- Çin’in açık ağırlıklı modeli Kimi K3 en ileri modellere yaklaşmış olsa da, yapay zeka işinde rekabet gücü model geliştirme maliyetinden çok, doğru yanıt düzeyinde zekâ sunmanın satılan malın maliyeti (COGS) ile belirleniyor
- Her modelin doğru yanıta ulaşmak için ihtiyaç duyduğu token miktarı farklı olduğundan token’ın kendisi ikame edilebilir bir emtia değildir; fiilen metalaşan şey token’larla üretilen zekâdır
- Anthropic ve OpenAI’ın yüksek fiyatları büyük ölçüde bilişim kapasitesi arzındaki yetersizlikten kaynaklanıyor; Çin modelleri token başına ucuz olsa bile daha fazla çıkarım token’ı kullanırlarsa maliyet avantajı ortadan kalkabilir
- Çin, açık ağırlıklı modellerle yapay zekâyı metalaştırarak kendi robotik ve fiziksel endüstrilerini güçlendirmeye çalışıyor; ayrıca damıtma (distillation) yoluyla ABD’nin en ileri modellerini düşük maliyetli öğretmenler olarak kullanma gibi yapısal bir avantajdan da yararlanıyor
- ABD, siber güvenlik için en ileri modellere yönelik kısıtlamaları gevşetmez ve kendi açık ağırlık geliştiricilerinin damıtma yapmasına izin vermezse, Amerikan şirketleri savunma için Çin modellerine bağımlı hale gelir
Yazılımdan farklılaşan yapay zeka maliyet yapısı
- Yazılımda marjinal maliyet ve işlem maliyetleri fiilen sıfıra yakın olduğu için talebi ele geçiren şirketlere merkezileşme ve ölçek avantajı sağlıyordu; ancak yapay zekâda marjinal maliyet yeniden sektör yapısını belirliyor
- Açık ağırlıklı modeller, ağırlıkları oluşturmak için gereken AR-GE maliyetinden tasarruf sağlar; ancak hizmet maliyetini de ücretsiz hale getirmez
- AR-GE maliyeti, gelirden bağımsız bir sabit maliyettir
- Çıkarım maliyeti, kullanım ve gelir arttıkça yükselen satılan malın maliyetidir
- Token üretim maliyeti gelirdeki her 1 dolar için 0,50 dolarsa, 100 milyon dolarlık gelirde 50 milyon dolar, 100 bin dolarlık gelirde ise 50 bin dolar satılan malın maliyeti oluşur
- Kimi K3, 1 milyon giriş token’ı başına 3 dolar ve 1 milyon çıkış token’ı başına 15 dolar fiyatlandırılıyor; Sol’da bu rakamlar sırasıyla 5 dolar ve 30 dolar
- Ancak yalnızca token birim fiyatına bakarak bir modelin gerçek zekâyı sunma maliyetini tam olarak anlamak zordur
Token değil, zekâ metalaşıyor
- Nvidia GPU’yu modelden bağımsız bir “token fabrikası” olarak tanımladığında, saniye başına token, ilk token’a ulaşma süresi, watt başına token ve token maliyeti başlıca metrikler haline gelir
- Token’ların doğrudan kullanıcıya aktarıldığı ChatGPT döneminde bu ölçüm yaklaşımı iyi işliyordu; ancak çıkarım çağında zincirleme düşünce token’ları patlama yaşıyor ve doğru yanıt için gereken token sayısı modelden modele değişiyor
- Kimi’nin Sol’dan çok daha fazla token kullandığı biliniyor; bu da listelenen fiyat avantajını ortadan kaldırabilir
- Ajan iş akışlarında da bir işi tamamlamak için gereken token sayısı modele göre değişir
- Token’lar birbirinin yerine geçemez; bu yüzden ham petrol, bakır veya buğday gibi emtialardan farklıdır
- Birden fazla model aynı doğru yanıtı üretebiliyorsa emtia niteliği taşıyan şey token değil, doğru yanıt düzeyindeki zekâdır; doğru yanıta kadar tüketilen token sayısı satılan malın maliyetindeki farkı yaratır
- Zekânın satılan mal maliyeti beş unsurla belirlenir
- Model boyutu: Ağırlıklar ve çalışma zamanı durumu, sunum kopyaları için gereken pahalı bellek ve hızlandırıcı sayısını belirler
