अमेरिकी एजेंसियों ने छह चीनी AI कंपनियों पर औद्योगिक स्तर पर मॉडल डिस्टिलेशन का आरोप लगाया

यदि आपने कभी सोचा है कि कोई AI कंपनी अचानक आपके अकाउंट को लॉक क्यों कर सकती है या आपसे अपनी पहचान फिर से सत्यापित करने के लिए क्यों कह सकती है, तो यह कहानी इसका एक अच्छा उदाहरण है। 10 सितंबर 2026 को, अमेरिकी साइबर सुरक्षा और खुफिया एजेंसियों ने छह चीन-आधारित AI कंपनियों पर शीर्ष अमेरिकी AI मॉडलों की क्षमताओं की नकल करने के लिए समन्वित, बड़े पैमाने पर संचालन चलाने का आरोप लगाया — और यह आरोप इतना गंभीर है कि इसे अब केवल एक व्यापारिक विवाद नहीं, बल्कि राष्ट्रीय सुरक्षा के मुद्दे के रूप में देखा जा रहा है।

यह इस समय इसलिए मायने रखता है क्योंकि यह आरोप तीन प्रमुख अमेरिकी एजेंसियों की एक संयुक्त एडवाइजरी से आया है, और यह ऐसे समय में आया है जब अमेरिका और चीन AI सुरक्षा पर उच्च-स्तरीय वार्ता की तैयारी कर रहे हैं। यह एक ऐसी तकनीक को समझने का भी एक उपयोगी क्षण है — जिसे "डिस्टिलेशन" कहा जाता है — जो AI उद्योग में पर्दे के पीछे होने वाली बहुत सी चीजों को आकार देती है, चाहे आप एक डेवलपर हों, एक व्यवसाय के मालिक हों, या बस कोई ऐसा व्यक्ति हो जो यह जानने के लिए उत्सुक हो कि इन प्रणालियों का निर्माण कैसे होता है।

क्या हुआ

तीन अमेरिकी एजेंसियों — साइबर सिक्योरिटी एंड इंफ्रास्ट्रक्चर सिक्योरिटी एजेंसी (CISA), नेशनल सिक्योरिटी एजेंसी (NSA) और फेडरल ब्यूरो ऑफ इन्वेस्टिगेशन (FBI) — ने छह कंपनियों के नाम वाली एक संयुक्त एडवाइजरी जारी की: DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun, और Z.AI (जिसे पहले Zhipu AI के नाम से जाना जाता था)। एडवाइजरी में कहा गया है कि इन कंपनियों ने Anthropic, OpenAI, Google और xAI द्वारा बनाए गए मॉडलों से अरबों सूचनाएं ("टोकन," जो टेक्स्ट के वे हिस्से हैं जिन्हें AI मॉडल पढ़ता और उत्पन्न करता है) निकालीं।

एजेंसियों के अनुसार, यह जिज्ञासावश खोजबीन करने वाले कुछ शोधकर्ताओं का काम नहीं था। इसमें कथित तौर पर कम से कम 2024 के अंत तक के लाखों स्वचालित इंटरैक्शन शामिल थे, और इसे एक मुख्य भाग के रूप में वर्णित किया गया था कि कैसे इन कंपनियों ने अपने स्वयं के AI मॉडल बनाए — न कि कोई साइड एक्सपेरिमेंट।

एजेंसियों ने यह भी कहा कि उनका मानना ​​है कि चीनी सरकार संभवतः इन गतिविधियों से अवगत थी, हालांकि एडवाइजरी सार्वजनिक रूप से सीधे सरकारी संलिप्तता का प्रमाण प्रस्तुत नहीं करती है। चीन के वाणिज्य मंत्रालय ने कड़ी प्रतिक्रिया व्यक्त करते हुए इस तकनीक को व्यापक रूप से इस्तेमाल की जाने वाली और "तकनीकी रूप से तटस्थ" बताया, अमेरिका पर दोहरे मापदंड का आरोप लगाया, और यह भी बताया कि अमेरिकी कंपनियों ने भी चीनी मॉडलों का अध्ययन किया है। बीजिंग ने चेतावनी दी कि यदि आरोपों का इस्तेमाल चीनी AI कंपनियों पर नए प्रतिबंधों को सही ठहराने के लिए किया जाता है, तो वह प्रतिक्रिया दे सकता है।

