیجه پذیرش بیشتر می‌شود. این گزارش همچنین اعلام می‌کند که خانواده Qwen متعلق به Alibaba در زمان انتشار گزارش، با بیش از ۱۰۰ هزار مدل مشتق‌شده، بزرگ‌ترین اکوسیستم مدل در Hugging Face را در اختیار داشته است.
این مدل با اقتصاد سنتی شرکت‌های هوش مصنوعی تفاوت دارد. در مدل تجاری کلاسیک، شرکت تلاش می‌کند بهترین مدل را تولید کند، آن را از طریق یک رابط کنترل‌شده عرضه کند و از طریق اشتراک، خدمات ابری یا قراردادهای سازمانی درآمد ایجاد کند. در مدل انتشار بازوزن، ارزش اقتصادی می‌تواند از جای دیگری ایجاد شود؛ از تبدیل مدل به یک استاندارد عملی، ایجاد شبکه توسعه‌دهندگان، تولید افزونه‌ها، شکل‌گیری محصولات ثانویه و گسترش کاربرد در صنایع مختلف. داده‌های Hugging Face این تغییر را به‌خوبی نشان می‌دهند. هر مدل مشتق‌شده، یک آزمایش جدید، یک کاربرد جدید یا یک سازگارسازی جدید است. در نتیجه، بازبودن مدل می‌تواند به نوعی زیرساخت برای یادگیری توزیع‌شده تبدیل شود.
چین در اینجا با یک محدودیت ژئوپلیتیکی نیز مواجه بوده است؛ محدودیت دسترسی به پیشرفته‌ترین شتاب‌دهنده‌های محاسباتی. اما همین محدودیت، شرکت‌های چینی را به سمت بهینه‌سازی مصرف محاسبات، فشرده‌سازی مدل، معماری‌های کارآمدتر و استفاده گسترده‌تر از مدل‌های باز سوق داده است. گزارش MERICS نیز نشان می‌دهد که راهبرد خوداتکایی چین در هوش مصنوعی در تمام لایه‌های زنجیره ارزش دنبال می‌شود، اما شدت مداخله دولت در این لایه‌ها متفاوت است. بیشترین حمایت دولتی متوجه بخش سرمایه‌بر نیمه‌رساناهاست؛ در لایه نرم‌افزار و چارچوب‌ها، شرکت‌های بزرگ فناوری نقش بیشتری بر عهده دارند و در سطح مدل و کاربرد، محیط مساعدتری برای رقابت شرکت‌ها ایجاد شده است.
این معماری یک ویژگی مهم دارد. دولت لازم نیست تمام نوآوری را مستقیماً تأمین مالی کند. کافی است شرایطی ایجاد شود که تعداد زیادی بازیگر بتوانند روی یک زیرساخت مشترک آزمایش کنند. در این مدل، «بازبودن» الزاماً معادل «بی‌طرفی ژئوپلیتیکی» نیست. اگر یک مدل بازوزن در کشورهای مختلف، شرکت‌های مختلف و دانشگاه‌های مختلف مورد استفاده قرار گیرد، آن مدل می‌تواند به یک جزء استاندارد از زیرساخت دیجیتال تبدیل شود. در این حالت، قدرت دیگر فقط در مالکیت مدل نیست؛ در شبکه‌ای است که پیرامون آن مدل شکل گرفته است.
این موضوع به‌ویژه برای کشورهای دارای محدودیت دسترسی به زیرساخت محاسباتی اهمیت دارد. مدل‌هایی که می‌توانند روی سخت‌افزارهای متنوع اجرا شوند، هزینه ورود را کاهش می‌دهند و امکان بومی‌سازی را افزایش می‌دهند. به همین دلیل، چین ممکن است در حال توسعه نوع متفاوتی از قدرت فناورانه باشد؛ «قدرت انتشار». این قدرت از طریق صادرات یک محصول واحد ایجاد نمی‌شود. از طریق گسترش یک اکوسیستم نرم‌افزاری ایجاد می‌شود.
گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۶ نیز نشان می‌دهد که سرمایه‌گذاری خصوصی هوش مصنوعی در آمریکا در سال ۲۰۲۵ به ۲۸۵.۹ میلیارد دلار رسید، در حالی که رقم چین ۱۲.۴ میلیارد دلار گزارش شد. همین گزارش تأکید می‌کند که اتکا به سرمایه‌گذاری خصوصی، میزان کل هزینه‌کرد چین در هوش مصنوعی را احتمالاً کمتر از واقعیت نشان می‌دهد، زیرا صندوق‌های هدایت دولتی نیز در تأمین مالی هوش مصنوعی نقش دارند.
این شکاف، ضعف و فرصت را هم‌زمان نشان می‌دهد. چین احتمالاً نمی‌تواند در کوتاه‌مدت با همان مدل سرمایه‌گذاری خصوصی آمریکا رقابت کند. اما می‌تواند بخشی از این شکاف را از طریق کاهش هزینه استفاده، انتشار گسترده مدل، ادغام با صنایع و ایجاد بازار داخلی بزرگ جبران کند.
اگر این استراتژی موفق شود، معیار قدرت هوش مصنوعی از «چه کسی بهترین مدل را دارد؟» به «چه کسی بیشترین تعداد بازیگر را حول مدل‌های خود سازمان‌دهی کرده است؟» تغییر خواهد کرد.
این تغییر برای فناوری‌های نوظهور نیز مهم است. مدل‌های بازوزن، عامل‌های هوشمند، رباتیک، هوش مصنوعی مولد و سامانه‌های هوش مصنوعی صنعتی در حال نزدیک‌شدن به یکدیگر هستند. هرچه مدل‌ها بیشتر به ابزارهای عملیاتی تبدیل شوند، مرز میان مدل هوش مصنوعی و زیرساخت صنعتی نیز کم‌رنگ‌تر خواهد شد. از این منظر، مزیت بلندمدت چین ممکن است نه در داشتن یک مدل کاملاً برتر، بلکه در توانایی تبدیل مدل‌های «به‌اندازه کافی خوب» به زیرساخت‌های بسیار گسترده باشد. این یک منطق متفاوت برای رقابت فناورانه است؛ منطقی که در آن مقیاس انتشار می‌تواند به‌اندازه مرز فناوری اهمیت داشته باشد.