- Çıkarım verimliliği: Mixture-of-Experts gibi mimariler, üretilen token başına hesaplama miktarını azaltır
- Bellek verimliliği: KV cache gereksinimini düşürmek, eşzamanlı istekleri ve GPU kullanım oranını artırabilir
- Sunum verimliliği: Toplu işleme, zamanlama ve önek önbellekleme gibi yöntemler istekler arasındaki işi paylaşır ve kullanım oranını artırır
- Token verimliliği: Doğru yanıt için gereken token sayısı azaldıkça çıkarım maliyeti düşer
- Temel bir CRUD uygulaması artık birçok sağlayıcının modeliyle yapılabiliyor; bu tür işlerde kârlılığı yüksek fiyattan çok üstün maliyet yapısı belirliyor
Emtia piyasasında fiyat ve gelir yapısı
- Emtia piyasasında tüm tedarikçiler aynı şeyi sattığı için fiyat arz ve talebe göre belirlenir
- Fiyat düştükçe talebin artmasını sağlayan fiyat esnekliği devreye girer
- Arz miktarı, emtia üretiminin marjinal maliyetine bağlıdır
- Tedarikçilerin marjinal maliyetleri farklı olduğundan, maliyeti en yüksek marjinal tedarikçinin maliyeti piyasa fiyatını belirler; diğer tedarikçilerin kârı ise ne kadar daha ucuza ürettiklerine bağlıdır
- A, B ve C tedarikçileri birim başına sırasıyla 10, 15 ve 20 dolara 10’ar adet üretiyor ve 20 dolarlık fiyatta talep 25 adet ise durum şöyledir
- A 10 adet satar ve birim başına 10 dolar kazanır
- B 10 adet satar ve birim başına 5 dolar bırakır
- C 5 adet satar ama birim başına kâr elde etmez
- Gerçekte A ve B fiyatı C’den biraz daha aşağı çekebilir ve fiyat değişimi talebi de etkiler; ancak en yüksek maliyetli tedarikçinin iflas riskini üstlendiği yapı aynıdır
- Piyasa takas fiyatına AR-GE maliyeti veya tesis tedarik borcu gibi sabit maliyetler yansıtılamaz; ancak bu maliyetler kârlılığı düşük tedarikçileri piyasadan çıkarabilir
- Tedarikçiler piyasadan çıkarsa, başka tedarikçiler girene veya mevcut tedarikçiler kapasite artırana kadar fiyat yükselir
Mevcut zekâ piyasasında Çin modellerinin konumu
- Bugün en ileri model piyasasında bilişim kapasitesi kıtlığı nedeniyle talep arzı aşıyor; bu yüzden tam bir emtia piyasasının koşullarını karşılamıyor
- Nvidia yüksek marjla bilişim kapasitesi sağlıyor; SpaceXAI gibi müşteriler de bunu yüksek marjla Anthropic’e yeniden satıyor; Anthropic ise token’lara daha yüksek fiyat koyabiliyor
- Anthropic ve OpenAI, model performansı, sunum ölçeği ve token verimliliği sayesinde en ileri kalitede zekânın birim maliyetinin en düşük olduğu şirket grubu olabilir
- Belirli bir performans düzeyini rakiplerinden aylar önce sunarlar
- En iyi modellerini yeniden maliyet optimizasyonu için kullanırlar
- Piyasa talebi henüz soyut zekâdan çok doğrudan Anthropic ve OpenAI’a yöneliyor; görece daha düşük performanslı SpaceXAI ve Meta ise kapasitelerini Anthropic’e satıyor
- İşleri gerekli zekâ düzeyine göre tanımlamak, alıcıların tedarikçi değiştirebildiği bir emtia piyasası yaratabilir
- Uzun vadede en ileri modeller birkaç ay sonra en ileri olmayan pazara iner; bu süre içinde geliştirici sunum maliyetini optimize edebilir, bu yüzden en ileri şirketler alt pazarlarda da avantajlı olur
- Çin modellerinin düşük görünen fiyatı, Anthropic ve OpenAI’ın arz sıkıntısı nedeniyle yüksek belirlediği fiyatlarla yapılan karşılaştırmanın sonucu olabilir
- Kimi’nin marjinal maliyet bazında daha ucuz olduğuna dair kanıt yetersizdir; token verimliliği de hesaba katıldığında Çin modellerine yönelik ekonomik tepki abartılı olabilir
En ileri araştırma laboratuvarları Çin modellerinden neden çekiniyor?