"डिस्टिलेशन" का असल मतलब क्या है

यहाँ इसका सरल-भाषा संस्करण है। एक बहुत अनुभवी शिक्षक और एक होनहार लेकिन कम अनुभवी छात्र की कल्पना करें। सब कुछ शुरू से सीखने के बजाय, छात्र शिक्षक को समस्याओं को हल करते हुए देखता है, शिक्षक के उत्तरों का अध्ययन करता है, और उस कौशल की नकल करना सीखता है। AI के संदर्भ में, "शिक्षक" एक बड़ा, शक्तिशाली मॉडल (जैसे Anthropic या OpenAI द्वारा बनाया गया) है, और "छात्र" एक नया या छोटा मॉडल है जिसे उसी तरह का प्रदर्शन करने के लिए प्रशिक्षित किया जा रहा है, लेकिन कम लागत पर।

इसे नॉलेज डिस्टिलेशन कहा जाता है, और अपने आप में यह AI विकास का एक पूरी तरह से सामान्य हिस्सा है। कंपनियाँ इसका इस्तेमाल हर समय अपने स्वयं के मॉडलों के सस्ते, तेज़ संस्करण बनाने के लिए, या किसी छोटे मॉडल को शून्य से फिर से प्रशिक्षित किए बिना एक विशिष्ट कौशल सिखाने के लिए करती हैं।

समस्या तकनीक नहीं है — यह कथित तौर पर यहाँ कैसे इस्तेमाल की जा रही है, यह है। कुछ वैध शोध प्रश्नों के बजाय, एडवाइजरी उन अभियानों का वर्णन करती है जो विशिष्ट क्षमताओं को निकालने के लिए लाखों सावधानीपूर्वक डिज़ाइन किए गए प्रॉम्प्ट भेजते हैं: एक मॉडल किसी समस्या के माध्यम से कैसे तर्क करता है, वह कोड कैसे लिखता है, वह कानूनी काम जैसे विशेष पेशेवर कार्यों को कैसे संभालता है, और बहुत कुछ। उस पैमाने पर किया गया, और विशेष रूप से किसी प्रतियोगी के महंगे, पुनरुत्पादन में कठिन काम की नकल करने के लिए, यह शोध जैसा कम और बड़े पैमाने पर निष्कर्षण जैसा अधिक लगने लगता है।

प्रत्येक कंपनी पर क्या आरोप है

एडवाइजरी प्रत्येक कंपनी के लिए विशिष्ट दावों को सामने रखती है:

• DeepSeek — कथित तौर पर अपने R1 और V3 मॉडल बनाने में मदद करने के लिए 2024 के अंत से 2025 के मध्य तक डिस्टिलेशन गतिविधि चलाई, जिसमें तर्क, लेखन, प्रश्न-उत्तर और कानूनी कार्य जैसे विशेष कार्यों को लक्षित किया गया।
• Moonshot AI — 2025 के मध्य से Anthropic के Claude मॉडल और OpenAI के GPT-4o से डेटा खींचने का आरोप, ताकि गणित, कोडिंग और रीइन्फोर्समेंट लर्निंग (एक प्रशिक्षण पद्धति जहां एक मॉडल अपने प्रदर्शन के बारे में फीडबैक के आधार पर सुधार करता है) पर ध्यान केंद्रित करते हुए इसके Kimi मॉडल परिवार में सुधार किया जा सके।
• Alibaba — कोडिंग, ग्राहक सेवा और छवि निर्माण के लिए 2025 के अंत में Claude और GPT मॉडल को लक्षित करने का आरोप है। अलग से, Anthropic ने पहले Alibaba के Qwen अनुसंधान समूह से जुड़े ऑपरेटरों पर अपना अब तक का सबसे बड़ा डिस्टिलेशन अभियान चलाने का आरोप लगाया था — कथित तौर पर 2026 में छह सप्ताह की विंडो में लगभग 25,000 धोखाधड़ी वाले खातों के माध्यम से 28.8 मिलियन से अधिक एक्सचेंज हुए।
• MiniMax — अपने M2 मॉडल को बेहतर बनाने के लिए Claude और Google के Gemini मॉडल से "चेन-ऑफ़-थॉट" डेटा (एक मॉडल का चरण-दर-चरण तर्क, केवल इसका अंतिम उत्तर नहीं) एकत्र करने का आरोप है।
• StepFun — अपने Step 4 मॉडल में कोडिंग और टास्क-ऑटोमेशन सुविधाओं को मजबूत करने के लिए 2025 के अंत और 2026 की शुरुआत के बीच कई Claude और GPT मॉडल का उपयोग करने का आरोप है।
• Z.AI — विशेष रूप से चेन-ऑफ़-थॉट तर्क को लक्षित करते हुए, 2026 के मध्य तक GPT-5.5 और Claude मॉडल से अरबों टोकन खींचने का आरोप है।

