رقابت هوش مصنوعی (Artificial Intelligence – AI) میان ایالات متحده و چین معمولاً با شاخصهایی مانند قدرت مدلهای زبانی بزرگ (Large Language Models – LLMs)، ظرفیت محاسباتی (Computing Capacity)، دسترسی به تراشههای پیشرفته (Advanced Chips) یا جایگاه شرکتهایی مانند OpenAI، گوگل، آنتروپیک، دیپسیک و علیبابا سنجیده میشود. بااینحال، گزارش تازه مؤسسه RAND نشان میدهد که تمرکز صرف بر مدلهای مرزی، تنها بخش محدودی از واقعیت اکوسیستم هوش مصنوعی دو کشور را آشکار میکند.
RAND در گزارش «توسعه هوش مصنوعی در ایالات متحده و چین؛ شواهدی از یک مجموعهداده جدید درباره شرکتهای توسعهدهنده هوش مصنوعی» (AI Development in the United States and China: Evidence from a New Dataset of AI Developer Firms) که در ۱۷ اوت ۲۰۲۶ منتشر شده، کوشیده است تصویری مبتنی بر داده از ساختار تجاری و فنی صنعت هوش مصنوعی دو کشور ارائه کند.
این گزارش ۶۴ صفحهای بر مجموعهدادهای (Dataset) متشکل از ۱۱۸۱ شرکت توسعهدهنده هوش مصنوعی ــ شامل ۷۴۳ شرکت آمریکایی و ۴۳۸ شرکت چینی ــ استوار است و وضعیت این شرکتها را در ژانویه و فوریه ۲۰۲۶ بررسی میکند.
اهمیت گزارش در این است که بهجای تمرکز بر اسناد رسمی دولتها یا چند شرکت مشهور، اکوسیستم شرکتهای توسعهدهنده هوش مصنوعی را در سطح بنگاه تحلیل میکند. نویسندگان اطلاعات مربوط به جهتگیری تجاری، منشأ مدلها، حوزههای کاربرد، معماری مدل، الگوی یادگیری، نوع داده و شکل فیزیکی محصولات را از منابع عمومی گردآوری کردهاند.
در فرایند طبقهبندی نیز از عاملهای جستوجوی مبتنی بر مدلهای زبانی بزرگ (LLM-Based Search Agents) در کنار چند مرحله اعتبارسنجی انسانی استفاده شده است. هدف RAND آن بوده است که بحث درباره رقابت هوش مصنوعی آمریکا و چین را از اتکا به شواهد پراکنده، روایتهای رسانهای و اولویتهای اعلامشده دولتها خارج کرده و بر دادههای قابل مشاهده در سطح شرکتها استوار کند.
«شباهتهایی بیشتر از تصور رایج»
نخستین یافته گزارش، بسیاری از روایتهای سادهسازیشده درباره تفاوت بنیادین مسیر آمریکا و چین را به چالش میکشد. برخلاف این تصور که دو کشور الگوهای کاملاً متفاوتی از توسعه هوش مصنوعی را دنبال میکنند، اکوسیستم شرکتهای آمریکایی و چینی در بخش مهمی از ویژگیهای فنی و تجاری به یکدیگر شباهت دارد.
در هر دو کشور، معماری ترنسفورمر (Transformer Architecture) جایگاه غالب را دارد و سهم شرکتهایی که به توسعه مدلهای بنیادین (Foundation Models) میپردازند، حدود ۱۹ تا ۲۰ درصد است. همچنین فقط حدود ۱۰ درصد شرکتها در هر کشور، مدل را بهعنوان خدمت عرضه میکنند.
بخش عمده شرکتهای آمریکایی و چینی بهجای فروش مستقیم دسترسی به مدلهای عمومی، محصولات کاربردی هوش مصنوعی، مدلهای وظیفهمحور (Task-Specific Models) یا راهکارهای تخصصی برای حوزههای مشخص تولید میکنند. طبق دادههای RAND، حدود ۹۰ درصد شرکتهای آمریکایی و ۷۵ درصد شرکتهای چینی در دسته تولیدکنندگان محصولات کاربردی قرار میگیرند.