- En ileri araştırma laboratuvarları, eğitimin çıkarımdan daha fazla GPU tükettiği dönemin finansal yapısına bağlı kalmış durumda
- Bir sonraki eğitimi desteklemek için çıkarım gelirini maksimize etmek gerekiyordu; bunun için de yüksek çıkarım fiyatları gerekliydi
- Eğitim maliyetleri ileride artmaya devam etse bile çıkarım pazarının bundan daha hızlı büyümesi bekleniyor
- Ajan paradigması büyük ölçekli talebi açtığı için yeterli bilişim kapasitesi sağlanırsa daha düşük fiyatlar ve daha yüksek kullanım ile büyüme mümkün olabilir
- Zekâ kusursuz bir emtia değildir; gerçek kullanım sırasında toplanan veriler bir sonraki modeli daha akıllı hale getirir
- Bilişim kapasitesi arzı arttığında fiyatı düşürerek kullanım ve veriyi artırma teşviki doğar
- Microsoft’un şirketlerin kendi modellerini çalıştırmasını desteklemeye odaklanan stratejisi de Çin modelleri alternatif işlevi gördükçe daha uygulanabilir hale gelir
- En ileri laboratuvarlar müşteri deneyimine doğru genişleyerek Çin modellerine ve diğer laboratuvarlara karşı farklılaşabilir
- Claude Code ve Codex, kullanıcıların ilk seçtikleri çerçevede kalmasına yol açan güçlü bir devamlılık gösteriyor
- Bu devamlılık teknik olmayan kullanıcılarda daha da güçlü hale gelebilir
- Laboratuvarların üst katmanlara çıkması, Microsoft dahil yazılım tedarikçileri için tehdit oluşturur
- Müşteri deneyimini zaten ele geçirmiş yazılım şirketleri, rekabetçi modellere eriştikçe laboratuvarların sızmasına daha kolay direnebilir
- Anthropic, güçlü yapay zekânın yalnızca kendisine güvenilerek emanet edilebileceği görüşünde; açık ağırlıklı alternatifler bu varsayımı çökertir
Çin’in açık ağırlık stratejisi
- Alibaba’nın Qwen3.8 Max modeli 2,4 trilyon parametreye sahip; şirket bunu Anthropic’in Fable 5’inin ardından ikinci düzeyde değerlendiriyor
- Moonshot AI’ın Kimi K3 modeli 2,8 trilyon parametreye sahip
- Qwen3.8 Max, Qoder dahil Alibaba kodlama platformlarında kullanılabilir
- Alibaba, önizlemeden sonra ağırlıkları yayımlamayı planlıyor
- Çin yapımı modellere talep yoğunlaşınca Moonshot yeni abonelik alımını geçici olarak durdurdu
- Alibaba daha önce en ileri model ağırlıklarını yayımlamayı durdurmuştu; ancak yeniden açık ağırlık yaklaşımına döndü
- Xi Jinping’in yapay zekâ konuşması, açık kaynak, açıklık, iş birliği ve paylaşımı teşvik ediyor ve yapay zekânın dijital dünyadan fiziksel dünyaya geçtiğini vurguluyor
- Yapay zekânın geleneksel endüstrilerin dönüşümünde, yükselen endüstrilerin büyümesinde ve geleceğin endüstrilerinin planlanmasında kullanılarak tüm sektörlerin ve şirketlerin bundan yararlanmasını talep ediyor
- Çin’in stratejisi, kendi endüstrilerini tamamlayan yapay zekâyı metalaştırmak
- Çin’in güçlü olduğu fiziksel dünya ve robotik, yaygın olarak kullanılabilir yapay zekâ modellerinden fayda görebilir