चेन-ऑफ़-थॉट डेटा को विशेष रूप से संवेदनशील माना जाता है क्योंकि यह केवल अंतिम उत्तर ही नहीं है जो मूल्यवान है — यह स्वयं तर्क प्रक्रिया है, जिसका उपयोग किसी अन्य मॉडल को यह सिखाने के लिए किया जा सकता है कि इसी तरह की समस्याओं के माध्यम से कैसे "सोचना" है।

कंपनियों को इसे कैसे पकड़ना चाहिए

एडवाइजरी यह भी बताती है कि AI प्रदाता इन अभियानों का पता लगाने की कोशिश कैसे कर सकते हैं, क्योंकि कभी-कभार सवाल पूछने वाला एक सामान्य उपयोगकर्ता किसी मॉडल के पूरे कौशल सेट को मैप करने की कोशिश कर रहे स्वचालित सिस्टम से बहुत अलग दिखता है। प्रदाताओं को चेतावनी संकेतों के संयोजन को देखने के लिए प्रोत्साहित किया जाता है, और फिर स्तरित सुरक्षा के साथ प्रतिक्रिया देने के लिए।

चरण 1: उस व्यवहार पर नज़र रखें जो मानवीय नहीं लगता

असली लोग ब्रेक लेते हैं, सोते हैं, और समय क्षेत्र और काम के घंटों के आधार पर सेवाओं का अलग-अलग इस्तेमाल करते हैं। एक खाता जो बिना किसी स्वाभाविक ठहराव के निरंतर, चौबीसों घंटे ट्रैफ़िक उत्पन्न करता है, यह जाँच के लायक एक संकेत है — विशेष रूप से यदि उस पर एंटरप्राइज़-स्तर का वॉल्यूम भी है जिसे एक व्यक्तिगत सदस्यता माना जाता है।

चरण 2: खाते और बुनियादी ढांचे के पैटर्न को ट्रैक करें

ऑपरेटरों ने कथित तौर पर "ट्रांसफर स्टेशनों" — प्रॉक्सी सेवाओं का इस्तेमाल किया, जो बड़ी संख्या में सब्सक्रिप्शन या API कुंजियाँ खरीदती हैं और साझा एक्सेस को फिर से बेचती हैं, जिससे ट्रैफ़िक ऐसा दिखता है कि वह एक ऑपरेशन के बजाय कई असंबद्ध उपयोगकर्ताओं से आ रहा है। जांचकर्ताओं को सलाह दी जाती है कि वे समान बुनियादी ढांचे का उपयोग करने वाले खातों के समूहों की तलाश करें, समान प्रॉम्प्ट सबमिट करें, या अचानक पहचान विवरण जैसे डिवाइस की जानकारी या भुगतान के तरीकों को बदलें।

चरण 3: कंपनियों और प्लेटफार्मों के बीच सिग्नल साझा करें

चूंकि एक AI प्रदाता द्वारा ब्लॉक किया गया ऑपरेटर आसानी से दूसरे प्रदाता, क्लाउड होस्ट या तीसरे पक्ष के पुनर्विक्रेता के पास जा सकता है, इसलिए एडवाइजरी अनुशंसा करती है कि कंपनियाँ नोटों की तुलना करें — निजता और कानूनी सीमाओं का सम्मान करते हुए, एक-दूसरे के साथ ज्ञात प्रॉक्सी इन्फ्रास्ट्रक्चर और संदिग्ध खाता पैटर्न साझा करें।

चरण 4: यदि दुरुपयोग का संदेह हो तो डेटा को कम उपयोगी बनाएं

यदि किसी कंपनी को संदेह है कि कोई खाता डिस्टिलेशन अभियान का हिस्सा है, तो वह खाते को पूरी तरह से बंद किए बिना चुपचाप प्रतिक्रिया दे सकती है — उदाहरण के लिए, छोटे या कम विस्तृत उत्तर देना, अपनी प्रतिक्रियाओं में बदलाव करना, या संदिग्ध ट्रैफ़िक को मॉडल के कम सक्षम संस्करण की ओर मोड़ना। कुछ कंपनियाँ डिफरेंशियल प्राइवेसी नामक एक तकनीक का भी उपयोग कर सकती हैं, जो आउटपुट में थोड़ी मात्रा में सांख्यिकीय "शोर" जोड़ती है, जिससे यह रिवर्स-इंजीनियर करना कठिन हो जाता है कि मॉडल वास्तव में कैसे काम करता है, हालांकि इससे सटीकता पर कुछ प्रभाव पड़ता है।