این یافته از یک جهت اهمیت ویژهای دارد: آنچه در رسانهها بهعنوان «رقابت هوش مصنوعی آمریکا و چین» بازنمایی میشود، عمدتاً رقابت میان تعداد محدودی از ارائهدهندگان مدلهای مرزی و رابطهای برنامهنویسی کاربردی (Application Programming Interfaces – APIs) است؛ درحالیکه بخش بزرگتر اکوسیستم هوش مصنوعی در هر دو کشور از شرکتهایی تشکیل شده که مدلها را در محصولات، فرایندها و صنایع مشخص به کار میگیرند.
RAND همچنین شواهد معناداری پیدا نکرده است که نشان دهد شرکتهای چینی، در مقایسه با شرکتهای آمریکایی، به شکل گستردهتری معماریهای پساترنسفورمری (Post-Transformer Architectures) یا روشهایی مانند رایانش نورومورفیک (Neuromorphic Computing) را دنبال میکنند. بنابراین، این ادعا که آمریکا تنها بر یک مسیر فنی متمرکز شده، اما چین همزمان معماریهای متنوعی را دنبال میکند، دستکم در سطح شرکتهای تجاری بررسیشده، با دادههای گزارش تأیید نمیشود.
«شکاف اصلی؛ نرمافزار در برابر هوش مصنوعی جسمیتیافته»
مهمترین تفاوت دو اکوسیستم نه در معماری مدلها، بلکه در محیطی است که هوش مصنوعی برای فعالیت در آن طراحی میشود. طبق یافتههای RAND، ۶۱ درصد شرکتهای آمریکایی محصولات صرفاً نرمافزاری (Software-Only Products) تولید میکنند؛ این رقم در میان شرکتهای چینی تنها ۲۶ درصد است.
شرکتهای چینی حضور گستردهتری در حوزه هوش مصنوعی جسمیتیافته (Embodied AI) دارند؛ یعنی سامانههایی که هوش مصنوعی را از محیط صرفاً نرمافزاری خارج کرده و در رباتها، خودروها، تجهیزات صنعتی، شبکههای حسگر و دیگر اشیای فیزیکی به کار میگیرند.
برای نمونه، سهم شرکتهای فعال در حوزه رباتهای انساننما (Humanoid Robots) در چین حدود ۱۲ درصد و در آمریکا حدود ۲ درصد است. همچنین رباتهای زمینی و چهارپا (Ground Robots and Quadrupeds) در ۲۴ درصد شرکتهای چینی و ۱۶ درصد شرکتهای آمریکایی مشاهده میشوند. سهم شرکتهای فعال در خودروهای خودران (Autonomous Vehicles) نیز در چین ۱۴ درصد و در آمریکا ۷ درصد است.
این تفاوت در حوزههای کاربرد نیز قابل مشاهده است. شرکتهای چینی بیشتر در بخشهای مرتبط با اقتصاد فیزیکی (Physical Economy) مانند تولید صنعتی، حملونقل و انرژی متمرکز شدهاند. حدود ۳۰ درصد شرکتهای چینی در حوزه تولید فعالیت دارند؛ درحالیکه این رقم برای آمریکا ۱۵ درصد است. در حملونقل نیز سهم چین ۲۶ درصد و سهم آمریکا ۱۵ درصد گزارش شده است. در بخش انرژی، نسبت دو کشور ۱۲ به ۶ درصد است.
در مقابل، شرکتهای آمریکایی حضور بیشتری در حوزههای دانشمحور دارند. سلامت و علوم زیستی، پژوهش علمی و امنیت سایبری از مهمترین بخشهایی هستند که تمرکز شرکتهای آمریکایی در آنها بیشتر از شرکتهای چینی است.