- ABD’nin yapay zekâda asimetrik üstünlük elde etmesini engelleyebilir ve ABD’nin en ileri araştırma laboratuvarlarının gücünü zayıflatabilir
- Açık ekosistemde ortaya çıkan inovasyonu da soğurabilir
Damıtmanın yarattığı yapısal fark
- Çin’in en ileri araştırma laboratuvarlarına karşı damıtma saldırısını engellemesi pek olası değil
- Çinli laboratuvarların başarısının tamamını damıtmaya bağlamak da, damıtmanın büyük avantajını reddetmek de yanlıştır
- Son bir yılda eğitim sonrası pekiştirmeli öğrenme model performansı için önemli hale geldikçe damıtmanın etkisi büyüdü
- Çinli laboratuvarlar pekiştirmeli öğrenme ortamlarını sıfırdan kurmak yerine en ileri modelleri öğretmen olarak kullanabilir
- Bu sayede çok daha düşük maliyetle hızlı iyileşme sağlarlar
- Damıtma, Çin modellerinin düşük geliştirme maliyetini açıklayan tek unsur değildir; ancak önemli bir unsurdur
- Batı’da da Çin modellerinin kendisi damıtma için kullanılıyor
- Açık ağırlıklı model yayımlayan Thinking Machines, pekiştirmeli öğrenmedeki soğuk başlangıç sorununu çözmek için Çin modellerine dayanıyor
- Dean Meyer ve Konstantine Buhler’in analizine göre Çinli laboratuvarlar üstün araştırmacılara, büyük ölçekli bilişim kapasitesine, güçlü ön eğitim modellerine, yazılım-donanım ortak tasarımına ve gelişmiş eğitim sonrası yeteneklere sahip
- Damıtma, güçlü temel modeller ile en ileri seviyeye yakın sistemler arasındaki pahalı son farkı sıkıştırır
- Denetim, büyük ölçekli damıtmayı zorlaştırıp pahalılaştırabilir; ancak devlet destekli aktörlerin damıtmasını tamamen ortadan kaldırmaz
- Batı’nın en ileri modelleri her ilerlediğinde Çinli laboratuvarlar için yeni bir öğretmen doğar
- ABD’li açık ağırlık geliştiricileri en ileri laboratuvarların hizmet şartlarına uymak zorunda olduğundan Çin modellerine göre dezavantajlıdır; sonunda Çin modellerinden geçen damıtılmış sonuçları yeniden damıtmak zorunda kalırlar
- Büyük dil modellerinin kendisi de açık internetteki bilginin toplanıp modellere sıkıştırılmasının sonucu olduğundan, yalnızca başka modellerin API yanıtlarını damıtmayı yanlış olarak tanımlamak çelişki yaratır
- ABD’de iki hukuki adım gerekiyor
- Model eğitimi için veri toplamanın adil kullanım olduğu açıkça belirtilmeli
- En azından Amerikan şirketleri için damıtmayı yasaklayan hizmet şartlarına izin verilmemeli
- API sorgularından ayırt edilmesi zor damıtmayı engellemek yerine, laboratuvarların öğrenmesi hukuken korunmalı ve ortaya çıkan sonuçların sonraki inovasyonlarda kullanılmasına imkân tanınmalı
Gerçekten endişe edilmesi gereken alan: siber güvenlik
- Hugging Face’in üretim altyapısı otonom yapay zekâ ajan sistemleri tarafından ihlal edildi; ABD’nin en ileri modellerindeki güvenlik bariyerleri olay müdahale ekipleri ile saldırganları ayırt edemeyerek müdahaleyi engelledi
- Savunma ekibi, saldırganın bıraktığı 17.000’den fazla log ve izi analiz etmek için Çinli Z.ai’ın açık kaynak GLM 5.2 modelini kendi altyapısında çalıştırdı
