Garry Tan z YC popiera destylację modeli AI w USA. Czy to zmieni równowagę między laboratoriami?
Garry Tan z Y Combinator wyraził poparcie dla destylacji modeli przez amerykańskie laboratoria open-weight. Jego stanowisko kontrastuje z wezwaniami Anthropic do regulacji działań chińskich podmiotów.
Stanowisko Garry’ego Tana wobec destylacji modeli
Garry Tan z Y Combinator stwierdził w wywiadzie dla CNBC, że regulatorzy powinni pozostać bierni wobec destylacji modeli AI. Amerykańska destylacja modeli według niego powinna być dozwolona, aby wzmocnić ofertę open-weight. Tan podkreślił, że mniejsze laboratoria w USA mogłyby korzystać z tych samych technik, co podmioty chińskie.
Jego argumentacja opiera się na przekonaniu, że dostęp do wiedzy wytrenowanej na publicznych danych powinien mieć charakter dobra publicznego. Tan zaznaczył, że zamknięte modele nie powinny narzucać ograniczeń użytkownikom końcowym poprzez warunki API.
Technika destylacji i jej zastosowanie w AI
Destylacja polega na intensywnym odpytywaniu modelu frontier w celu zrozumienia jego mechanizmów rozumowania. Technika ta jest powszechnie stosowana przez laboratoria AI do szkolenia nowych modeli i jest uznawana za legalną. Tan chce, aby amerykańskie podmioty open-weight mogły stosować ją wobec modeli krajowych.
W ten sposób USA mogłyby zbudować silniejszą bazę otwartych rozwiązań, niezależnych od chińskich laboratoriów. Takie podejście ma zapobiec sytuacji, w której zaawansowane modele pozostają dostępne wyłącznie w formie zamkniętej.
Raport Anthropic i zarzuty wobec Chin
Anthropic opublikował raport wskazujący na nielegalne ataki destylacyjne ze strony chińskich laboratoriów. Firma zarzuca im ukrywanie tożsamości oraz wykorzystywanie skradzionych danych uwierzytelniających. CEO Anthropic, Dario Amodei, wcześniej apelował o zaostrzenie regulacji w tym zakresie.
Tan nie zgadza się z tym stanowiskiem i uważa, że działania te stanowią nadmierną ingerencję w prawa użytkowników. Jego zdaniem zamknięte laboratoria same korzystały z szerokiego dostępu do danych publicznych podczas treningu.
Argumenty za otwartym dostępem do modeli
Tan podkreślił, że kontrola nad tym, co użytkownicy robią z wywołaniami API modeli zamkniętych, jest zbyt restrykcyjna. Dostęp do inteligencji wytrenowanej na publicznych danych powinien być bardziej powszechny. Takie podejście ma umożliwić rozwój mniejszych laboratoriów open-weight w USA.
Jego zdaniem równowaga między modelami frontier a otwartymi rozwiązaniami jest niezbędna dla dalszego postępu. Laboratoria rozwijające modele frontier powinny pozostać rentowne, ale jednocześnie modele open-weight mają zapewniać szerszy dostęp do technologii.
Ryzyko monopolizacji w branży AI
Tan wskazał, że największym zagrożeniem jest sytuacja, w której cała moc AI skupia się w rękach jednej firmy. Taki scenariusz oznacza dominację jednego podmiotu z najlepszym dostępem do kapitału i talentów. Monopol ten mógłby ograniczyć innowacje i dostępność technologii.
Dlatego popiera rozwój modeli open-weight jako przeciwwagę dla zamkniętych rozwiązań. Ma to pozwolić na większą dywersyfikację i zmniejszenie ryzyka koncentracji władzy w sektorze AI.
Implikacje dla narzędzi opartych na AI
Rozwój destylacji w USA może wpłynąć na dostępność zaawansowanych modeli dla zastosowań praktycznych, w tym narzędzi tradingowych. Chiński model GLM-5.2 dogania liderów kodowania, co pokazuje rosnące możliwości otwartych rozwiązań. Podobnie DeepSeek V4 z kontekstem miliona tokenów otwiera nowe opcje dla analityki.
Amerykańskie laboratoria stosujące destylację mogłyby dostarczyć konkurencyjne alternatywy. Rynek zyskuje w ten sposób większą różnorodność modeli dostępnych bez ograniczeń licencyjnych.
Niniejszy artykuł ma charakter informacyjny i edukacyjny. Nie stanowi rekomendacji inwestycyjnej, doradztwa finansowego ani oferty kupna/sprzedaży instrumentów finansowych. Handel na rynku Forex wiąże się z ryzykiem utraty kapitału. Decyzje inwestycyjne podejmuj na własną odpowiedzialność po konsultacji z licencjonowanym doradcą.