इसे राष्ट्रीय सुरक्षा का मुद्दा क्यों कहा जा रहा है

एडवाइजरी का तर्क है कि यह केवल कंपनियों के प्रतिस्पर्धात्मक बढ़त खोने के बारे में नहीं है। अधिकारियों का कहना है कि कॉपी की गई तर्क और कोडिंग क्षमताएं अंततः सैन्य प्रणालियों, खुफिया कार्यों या साइबर हमलों का समर्थन कर सकती हैं, क्योंकि जो कौशल किसी मॉडल को समस्याओं को हल करने में अच्छा बनाते हैं, वे इसे सॉफ़्टवेयर कमजोरियों को खोजने या दुर्भावनापूर्ण कोड लिखने में भी अच्छा बना सकते हैं। सरकार ने यह नहीं दिखाया है कि ऐसा पहले ही हो चुका है — चिंता रास्ते के बारे में है: आज तेजी से, सस्ता AI विकास बाद में राज्य सुरक्षा उपयोग के लिए मजबूत क्षमताओं में बदल सकता है।

निष्कर्ष

यह विवाद AI उद्योग में एक वास्तविक कठिन समस्या को पकड़ता है: वही सार्वजनिक इंटरफ़ेस जो लाखों लोगों को एक सहायक AI सहायक का उपयोग करने देता है, वही चीज़ है जो उस कंपनी के महंगे शोध और इसे बड़े पैमाने पर कॉपी करने की कोशिश कर रहे किसी भी व्यक्ति के बीच खड़ी है। डिस्टिलेशन अपने आप में यहाँ खलनायक नहीं है — यह एक सामान्य, उपयोगी तकनीक है। अमेरिकी एजेंसियां जो वर्णन कर रही हैं वह कुछ और है: नियमों से बचने के लिए डिज़ाइन किया गया समन्वित, प्रच्छन्न, उच्च-मात्रा निष्कर्षण। यह विशिष्ट विवाद कूटनीतिक रूप से शांत होता है या नहीं, उम्मीद करें कि AI कंपनियां पहचान की जांच और खाता निगरानी को कड़ा करती रहेंगी, क्योंकि एक फ्रंटियर AI मॉडल तक पहुंच अब चोरी करने लायक मूल्यवान है।

गुण

• एक वास्तविक, तकनीकी जोखिम के बारे में जन जागरूकता बढ़ाता है जिसके बारे में अधिकांश AI उपयोगकर्ता कभी नहीं सोचते हैं।
• AI कंपनियों को बेहतर पहचान सत्यापन और दुरुपयोग का पता लगाने में निवेश करने के लिए प्रोत्साहित करता है, जो अकाउंट टेकओवर और API के दुरुपयोग जैसे असंबद्ध खतरों से निपटने में भी मदद करता है।
• पूरी तकनीक को अवैध मानने के बजाय, वैध शोध (सामान्य डिस्टिलेशन) और अपमानजनक निष्कर्षण के बीच स्पष्ट रूप से अंतर करता है।
• साझा खतरे के संकेतों पर क्रॉस-कंपनी सहयोग के लिए प्रेरित करता है, जो हर किसी के लिए पता लगाने को अधिक प्रभावी बनाता है।

दोष

• एडवाइजरी सार्वजनिक रूप से चीनी सरकार के कार्य सौंपने का प्रत्यक्ष प्रमाण प्रस्तुत नहीं करती है, जिससे दावों को विवादित या राजनीतिकरण करने की गुंजाइश रह जाती है।
• वर्णित पहचान के तरीके (व्यवहार पैटर्न, ट्रैफ़िक विश्लेषण) असामान्य उपयोग पैटर्न वाले वैध पावर उपयोगकर्ताओं, शोधकर्ताओं या व्यवसायों को भी फ़्लैग कर सकते हैं।
• संदिग्ध खातों को चुपचाप खराब उत्तर देने जैसे सुरक्षात्मक उपाय, यदि बहुत व्यापक रूप से लागू किए जाते हैं, तो वैध शोधकर्ताओं और मूल्यांकनकर्ताओं को उनकी जानकारी के बिना प्रभावित कर सकते हैं।
• यह विवाद एक राजनयिक फ्लैशपॉइंट बनने का जोखिम उठाता है जो दोनों देशों के बीच असंबद्ध AI सहयोग को प्रभावित कर सकता है।