- Hugging Face, olaydan önce kendi altyapınızda çalıştırabileceğiniz yüksek performanslı bir modeli doğrulamanızı öneriyor
- Güvenlik bariyerleri nedeniyle erişimin engellenmesinden kaçınabilirsiniz
- Saldırı verilerinin ve kimlik bilgilerinin dış ortamlara çıkmasını engelleyebilirsiniz
- Saldırı kabiliyetine sahip modeller zaten yaygın olarak erişilebilirken savunucuların da en iyi performanslı modellere erişmesi gerekir
- Trump yönetiminin yönergeleri nedeniyle savunucular Fable veya Sol’u siber güvenlikte fiilen kullanamıyor; bunun sonucunda Çin modelleri en iyi alternatif haline geliyor
- ABD iki politika uygulamalı
- Fable ve Sol’un siber güvenlik kısıtlamaları gevşetilmeli
- ABD’li açık ağırlık model geliştiricilerinin Çin ile eşit koşullarda rekabet etmesi güvence altına alınmalı
- En ileri laboratuvarların güvenlik ve emniyet standartlarını tekelleştirmesine veya kolektif bilgiye sonraki erişimi engellemesine izin verilirse, Amerikan şirketlerinin savunması Çin modellerine bağımlı hale gelir
- ABD’li laboratuvarlar rekabeti kısıtlamalarla engellemek yerine daha iyi modeller ve maliyet yapısıyla rekabet etmeli; açıklık ve inovasyon liderliğini Çin’e bırakmamalı
2 yorum
Dünya, özür dilerim.
Hacker News yorumları
Çin modellerinden en çok korkan taraf, Anthropic ve OpenAI’ın astronomik şirket değerlemelerine yatırım yapan risk sermayedarları. Anthropic 1,2 trilyon dolar, OpenAI ise 850 milyar dolar hedefliyor; bu değerlemeler, pahalı API’lerle devasa kârlar elde edilebileceği varsayımına dayanıyor.
Çinli laboratuvarlar üstün açık modelleri ücretsiz dağıtarak bu stratejiyi çökertiyor; öncü laboratuvarlar da token fiyatlarını düşürme yarışına girerse mevcut şirket değerlemelerini haklı göstermek zorlaşır ve yatırımcılar büyük defter zararlarıyla karşılaşır.
Modeller yalnızca indirmesi ücretsizdir; çalıştırması ücretsiz değildir, bu yüzden ekonomisi yazılımdan çok imalata benzer. GLM 5.2 ile gerçek işler yaptığımda GPT 5.6’dan daha pahalıydı ve ABD laboratuvarları görev başına çıkarım maliyetinde önde.
Ajan işlerinde çıkarımın payı arttıkça eğitim maliyetinin payı azalır; token verimliliğini damıtmak zor olduğundan Çin LLM’leri verimsiz görünüyor. Büyük ölçekli çıkarım talebine optimize edilmiş modeller düşük görev başına maliyet sağlayabilir; OpenAI, verimli tokenizasyon ve kısa yanıtlar sayesinde görev başına maliyette Anthropic’in yarısından da düşük ve sınırdaki işlerde Çin modellerinden hem daha ucuz hem daha iyi.
Şirketler de token’lara büyük paralar harcamayacak. Laboratuvarların eğitim maliyetini sübvanse etmesine gerek kalmadığında token maliyeti onda bire, modeller çiplere kazındığı aşamada ise bir kez daha onda bire düşecek; bu da özellikle istenmedikçe anlamlı derecede çok token tüketmeyi bile zorlaştırabilir.
