چین چگونه قواعد رقابت هوش مصنوعی را تغییر می‌دهد؟ از برتری مدل‌های آمریکایی تا قدرت ژئوپولیتیکی مدل‌های باز چین

محمد علی فلاحی، کارشناس ارشد روابط بین‌الملل

مقدمه

رقابت هوش مصنوعی میان چین و ایالات متحده معمولاً مسابقه‌ای خطی تصور می‌شود که در آن آمریکا در مرز فناوری قرار دارد و چین می‌کوشد فاصله را کاهش دهد. این تصویر، تحول راهبردی سال ۲۰۲۶ را پنهان می‌کند. مسئله فقط این نیست که کدام کشور قدرتمندترین مدل را می‌سازد، بلکه این است که چه کسی معیارهای قدرت هوش مصنوعی را تعریف می‌کند. چین می‌کوشد رقابت را از برتری مطلق در مدل‌های مرزی به توان انتشار، بومی سازی، کاهش هزینه، ادغام صنعتی و ایجاد وابستگی زیرساختی منتقل کند. در این چهارچوب، مدل باز صرفاً انتخابی مهندسی نیست، بلکه ابزار سیاست صنعتی، دیپلماسی فناوری و تولید نفوذ در نظام بین الملل است.

گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۶ نشان می‌دهد که فاصله عملکردی میان بهترین مدل‌های آمریکایی و چینی به شدت کاهش یافته است. مدل‌های دو کشور از اوایل ۲۰۲۵ چند بار جایگاه نخست را میان خود جابه جا کرده‌اند و در مارس ۲۰۲۶ برتری بهترین مدل آمریکایی تنها ۲٫۷ درصد گزارش شد. با این حال، آمریکا همچنان در تعداد مدل‌های ممتاز، سرمایه گذاری خصوصی، مراکز داده و اختراع اثرگذار برتری دارد. سرمایه گذاری خصوصی هوش مصنوعی آمریکا در سال ۲۰۲۵ به ۲۸۵٫۹ میلیارد دلار رسید، در حالی که رقم چین ۱۲٫۴ میلیارد دلار بود. نزدیک شدن عملکرد مدل‌ها بنابراین به معنای برابری ساختاری دو اکوسیستم نیست  (Stanford Institute for Human Centered Artificial Intelligence, 2026).

 

تغییر واحد سنجش قدرت

مزیت آمریکا بر سرمایه، تراشه‌های پیشرفته، ظرفیت محاسباتی و شرکت‌هایی استوار است که مرزهای علمی مدل‌های عمومی را جابه جا می‌کنند. اما این الگو محدودیتی ژئوپولیتیکی دارد. هرچه مدل‌ها بسته‌تر، گران‌تر و وابسته‌تر به خدمات ابری اختصاصی باشند، امکان استفاده مستقل دولت‌ها، دانشگاه‌ها و بنگاه‌های کوچک کاهش می‌یابد. برتری در رأس هرم فناوری لزوماً به تسلط بر بازار جهانی منجر نمی‌شود. چین در فاصله میان برتری فنی و انتشار جهانی مداخله کرده است. پکن هوش مصنوعی را زمانی منبع قدرت ملی می‌داند که از آزمایشگاه خارج شود و در کارخانه، شبکه برق، بیمارستان، حمل و نقل، دولت محلی و زنجیره تأمین حضور یابد. بروکینگز رقابت میان دو کشور را مجموعه‌ای از رقابت‌های هم زمان در محاسبات، مدل، پذیرش، ادغام و استقرار می‌داند. آمریکا در مرز فناوری پیشتاز است، اما چین از طریق افزایش کارایی، انتشار مدل‌های باز و پیوند هوش مصنوعی با اقتصاد واقعی مزیتی متفاوت ایجاد می‌کند  (Chan, 2026).