सावधानी

यह लेख सामान्य समझ के लिए लिखा गया है और एक संयुक्त अमेरिकी सरकारी एडवाइजरी और सार्वजनिक रिपोर्टिंग के सारांश पर आधारित है; यह कोई कानूनी या तकनीकी विश्लेषण नहीं है, और निर्णय के लिए उन पर निर्भर होने से पहले उल्लिखित किसी भी नाम, दिनांक या आंकड़े को मूल एडवाइजरी और प्राथमिक रिपोर्टिंग से सत्यापित किया जाना चाहिए। इस क्षेत्र में AI नीति तेजी से आगे बढ़ रही है, और नामित कंपनियों ने हर विशिष्ट दावे पर विस्तृत सार्वजनिक प्रतिक्रियाएं जारी नहीं की हैं, इसलिए आरोपों को तय तथ्य के बजाय आरोप के रूप में ही मानें।

अक्सर पूछे जाने वाले प्रश्न

• AI मॉडल डिस्टिलेशन क्या है? — यह एक ऐसी तकनीक है जहां एक छोटा या नया AI मॉडल ("छात्र") एक बड़े, अधिक सक्षम AI मॉडल ("शिक्षक") के आउटपुट का उपयोग करके प्रशिक्षित किया जाता है, ताकि छोटा मॉडल समान कौशल को अधिक सस्ते में सीख सके।
• क्या डिस्टिलेशन अवैध है? — स्वाभाविक रूप से नहीं। यह एक व्यापक रूप से इस्तेमाल की जाने वाली, वैध मशीन लर्निंग तकनीक है। यहां विवाद इस बात पर है कि क्या इसे धोखाधड़ी, फर्जी खातों और नियमों की चोरी के जरिए बड़े पैमाने पर किया गया था, न कि तकनीक के बारे में।
• एडवाइजरी में किन कंपनियों का नाम था? — DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun, और Z.AI (पूर्व में Zhipu AI)।
• कथित तौर पर किन AI कंपनियों को निशाना बनाया गया था? — Anthropic, OpenAI, Google, और xAI।
• चेन-ऑफ़-थॉट तर्क क्या है, और यह यहाँ क्यों मायने रखता है? — यह वह चरण-दर-चरण तर्क है जिसका उपयोग कोई मॉडल उत्तर तक पहुँचने के लिए करता है, न कि केवल अंतिम परिणाम। इसे मूल्यवान माना जाता है क्योंकि इसकी नकल करने से किसी अन्य मॉडल को यह सिखाया जा सकता है कि समान समस्याओं के माध्यम से कैसे "सोचना" है, न कि केवल उत्तर दोहराना है।
• कंपनियां डिस्टिलेशन अभियानों का पता कैसे लगाती हैं? — निरंतर स्वचालित उपयोग, व्यक्तिगत खातों पर एंटरप्राइज़-स्तर का ट्रैफ़िक, समन्वित खाता व्यवहार और पहचान संबंधी जानकारी में अचानक बदलाव जैसे असामान्य पैटर्न की तलाश करके।
• डिफरेंशियल प्राइवेसी क्या है? — मॉडल के आउटपुट में थोड़ी मात्रा में सांख्यिकीय शोर जोड़ने की एक विधि ताकि किसी के लिए यह रिवर्स-इंजीनियर करना कठिन हो जाए कि मॉडल वास्तव में कैसे व्यवहार करता है, हालाँकि इसकी कीमत कुछ सटीकता चुकानी पड़ती है।
• इसे केवल एक व्यावसायिक विवाद के बजाय राष्ट्रीय सुरक्षा का मुद्दा क्यों कहा जा रहा है? — क्योंकि अधिकारियों का तर्क है कि कॉपी किए गए AI तर्क और कोडिंग कौशल अंततः केवल व्यावसायिक उत्पादों को ही नहीं, बल्कि सैन्य, खुफिया या साइबर हमले की क्षमताओं को भी समर्थन दे सकते हैं।

टैग

#artificialintelligence #cybersecurity #nationalsecurity #aimodels #china #dataprivacy #machinelearning #technews #aiethics #infosec