ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାର ଏଜେନ୍ସିଗୁଡ଼ିକ ଛଅଟି ଚାଇନିଜ୍ AI କମ୍ପାନୀ ବିରୋଧରେ ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍-ସ୍କେଲ୍ ମଡେଲ୍ ଡିଷ୍ଟିଲେସନ୍ ଅଭିଯୋଗ ଆଣିଛନ୍ତି

ଯଦି ଆପଣ କେବେ ଭାବିଛନ୍ତି ଯେ କାହିଁକି ଏକ AI କମ୍ପାନୀ ହଠାତ୍ ଆପଣଙ୍କ ଆକାଉଣ୍ଟକୁ ଲକ୍ କରିଦିଏ କିମ୍ବା ଆପଣଙ୍କୁ ପୁଣି ଥରେ ପରିଚୟ ଯାଞ୍ଚ କରିବାକୁ କହେ, ତେବେ ଏହି କାହାଣୀ ଏହାର ଏକ ଭଲ ଉଦାହରଣ। ସେପ୍ଟେମ୍ବର ୧୦, ୨୦୨୬ ରେ, ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାର ସାଇବର ସୁରକ୍ଷା ଏବଂ ଗୁଇନ୍ଦା ଏଜେନ୍ସିଗୁଡ଼ିକ ଚାଇନା ଭିତ୍ତିକ ଛଅଟି AI କମ୍ପାନୀ ବିରୋଧରେ ଶୀର୍ଷ ଆମେରିକୀୟ AI ମଡେଲର କ୍ଷମତା କପି କରିବା ପାଇଁ ସମନ୍ୱିତ, ବୃହତ ଧରଣର ଅପରେସନ୍ ଚଳାଇଥିବା ଅଭିଯୋଗ କରିଛନ୍ତି — ଏବଂ ଏହି ଅଭିଯୋଗ ଏତେ ଗମ୍ଭୀର ଯେ ଏହାକୁ ବର୍ତ୍ତମାନ କେବଳ ଏକ ବ୍ୟବସାୟିକ ବିବାଦ ନୁହେଁ, ବରଂ ଏକ ଜାତୀୟ ନିରାପତ୍ତା ପ୍ରସଙ୍ଗ ଭାବରେ ଗ୍ରହଣ କରାଯାଉଛି।

ଏହା ବର୍ତ୍ତମାନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଏହି ଅଭିଯୋଗ ତିନୋଟି ପ୍ରମୁଖ ଆମେରିକୀୟ ଏଜେନ୍ସିର ମିଳିତ ପରାମର୍ଶରୁ ଆସିଛି, ଏବଂ ଏହା ଠିକ୍ ସେହି ସମୟରେ ଆସିଛି ଯେତେବେଳେ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା ଏବଂ ଚାଇନା AI ସୁରକ୍ଷା ଉପରେ ଉଚ୍ଚ ସ୍ତରୀୟ ଆଲୋଚନା ପାଇଁ ପ୍ରସ୍ତୁତି କରୁଛନ୍ତି। ଏହା ଏକ କୌଶଳ — ଯାହାକୁ "distillation" କୁହାଯାଏ — ବୁଝିବା ପାଇଁ ଏକ ଉପଯୋଗୀ ମୁହୂର୍ତ୍ତ ମଧ୍ୟ, ଯାହା AI ଇଣ୍ଡଷ୍ଟ୍ରିରେ ପରଦା ପଛରେ କ'ଣ ଘଟେ ତାହାର ଅନେକ କିଛି ଆକାର ଦେଇଥାଏ, ଆପଣ ଜଣେ ଡେଭେଲପର୍ ହୁଅନ୍ତୁ, ଜଣେ ବ୍ୟବସାୟ ମାଲିକ ହୁଅନ୍ତୁ, କିମ୍ବା କେବଳ ଜଣେ ବ୍ୟକ୍ତି ଯିଏ ଏହି ସିଷ୍ଟମ୍ କିପରି ତିଆରି ହୁଏ ତାହା ଜାଣିବାକୁ ଆଗ୍ରହୀ।

କ'ଣ ଘଟିଲା

ତିନୋଟି ଆମେରିକୀୟ ଏଜେନ୍ସି — Cybersecurity and Infrastructure Security Agency (CISA), National Security Agency (NSA), ଏବଂ Federal Bureau of Investigation (FBI) — ଛଅଟି କମ୍ପାନୀର ନାମକରଣ କରି ଏକ ମିଳିତ ପରାମର୍ଶ ଜାରି କରିଛନ୍ତି: DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun, ଏବଂ Z.AI (ପୂର୍ବରୁ Zhipu AI ଭାବରେ ଜଣାଶୁଣା)। ପରାମର୍ଶରେ କୁହାଯାଇଛି ଯେ ଏହି କମ୍ପାନୀଗୁଡ଼ିକ Anthropic, OpenAI, Google, ଏବଂ xAI ଦ୍ୱାରା ନିର୍ମିତ ମଡେଲଗୁଡ଼ିକରୁ ବିଲିୟନ ବିଲିୟନ ତଥ୍ୟ ("tokens," ଯାହା ହେଉଛି ଟେକ୍ସଟ୍ ର ଖଣ୍ଡ ଯାହାକୁ ଏକ AI ମଡେଲ୍ ପଢ଼ିଥାଏ ଏବଂ ଜେନେରେଟ୍ କରିଥାଏ) ବାହାର କରିଛନ୍ତି।