در نتیجه، معیار تعیین کننده فقط هوشمندترین مدل نیست، بلکه مدلی است که به زیرساخت عمومی اقتصاد تبدیل شود. برای بسیاری از کشورهای در حال توسعه، مدل ارزان، قابل میزبانی محلی و قابل تنظیم از مدلی جذاب‌تر است که عملکرد برتر دارد، اما به پرداخت مستمر و انتقال داده به سرور خارجی وابسته است. رقابت به تدریج از توانایی تولید هوش به توانایی توزیع، سازگار سازی و نهادینه کردن آن منتقل می‌شود.

 

مدل باز به عنوان سیاست صنعتی

بسیاری از مدل‌های چینی در واقع «وزن باز»[1] هستند. این امر به این معناست که پارامترهای آموزش دیده منتشر می‌شوند، اما داده آموزشی و همه جزئیات فرایند آموزش در دسترس قرار نمی‌گیرند. با این حال، انتشار وزن‌ها به توسعه دهندگان اجازه می‌دهد مدل را روی زیرساخت خود اجرا و برای زبان یا صنعت خاص تنظیم کنند. فناوری از یک خدمت خارجی به دارایی قابل تصرف و بومی سازی تبدیل می‌شود و همین امر به آن ارزش ژئوپولیتیکی می‌دهد. گزارش کار دولت چین در سال ۲۰۲۶ حمایت از جوامع هوش مصنوعی متن باز، ساخت زیست بوم باز، گسترش طرح «هوش مصنوعی پلاس»، توسعه خوشه‌های محاسباتی و کاربرد عامل‌های هوشمند را در اولویت قرار داد. مدل باز از راهبرد چند شرکت فراتر رفته و به بخشی از برنامه ملی توسعه تبدیل شده است. هدف، ایجاد چرخه‌ای است که در آن مدل‌های ارزان پذیرش را افزایش دهند، کاربرد گسترده تجربه تولید کند، و این تجربه به بهبود نرم افزار، تراشه و راه حل‌های صنعتی داخلی بازگردد  (State Council of the People’s Republic of China, 2026).

این چرخه پاسخی به کنترل صادرات آمریکا نیز هست. واشنگتن با محدود کردن دسترسی چین به تراشه‌های پیشرفته کوشیده است توسعه مدل‌های مرزی را کند کند. با این حال، در ژانویه ۲۰۲۶ بررسی موردی مجوز صادرات تراشه‌هایی مانند انویدیا[2]و ای‌.ام.دی[3]‌ تحت شرایط امنیتی پذیرفته شد. این تغییر تعارض درونی سیاست آمریکا را آشکار می‌کند. ممنوعیت شدید می‌تواند چین را به توسعه سریع تر زنجیره مستقل سخت افزار و نرم افزار سوق دهد، اما دسترسی کنترل شده نیز ظرفیت رقیب را افزایش می‌دهد. آمریکا هم زمان می‌خواهد پیشتازی محاسباتی خود را حفظ کند و اکوسیستم جهانی را وابسته به فناوری آمریکایی نگه دارد (Bureau of Industry and Security, 2026).

کنترل صادرات در کوتاه مدت هزینه توسعه هوش مصنوعی در چین را افزایش می‌دهد، اما در بلندمدت می‌تواند انگیزه بیشتری برای یکپارچه سازی تراشه‌های بومی، چهارچوب‌های نرم افزاری داخلی و مدل‌های کم مصرف ایجاد کند. این وضعیت نشان می‌دهد سیاست مهار فناوری الزاماً رقیب را از میدان خارج نمی‌کند، بلکه گاهی الگوی نوآوری او را تغییر می‌دهد. چین به جای تکرار مسیر پرهزینه شرکت‌های آمریکایی بر بهینه سازی محاسبات، کاهش هزینه استنتاج و سازگاری با سخت افزارهای محدودتر متمرکز شده است.

اقتصاد توکن و معماری وابستگی

راهبرد چین را می‌توان اقتصاد سیاسی توکن ارزان نامید. هدف نخست لزوماً کسب بیشترین سود از هر کاربر نیست، بلکه افزایش حجم استفاده، تبدیل مدل به انتخاب پیش فرض توسعه دهندگان و تسخیر لایه‌های کاربردی است. مریکس گزارش می‌دهد که مدل‌های چینی از اواخر ۲۰۲۵ در میزان دریافت از هاجینگ فیس از مدل‌های آمریکایی پیشی گرفته‌اند و هفت مدل نخست از میان ده مدل وزن باز برتر از نظر عملکرد، چینی بوده‌اند. قیمت پایین، کارایی محاسباتی و امکان میزبانی مستقل به این مدل‌ها در محیط‌های حساس به هزینه مزیت می‌دهد (Chang, 2026).