این تفاوت را میتوان در نوع دادههای مورد استفاده شرکتها نیز مشاهده کرد. شرکتهای چینی بیشتر با دادههای سهبعدی و فضایی (3D and Spatial Data)، دادههای حسگرها (Sensor Data) و اینترنت اشیا (Internet of Things – IoT) کار میکنند؛ دادههایی که برای رباتیک، خودروهای خودران و سامانههای صنعتی اهمیت دارند. شرکتهای آمریکایی نیز سهم بیشتری در استفاده از دادههای ساختاریافته، دادههای ژنومی و مولکولی و برخی دادههای مرتبط با فعالیتهای دانشمحور دارند.
«یک روش فنی مشابه با دو کاربرد متفاوت»
حتی در مواردی که سهم استفاده از یک روش فنی در دو کشور برابر است، نوع کاربرد آن تفاوت دارد. یادگیری تقویتی (Reinforcement Learning – RL) نمونه روشنی از این وضعیت است. براساس گزارش RAND، یادگیری تقویتی در حدود ۱۹ درصد شرکتهای هر دو کشور مشاهده میشود. بااینحال، شرکتهای آمریکایی بیشتر از آن برای آموزش و همترازی مدلهای زبانی استفاده میکنند. یادگیری تقویتی از بازخورد انسانی (Reinforcement Learning from Human Feedback – RLHF)، بهینهسازی مستقیم ترجیحات (Direct Preference Optimization – DPO) و آموزش مدلهای استدلالی، از کاربردهای برجسته این روش در اکوسیستم آمریکا هستند. در چین، یادگیری تقویتی بیشتر با یادگیری در محیط فیزیکی، کنترل حرکت رباتها، هدایت خودروهای خودران و اتوماسیون صنعتی ارتباط دارد.
این تفاوت نشان میدهد که استفاده از یک روش فنی مشترک الزاماً به تولید قابلیتهای مشابه منجر نمیشود. جهتگیری صنعتی و حوزه کاربرد تعیین میکند که یک فناوری در نهایت به بهبود عملکرد مدلهای زبانی، توسعه خدمات نرمافزاری یا ایجاد ماشینها و سامانههای خودمختار (Autonomous Systems) منتهی شود.
«شباهت در هسته فنی، تفاوت در نظام کاربرد»
مهمترین برداشت تحلیلی از گزارش RAND این است که آمریکا و چین لزوما دو فناوری متفاوت نمیسازند؛ بلکه فناوریهای نسبتاً مشابه را وارد دو نظام کاربردی متفاوت (Application Regimes) میکنند. به بیان دیگر، تفاوت اصلی در خودِ مدل نیست، بلکه در چگونگی پیوند آن با اقتصاد، صنعت، زیرساخت و محیط فیزیکی است.
مدل آمریکایی بیشتر بر تولید و توزیع خدمات نرمافزاری، پلتفرمهای دیجیتال، ابزارهای دانشمحور و کاربردهای مقیاسپذیر جهانی استوار است. مزیت این مسیر، سرعت بالای انتشار، هزینه کمتر تکثیر، امکان دسترسی به بازار جهانی و کسب رانت پلتفرمی از خدمات نرمافزاری است. شرکتهای آمریکایی میتوانند یک مدل یا خدمت دیجیتال را با هزینه نهایی نسبتاً پایین در اختیار میلیونها کاربر و توسعهدهنده قرار دهند.
در مقابل، مسیر چین بر ادغام هوش مصنوعی با ظرفیتهای صنعتی موجود، تولید تجهیزات، رباتیک، حملونقل، انرژی و زنجیرههای تأمین (Supply Chains) تکیه دارد. این مسیر سرمایهبرتر است و توسعه آن احتمالاً به زمان و زیرساخت بیشتری نیاز دارد؛ اما در صورت موفقیت میتواند قابلیتهای فناورانه را مستقیماً به قدرت تولیدی، بهرهوری صنعتی، کنترل زیرساختها و ظرفیتهای دوکاربردی (Dual-Use Capabilities) تبدیل کند.