ଏଜେନ୍ସିଗୁଡ଼ିକ ଅନୁଯାୟୀ, ଏହା କେବଳ କିଛି ଗବେଷକଙ୍କର କୌତୂହଳର ବିଷୟ ନଥିଲା। ଏଥିରେ ଅତିକମରେ ୨୦୨୪ ଶେଷ ଭାଗରୁ ଆରମ୍ଭ କରି ନିୟୁତ ନିୟୁତ ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟକଳାପ ଜଡିତ ଥିଲା ବୋଲି ଅଭିଯୋଗ ହୋଇଛି, ଏବଂ ଏହି କମ୍ପାନୀଗୁଡ଼ିକ ସେମାନଙ୍କର ନିଜସ୍ୱ AI ମଡେଲ୍ କିପରି ତିଆରି କଲେ ତାହାର ଏକ ମୂଳ ଅଂଶ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଥିଲା — ଏହା କୌଣସି ସାଇଡ୍ ଏକ୍ସପେରିମେଣ୍ଟ ନଥିଲା।

ଏଜେନ୍ସିଗୁଡ଼ିକ ମଧ୍ୟ କହିଛନ୍ତି ଯେ ଚାଇନା ସରକାର ସମ୍ଭବତଃ ଏହି କାର୍ଯ୍ୟକଳାପ ବିଷୟରେ ଅବଗତ ଥିଲେ ବୋଲି ସେମାନେ ବିଶ୍ୱାସ କରୁଛନ୍ତି, ଯଦିଓ ପରାମର୍ଶଟି ସିଧାସଳଖ ସରକାରୀ ସମ୍ପୃକ୍ତିର କୌଣସି ପ୍ରମାଣ ସର୍ବସାଧାରଣରେ ଉପସ୍ଥାପନ କରିନାହିଁ। ଚାଇନାର ବାଣିଜ୍ୟ ମନ୍ତ୍ରଣାଳୟ ଏହାର କଡ଼ା ବିରୋଧ କରି, ଏହି କୌଶଳ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହେଉଥିବା ଏବଂ "ବୈଷୟିକ ଭାବରେ ନିରପେକ୍ଷ" ବୋଲି କହିବା ସହ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା ଉପରେ ଦ୍ୱୈତ ମାନଦଣ୍ଡ ଅବଲମ୍ବନ କରୁଥିବା ଅଭିଯୋଗ କରିଛି, ଏବଂ ଦର୍ଶାଇଛି ଯେ ଆମେରିକୀୟ କମ୍ପାନୀଗୁଡ଼ିକ ମଧ୍ୟ ଚାଇନିଜ୍ ମଡେଲଗୁଡ଼ିକର ଅଧ୍ୟୟନ କରିଛନ୍ତି। ବେଜିଂ ଚେତାବନୀ ଦେଇଛି ଯେ ଯଦି ଏହି ଅଭିଯୋଗଗୁଡ଼ିକୁ ଚାଇନିଜ୍ AI କମ୍ପାନୀଗୁଡ଼ିକ ଉପରେ ନୂତନ କଟକଣା ଲଗାଇବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ, ତେବେ ଏହା ପ୍ରତିକ୍ରିୟା ଦେଇପାରେ।

"distillation" ର ପ୍ରକୃତ ଅର୍ଥ କ'ଣ

ଏଠାରେ ସହଜ ଭାଷାରେ ଏହାର ବର୍ଣ୍ଣନା ଦିଆଯାଇଛି। କଳ୍ପନା କରନ୍ତୁ ଜଣେ ବହୁତ ଅଭିଜ୍ଞ ଶିକ୍ଷକ ଏବଂ ଜଣେ ପ୍ରତିଶ୍ରୁତିବଦ୍ଧ କିନ୍ତୁ କମ୍ ଅଭିଜ୍ଞ ଛାତ୍ର। ଛାତ୍ରଜଣକ ସବୁକିଛି ପ୍ରଥମରୁ ଶିଖିବା ପରିବର୍ତ୍ତେ, ସେ ଶିକ୍ଷକଙ୍କୁ ସମସ୍ୟା ସମାଧାନ କରୁଥିବାର ଦେଖନ୍ତି, ଶିକ୍ଷକଙ୍କ ଉତ୍ତରଗୁଡ଼ିକ ଅଧ୍ୟୟନ କରନ୍ତି ଏବଂ ସେହି ଦକ୍ଷତାକୁ ଅନୁକରଣ କରିବାକୁ ଶିଖନ୍ତି। AI ଭାଷାରେ, "ଶିକ୍ଷକ" ହେଉଛି ଏକ ବଡ଼, ଶକ୍ତିଶାଳୀ ମଡେଲ୍ (ଯେପରି Anthropic କିମ୍ବା OpenAI ଦ୍ୱାରା ନିର୍ମିତ), ଏବଂ "ଛାତ୍ର" ହେଉଛି ଏକ ନୂତନ କିମ୍ବା ଛୋଟ ମଡେଲ୍ ଯାହାକୁ ସମାନ ଭାବରେ ପ୍ରଦର୍ଶନ କରିବାକୁ ତାଲିମ ଦିଆଯାଉଛି, କିନ୍ତୁ କମ୍ ଖର୍ଚ୍ଚରେ।