مدل کم هزینه دروازه ورود به یک اکوسیستم است. ابزارهای توسعه، خدمات ابری، تراشه‌های سازگار و آموزش پیرامون آن شکل می‌گیرند. کشوری که مدل چینی را برای دولت دیجیتال یا صنعت تنظیم می‌کند، ممکن است در معماری فنی همان اکوسیستم تثبیت شود. وابستگی فقط از مسیر ذخیره داده ایجاد نمی‌شود، بلکه استانداردها و مسیر به روز رسانی نیز انتخاب‌های آینده را محدود می‌کنند. این الگو با مفهوم قدرت زیرساختی ارتباط دارد. قدرت زیرساختی الزاماً از کنترل مستقیم کاربران حاصل نمی‌شود، بلکه از توانایی تعیین محیطی ناشی می‌شود که دیگر بازیگران درون آن تصمیم می‌گیرند. زمانی که شرکت‌ها، دانشگاه‌ها و دولت‌ها مدل‌های چینی را مبنای نرم افزارها، بانک‌های اطلاعاتی و فرایندهای اداری خود قرار دهند، هزینه انتقال به اکوسیستم دیگر افزایش می‌یابد. مدل باز در ظاهر امکان خروج می‌دهد، اما شبکه ابزارها و مهارت‌های پیرامون آن می‌تواند ماندگاری وابستگی را تضمین کند.

 

دیپلماسی هوش مصنوعی چین

در سال ۲۰۲۶، پکن مدل‌های باز را آشکارا وارد زبان سیاست خارجی کرد. شی جین پینگ در کنفرانس جهانی هوش مصنوعی شانگهای بر متن باز بودن، همکاری و اشتراک گذاری تأکید کرد و توسعه ظرفیت کشورهای جنوب جهانی را برای جلوگیری از شکاف تازه هوش مصنوعی ضروری دانست. او از آموزش پنج هزار نفر از کشورهای در حال توسعه، ایجاد مراکز همکاری کاربردی با سازمان‌های منطقه‌ای و ارائه سامانه هشدار هواشناسی مبتنی بر هوش مصنوعی به سی کشور خبر داد  (Xi, 2026).

این اقدامات، هوش مصنوعی را به ابزار دیپلماسی ظرفیت سازی تبدیل می‌کند. چین می‌کوشد خود را نه فقط فروشنده فناوری، بلکه تأمین کننده کالای عمومی دیجیتال معرفی کند. این روایت برای کشورهایی جذاب است که از تمرکز مدل‌های پیشرفته در چند شرکت آمریکایی، هزینه بالای خدمات ابری و احتمال محدود شدن دسترسی در شرایط بحران نگران‌اند. مدل باز به پکن امکان می‌دهد عدالت فناورانه، حاکمیت دیجیتال و حق توسعه را با منافع صنعتی خود پیوند دهد. ژئوپولیتیک در اینجا از طریق شیوه انتشار فناوری ساخته می‌شود. این روایت بدون تناقض نیست. اکوسیستم داخلی چین تحت نظارت محتوایی و الزامات امنیت داده قرار دارد و باز بودن وزن مدل نیز شفافیت درباره داده آموزشی یا سازوکار ایمنی را تضمین نمی‌کند. کشورهای دریافت کننده باید میان بومی سازی واقعی و وابستگی پنهان تمایز قائل شوند. پذیرش مدل چینی ممکن است استقلال از شرکت‌های آمریکایی را افزایش دهد، اما لزوماً به استقلال کامل فناورانه منجر نخواهد شد.