Claude Code ve Codex’in yapışkan olduğu iddiasının aksine, kış ve ilkbaharda neredeyse yalnızca Claude Code kullanırken yaz başında hiçbir zorluk yaşamadan Codex’e geçtim. Ondan önce Cursor kullanıyordum ve geçiş süreci aynıydı; kısa bir süre Conductor da kullandım ama temelde Claude/Codex için bir çalıştırma ortamı sunuyor gibi görünüyordu.
Birkaç yıl sonra bir satış temsilcisi maliyet tasarrufunu öne çıkarıp yöneticileri ikna ederse, daha iyi ürün olduğu için değil fiyat nedeniyle yeniden geçiş yapılıyor. Eşimin şirketi de herkes yeni araca alışmaya başladığında 1-2 yılda bir başka şirketin ürün ailesine geçiyor.
Müşteri arka uç verilerini alan büyük bir B2B analiz sitesi işletiyorum; Çin’in kuzeybatısındaki Sincan bölgesinden, çıkış noktası Shenzhen Tencent Computer Systems Company Limited olan büyük miktarda trafik gözleniyor. Başka beş altı Çinli şirket de müşteri web sitelerini sürekli yokluyor.
Uydu görüntülerinde ucuz güneş enerjisinden yararlanan büyük ölçekli veri merkezi inşaatları görülüyor. Birkaç ay önce bu IP’lerin coğrafi bilgileri Shanghai veya Shenzhen olarak görünmeye başladı, ancak gecikme ölçümlerine göre hâlâ Sincan bölgesinden çalışıyor gibi görünüyorlar.
Referans materyal ‘You Can't Cheat Time: Finding foes and yourself with latency trilateration’ https://youtu.be/_iAffzWxexA ve HN kullanıcısı lopoc tarafından sağlandı. Shenzhen ile Sincan’ı ayırt etmek zor, ancak Shanghai ile Sincan arasındaki fark ortaya çıkıyor.
Çin’in yalnızca damıtma yaptığını varsaymak büyük hata olur. ByteDance ve Xiaomi’de görüldüğü gibi Çin artık yalnızca düşük katma değerli kopyalama yapan geri kalmış bir yer değil.
Çinli şirketler de ABD’li şirketler gibi insanlara ödeme yapıp web’i tarayarak veri topluyor. Anladığım kadarıyla hükümet, bazı büyük şirketlerin web’i hızla toplayıp derlem oluşturduktan sonra bunu Çin içindeki stratejik şirketlere sunmasını teşvik ediyor.
Uygulama, web sitesi ve servis verilerini satın alan toplayıcılar da var; OpenRouter veya Cursor gibi sistemler üzerinden kodlama ajanlarıyla konuşmaların çalıştırma izleri de eğitilebilir. Bu sayede DeepSeek gibi küçük bir şirketin yüzlerce siteden ve kodlama ajanından doğrudan veri toplaması gerekmediği için maliyet büyük ölçüde azalıyor.
ABD LLM API’lerini satın alıp Çinli şirketlere aktaran şirketler de var. ABD yapay zeka ürünlerini kullanan şirket sayısı 10 bini aşsa bile Çin’in kullanım biçimlerini ve çalıştırma izlerini kaydedip eğitimde kullanma olasılığı var.