از این منظر، تفاوت آمریکا و چین را میتوان تفاوت میان دو سازوکار قدرتسازی دانست: آمریکا اغلب از طریق مقیاس نرمافزاری و پلتفرمی (Software and Platform Scale) قدرت تولید میکند و چین بیشتر به دنبال انباشت قابلیت در پیوند میان نرمافزار، سختافزار و صنعت است.
البته این تقسیمبندی مطلق نیست. آمریکا نیز در رباتیک، صنایع دفاعی و خودروهای خودران فعال است و چین نیز مدلهای زبانی و خدمات نرمافزاری قدرتمندی دارد. مسئله اصلی، تفاوت در وزن نسبی این حوزهها در ساختار کلی دو اکوسیستم است.
«آیا تمرکز چین بر هوش مصنوعی جسمیتیافته یک مزیت راهبردی است؟»
گزارش RAND در پاسخ به این پرسش محتاط است. تمرکز بیشتر چین بر رباتیک و کاربردهای فیزیکی لزوماً به معنای برتری این کشور در مسیر دستیابی به هوش عمومی مصنوعی (Artificial General Intelligence – AGI) یا پیشتازی مطلق در رقابت هوش مصنوعی نیست.
آمریکا همچنان در بالاترین سطوح عملکرد مدلهای مرزی، زیرساخت ابری (Cloud Infrastructure)، طراحی تراشه، سرمایهگذاری خطرپذیر و جذب استعدادهای جهانی از مزیتهای مهمی برخوردار است. بااینحال، اگر پیشرفت آینده هوش مصنوعی به تعامل گستردهتر مدلها با محیط واقعی، یادگیری از دادههای فیزیکی، توسعه مدلهای جهان و همتکاملی هوش مصنوعی و رباتیک وابسته باشد، سبد گستردهتر چین در حوزه هوش مصنوعی جسمیتیافته میتواند نوعی پوشش ریسک راهبردی محسوب شود. چین با سرمایهگذاری همزمان در مدلهای زبانی، رباتیک، خودروهای خودران، اتوماسیون و تولید پیشرفته، مسیر جایگزینی را باز نگه داشته است که اکوسیستم نرمافزارمحور آمریکا کمتر از آن برخوردار است.
این موضوع بهویژه از منظر تکنوژئوپلیتیک اهمیت دارد؛ قدرت فناورانه صرفاً از مالکیت یک مدل پیشرفته ناشی نمیشود؛ بلکه به توانایی ترکیب الگوریتم، داده، سختافزار، استاندارد، زیرساخت و ظرفیت صنعتی بستگی دارد. کشوری که بتواند هوش مصنوعی را در مقیاس وسیع وارد کارخانهها، شبکههای انرژی، لجستیک، حملونقل و سامانههای خودکار کند، ممکن است حتی بدون در اختیار داشتن بهترین مدل جهان، قدرت اقتصادی و راهبردی قابلتوجهی تولید کند.
«مدلهای وزنباز؛ ابزار تازه چین برای گسترش نفوذ»
بخش دیگری از گزارش به جایگاه مدلهای وزنباز (Open-Weight Models) چین اختصاص دارد. در این مدلها، وزنهای آموزشدیده مدل در اختیار توسعهدهندگان قرار میگیرد و آنها میتوانند مدل را روی زیرساخت خود اجرا، تنظیم یا برای کاربردهای مشخص سازگار کنند.
از نظر تعداد شرکتهایی که حداقل یک مدل وزنباز منتشر کردهاند، فاصله دو کشور چندان زیاد نیست: حدود ۱۵ درصد شرکتهای آمریکایی و ۱۷ درصد شرکتهای چینی در این دسته قرار میگیرند. اما تفاوت مهمتر در میزان پذیرش این مدلها توسط توسعهدهندگان (Developer Adoption) است.