 

پاسخ دشوار آمریکا

چالش آمریکا از دست دادن فوری برتری فنی نیست. مشکل آن است که مدل کسب و کار شرکت‌های آمریکایی الزاماً با هدف ژئوپولیتیکی انتشار گسترده هم راستا نیست. آزمایشگاه‌های مرزی برای بازگشت سرمایه به مدل‌های بسته، خدمات ابری و کنترل مالکیتی گرایش دارند. چین می‌تواند بخشی از هزینه انتشار را سرمایه گذاری راهبردی برای نفوذ صنعتی و استانداردگذاری تلقی کند. پاسخ مؤثر واشنگتن بنابراین فقط تشدید کنترل صادرات نیست. آمریکا به مدل‌های وزن باز رقابتی، زیرساخت محاسباتی قابل دسترس برای متحدان و بسته‌های توسعه‌ای نیاز دارد که فناوری آمریکایی را از نظر هزینه، زبان و حاکمیت داده جذاب نگه دارد. در غیر این صورت، امکان دارد آمریکا بهترین مدل‌ها را در اختیار داشته باشد، اما بخش بزرگی از بازار جهانی کاربردهای هوش مصنوعی را به اکوسیستم چین واگذار کند.

 

نتیجه‌گیری

نوآوری اصلی چین ساخت یک مدل خاص نیست، بلکه تغییر واحد سنجش قدرت هوش مصنوعی است. اگر قدرت فقط با امتیاز بهترین مدل اندازه‌گیری شود، آمریکا همچنان مزیت مهمی دارد. اما اگر قدرت به معنای حضور در فرایندهای صنعتی، تسلط بر ابزارهای توسعه، شکل دادن به استانداردها و تبدیل شدن به زیرساخت شناختی کشورهای دیگر باشد، نتیجه رقابت هنوز مشخص نیست. چین میدان رقابت را از آزمایشگاه به اکوسیستم و از مالکیت فناوری به معماری وابستگی منتقل می‌کند. نظم آینده ممکن است دو لایه باشد. مدل‌های ممتاز آمریکایی وظایف پیچیده و پردرآمد را انجام دهند، در حالی که مدل‌های چینی بخش بزرگی از پردازش روزمره، کاربردهای محلی و خدمات کم هزینه را در اختیار گیرند. در چنین نظمی، شاید آمریکا مغزهای ممتاز را تولید کند، اما چین زبان مشترک ماشین‌های جهان را بسازد. خطر راهبردی برای واشنگتن عقب افتادن در یک معیار فنی نیست، بلکه تبدیل شدن برتری علمی آن به جزیره‌ای گران قیمت در اقیانوسی از کاربردهای مبتنی بر مدل‌های چینی است. پرسش تعیین کننده دیگر این نیست که چه کسی نخست به هوش عمومی مصنوعی می‌رسد. پرسش این است که چه کسی قواعد دسترسی، قابلیت تغییر، هزینه استفاده و حق میزبانی هوش مصنوعی را تعریف خواهد کرد. قدرت آینده در اختیار کشوری قرار می‌گیرد که دیگران را نه فقط مصرف کننده مدل، بلکه توسعه دهنده درون اکوسیستم خود کند. چین با مدل‌های باز در حال ساخت همین امکان است و به همین دلیل، رقابت هوش مصنوعی به منازعه‌ای بر سر سازمان دهی وابستگی فناورانه جهانی تبدیل شده است.

منابع

 

• Stanford Institute for Human Centered Artificial Intelligence. (2026). The 2026 AI Index report. Stanford University.
• Bureau of Industry and Security. (2026, January 13). Department of Commerce revises license review policy for semiconductors exported to China. U.S. Department of Commerce.
• State Council of the People’s Republic of China. (2026, March 13). Report on the work of the government.
• Chan, K. (2026, April 16). Competing AI strategies for the US and China. Brookings Institution.
• Chang, W. (2026, June 3). China’s AI competition strategy: Wide dispersion, cheap tokens. Mercator Institute for China Studies.
• Xi, J. (2026, July 17). Joining hands to build a just and equitable system for global AI governance. Xinhua News Agency.

 

[1]. Open-Weight

[2]. NVIDIA H200

[3]. AMD MI325X