Китайські військові дослідники використовували результати роботи американських моделей OpenAI та Anthropic, щоб навчати власні системи штучного інтелекту для оборонних потреб. Це встановив Reuters, проаналізувавши понад 80 китайських наукових праць і патентів. Йдеться насамперед про дистиляцію — перенесення окремих можливостей великих моделей у компактні системи, здатні працювати в локальних мережах і на обладнанні з обмеженими ресурсами.
Коротко про головне
- Reuters проаналізував понад 80 китайських наукових праць і патентів.
- Дослідники застосовували дистиляцію відповідей моделей OpenAI та Anthropic.
- GPT-3.5 використали для обробки військового програмного коду.
- Технологію тестували для дронів, розпізнавання цілей і моніторингу контенту.
- Дистильовані моделі не відтворюють повних можливостей передових систем.
Від програмного коду до тактичних платформ
Reuters також перевірив академічні публікації, зібрані вашингтонським Jamestown Foundation, і виявив ще близько двох десятків прикладів, пов’язаних із військовими структурами. За оцінкою дослідника фонду Санні Ченга, китайські науковці системно намагаються перенести в менші моделі логіку міркувань західних систем — для спостереження, кібервійни та тактичного ухвалення рішень.
Одна з робіт, опублікована торік дослідниками підрозділу НВАК 96941 у Пекіні, описує використання GPT-3.5 для узагальнення військового програмного коду. Автори вважали сторонні моделі непридатними для роботи з секретними даними, тому навчили вітчизняну систему на цих узагальненнях. Її передбачалося запускати повністю всередині китайських військових мереж.
У дослідженні Національного університету оборонних технологій НВАК за 2024 рік дистиляцію застосували, щоб зменшити модель обробки зображень для встановлення на безпілотники. Така система мала аналізувати відео в реальному часі й допомагати з навігацією та вибором цілей, навіть коли зв’язок перервано. Академія військових наук Китаю, своєю чергою, тестувала модель розпізнавання цілей на тактичному обладнанні під час змодельованих морських операцій за участю дронів, кораблів і безпілотних підводних апаратів.
Чому дистиляція стала предметом суперечки
Дистиляція сама по собі є поширеною практикою в індустрії: потужна модель генерує відповіді або навчальні дані, на яких тренують меншу спеціалізовану систему. Це знижує обчислювальні вимоги та дає змогу розгортати модель локально. Для Китаю такий підхід особливо актуальний на тлі американських обмежень на доступ до передових чипів; центральна і місцева влада країни підтримують «полегшення» моделей і периферійні обчислення для пристроїв на кшталт дронів і супутників.
Вашингтон звинувачував окремі китайські структури у використанні дистиляції для несанкціонованого вилучення можливостей американських моделей, що, на думку США, може послаблювати експортний контроль і порушувати права інтелектуальної власності. Пекін відкидав ці закиди, називаючи політику США AI-«гегемонізмом», а стартап Moonshot заперечив твердження адміністрації Трампа, ніби його Kimi K3 створили за допомогою дистиляції.
Anthropic заявила Reuters, що не надає комерційного доступу до Claude в Китаї чи підконтрольним Пекіну компаніям і застосовує моніторинг для виявлення порушень правил. Компанія застерегла: менші моделі можуть втрачати вбудовані запобіжники безпеки первинної системи, а це здатне передавати чутливі можливості поза контролем розробника.
Перевага в розгортанні не означає технологічної незалежності
Китайські військові дослідники водночас розглядають дистиляцію і як ризик. У січні науковці Армійського інженерного університету описали загрозу «дистиляції без даних» — методу зворотного відтворення можливостей моделі без прямого доступу до її базових параметрів. Вони запропонували приховувати логічну інформацію, яка може проявлятися у публічних відповідях системи.
Співзасновник компанії AI-даних Sapien Тревор Коверко наголосив, що дистильовані системи залишаються слабшими за моделі, на яких вони навчалися. Отже, цей метод дає змогу переносити окремі функції у дешевші й контрольовані локальні інструменти, але не замінює масштабних обчислень, потрібних для створення передових AI-моделей із нуля.