بررسی دادههای OpenRouter نشان میدهد که مدلهای چینی از سهمی نزدیک به صفر در اواخر ۲۰۲۴، تا آوریل ۲۰۲۶ به سطحی تقریباً برابر با مدلهای آمریکایی در حجم توکن مصرفی (Token Volume) این پلتفرم رسیدهاند. یکی از عوامل احتمالی این رشد، عرضه مدلهای چینی با عملکردی نزدیک به مدلهای پیشرو آمریکایی و قیمتی حدود یکچهارم تا یکپنجم آنهاست.
این روند را میتوان بخشی از یک راهبرد رقابتی متفاوت دانست. درحالیکه شرکتهای پیشرو آمریکایی عمدتاً بر مدلهای مالکیتی و بسته و فروش دسترسی از طریق API تمرکز دارند، انتشار مدلهای وزنباز به شرکتهای چینی امکان میدهد بدون تسلط بر پلتفرمهای جهانی، وارد شبکه ابزارها، محصولات و استانداردهای مورد استفاده توسعهدهندگان شوند.
هرچه شرکتها و برنامهنویسان بیشتری محصولات خود را بر پایه این مدلها بسازند، احتمال شکلگیری وابستگی فنی، اکوسیستمهای مکمل و استانداردهای بالفعل پیرامون فناوری چینی افزایش مییابد.
بااینحال، دادههای OpenRouter نباید بهعنوان معادل سهم بازار جهانی (Global Market Share) تفسیر شود. این پلتفرم بیشتر مورد استفاده توسعهدهندگان حرفهای و حساس به قیمت است و مدلهای وزنباز را بیش از کل بازار نمایندگی میکند. بنابراین، برابری چین و آمریکا در OpenRouter بیشتر نشانهای از افزایش جذابیت مدلهای چینی در بخشی خاص از بازار است، نه اثبات برابری کامل دو کشور در بازار جهانی هوش مصنوعی.
«جمعبندی»
گزارش RAND تصویر پیچیدهتری از رقابت هوش مصنوعی آمریکا و چین ارائه میدهد. دو کشور در معماری مدلها، سهم توسعهدهندگان مدلهای بنیادین و بسیاری از روشهای فنی، بیش از آنچه تصور میشود به یکدیگر شباهت دارند؛ اما در نحوه استقرار و تبدیل هوش مصنوعی به قابلیت اقتصادی و صنعتی، مسیرهای متفاوتی را طی میکنند.
آمریکا همچنان بر اقتصاد نرمافزار، خدمات دیجیتال، مدلهای مرزی و کاربردهای دانشمحور تکیه دارد. چین در کنار حضور در همین حوزهها، سرمایهگذاری گستردهتری بر رباتیک، خودروهای خودران، تولید صنعتی، انرژی و هوش مصنوعی جسمیتیافته انجام داده است. بنابراین، رقابت آینده فقط بر سر این نخواهد بود که کدام کشور هوشمندترین مدل را میسازد؛ بلکه پرسش مهمتر این است که چه کسی میتواند هوش مصنوعی را سریعتر، ارزانتر و عمیقتر به زیرساختها، صنایع و محیط واقعی متصل کند.
این یافته برای ارزیابی مسیر توسعه هوش مصنوعی در ایران نیز اهمیت دارد. سنجش توان ملی تنهابا تعداد مدلهای بومی، اندازه مدلها یا نتایج معیارهای ارزیابی کافی نیست. میزان اتصال هوش مصنوعی به صنایع اولویتدار، زیرساختهای حیاتی، دادههای تخصصی، سختافزار، رباتیک، استانداردها و زنجیرههای تأمین، شاخص دقیقتری از توان تبدیل فناوری به قدرت اقتصادی و راهبردی ارائه میدهد. مسئله اصلی، فقط «داشتن مدل» نیست؛ بلکه توانایی تبدیل مدل به قابلیت واقعی است.
منبع: https://www.rand.org/pubs/research_reports/RRA5043-1.html