“Anthropic ve OpenAI’ın en ileri seviye zekânın birim başına maliyetinde büyük olasılıkla en düşük maliyete sahip olduğu” şeklindeki temel varsayım yeterince kanıtlanmış değil. Aynı koşullarda tek bir yanıt almak için gereken token sayısını karşılaştıran bir benchmark da yok; yalnızca ABD modellerinin token açısından daha verimli olduğuna dair belirsiz bir ima var
Çin ve ABD’nin ortalama elektrik fiyatları da karşılaştırılmamış; bu noktada Çin üstün görünüyor. Kodlama benchmark’larının vb. satışların maliyetini gözden kaçırdığına katılıyorum, ancak “en ileri araştırma laboratuvarları sorun yaşamaz” sonucu büyük bir varsayıma dayanıyor
İnternetteki herkese açık bilgileri kazıyıp LLM yapmak serbestse, o modeli tekrar damıtmak da serbest olmalı. Eğitim verisi toplamayı adil kullanım olarak açıkça tanımlayıp damıtmayı yasaklayan kullanım şartlarını engelleme önerisi, kendi ettiğini bulmak gibi
İnterneti bir kamu malı olarak görüp laboratuvarlardan vergi alınabilir, ancak bu damıtmadan farklı bir mesele
Doğrudan ajan çalıştırma ortamı kurup denediğimde, yapay zekânın performansının neredeyse tamamen modelin kendisinden geldiğini, çalıştırma ortamının pek önemli olmadığını gördüm. Benchmark amaçlı mini-swe-agent gibi asgari bir kurulum bile olsa model işleri iyi yapıyor
Bu yüzden çalıştırma ortamının hendek olduğu iddiasına şüpheyle bakıyorum; özellikle Claude Code uzun zamandır çok hatalıydı
İlgili yazı https://stratechery.com/2026/anthropics-safety-superpower/ adresinde. Kullanıcı temas noktasına sahip olup tüm işlerin kanvası hâline gelince güçlü bir kilitleme etkisi doğar; bu yüzden yazılımın genel amaçlı girdisi olarak kalmak istemeyen en ileri laboratuvarlar ile mevcut yazılım şirketleri eninde sonunda çatışacak
“Çin malı” ile “güvenilmez”i aynı şey gibi görüyorlar, fakat daha önemli ayrım açık ve kapalı ayrımı. Açık modeller denetlenebilir, ince ayar yapılabilir ve tamamen kendi donanımınızda çalıştırılabilir; kapalı modeller ise fiilen “bize güvenin” yaklaşımıdır
ABD’den başlayarak tüm dünya Çin’in en ileri araştırma laboratuvarlarını izlemeli. Çin’in her zaman birkaç ay geriden geleceğini varsayamayız; eşit olabilir ya da öne geçebilir
Politika yapıcılar çelik, güneş enerjisi ve elektrikli araçlardan çıkarılan dersleri öğrenmeli. Çin hükümetinin tüm bir sektörü ele geçirecek bir sistem kurma biçimi saygı duyulup incelenmeyi hak ediyor; demokratik ülkeler ise sistem değişmedikçe yapay zekâyı benimsemede doğası gereği daha yavaş kalacak
ABD, Avrupa ve Hindistan gibi demokratik hükümetler, iktidar değişikliklerinden bağımsız olarak uygulanacak uzun vadeli bir yapay zeka stratejisi oluşturmalı ve kendi laboratuvarlarını sıkı biçimde korumalı. Ancak bunun mümkün olması için yerli laboratuvarların üretken görev başına zekâ fiyatının açık ağırlıklı modellerle benzer olması gerekir; şu anda durum böyle değil
Koruma, kurtarma paketi değil; ucuz enerji ve veri merkezi onaylarını hızlıca sağlamak demektir. Ayrıca açık ağırlıklı modelleri müşterilerin yalnızca yerli şirketler ülke içinde barındırdığında kullanmasını sağlayacak asgari güvenlik önlemleri getirilmeli; aksi takdirde rekabet gücü yavaş yavaş kaybedilebilir
OpenAI’dan @deanwball bile damıtma mantığını kabul etmiyor gibi: https://xcancel.com/deanwball/status/2078133895766114412#m
Açık ağırlıkların neden doğası gereği gelişimi yavaşlattığını, açık model merkezli bir dünyanın neden devletin yapay zekâyı dijital kamu altyapısı olarak sunduğu tam bir yapay zeka komünizmine ve distopyaya varacağını anlamak da zor
Anthropic’in Mythos gibi bir modeli varsa, Rusya ve Çin gibi rakip ülkelerin de benzerini ya da daha iyisini çoktan geliştirmiş olması veya fazla geride olmaması kuvvetle muhtemel