ଏହାକୁ knowledge distillation କୁହାଯାଏ, ଏବଂ ନିଜେ ଏହା AI ବିକାଶର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସାଧାରଣ ଅଂଶ। କମ୍ପାନୀଗୁଡ଼ିକ ସବୁବେଳେ ସେମାନଙ୍କର ନିଜସ୍ୱ ମଡେଲଗୁଡ଼ିକର ଶସ୍ତା, ଦ୍ରୁତ ସଂସ୍କରଣ ତିଆରି କରିବା ପାଇଁ, କିମ୍ବା ଏକ ଛୋଟ ମଡେଲକୁ ଶୂନ୍ୟରୁ ପୁନଃ ତାଲିମ ନଦେଇ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦକ୍ଷତା ଶିଖାଇବା ପାଇଁ ଏହାର ବ୍ୟବହାର କରନ୍ତି।

ସମସ୍ୟାଟି କୌଶଳ ନୁହେଁ — ଏଠାରେ ଏହାକୁ କିପରି ବ୍ୟବହାର କରାଯାଉଛି ବୋଲି ଅଭିଯୋଗ ହେଉଛି ତାହା ହେଉଛି ସମସ୍ୟା। କିଛି ବୈଧ ଗବେଷଣା ପ୍ରଶ୍ନ ପରିବର୍ତ୍ତେ, ଏହି ପରାମର୍ଶଦାତା ଏପରି ଅଭିଯାନଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରନ୍ତି ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ଷମତା ବାହାର କରିବା ପାଇଁ ନିୟୁତ ନିୟୁତ ଯତ୍ନର ସହ ପ୍ରସ୍ତୁତ କରାଯାଇଥିବା ପ୍ରମ୍ପ୍ଟ ପଠାଇଥାଏ: ଏକ ମଡେଲ୍ କିପରି ଏକ ସମସ୍ୟାର ଯୁକ୍ତିଯୁକ୍ତ ସମାଧାନ କରେ, ଏହା କିପରି କୋଡ୍ ଲେଖେ, ଏହା କିପରି ଆଇନଗତ କାର୍ଯ୍ୟ ପରି ସ୍ୱତନ୍ତ୍ର ପେସାଦାର କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ପରିଚାଳନା କରେ, ଏବଂ ଆହୁରି ଅନେକ କିଛି। ସେହି ସ୍ତରରେ, ଏବଂ ବିଶେଷ ଭାବରେ ଜଣେ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀଙ୍କ ମହଙ୍ଗା, ପୁନଃ ଉତ୍ପାଦନ କରିବାକୁ କଷ୍ଟକର କାର୍ଯ୍ୟକୁ କପି କରିବାକୁ କରାଗଲେ, ଏହା ଗବେଷଣା ଠାରୁ କମ୍ ଏବଂ ଏକ ବଡ଼ ଧରଣର ଏକ୍ସଟ୍ରାକ୍ସନ୍ ପରି ଅଧିକ ଦେଖାଯିବା ଆରମ୍ଭ କରେ।

ପ୍ରତ୍ୟେକ କମ୍ପାନୀ ବିରୋଧରେ କ'ଣ ଅଭିଯୋଗ ରହିଛି

ପରାମର୍ଶଦାତା ପ୍ରତ୍ୟେକ କମ୍ପାନୀ ପାଇଁ ନିର୍ଦ୍ଦିଷ୍ଟ ଦାବି ଉପସ୍ଥାପନ କରିଛନ୍ତି:

• DeepSeek — ଯୁକ୍ତିଯୁକ୍ତ ଚିନ୍ତାଧାରା, ଲେଖିବା, ପ୍ରଶ୍ନ-ଉତ୍ତର, ଏବଂ ଆଇନଗତ କାର୍ଯ୍ୟ ପରି ସ୍ୱତନ୍ତ୍ର କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ଲକ୍ଷ୍ୟ କରି ଏହାର R1 ଏବଂ V3 ମଡେଲଗୁଡ଼ିକ ତିଆରି କରିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ୨୦୨୪ ର ଶେଷ ଭାଗରୁ ୨୦୨୫ ମଧ୍ୟଭାଗ ପର୍ଯ୍ୟନ୍ତ ଡିଷ୍ଟିଲେସନ୍ କାର୍ଯ୍ୟକଳାପ ଚଳାଇଥିଲା ବୋଲି ଅଭିଯୋଗ ହୋଇଛି।
• Moonshot AI — ଗଣିତ, କୋଡିଂ ଏବଂ ରିଇନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଏକ ତାଲିମ ପଦ୍ଧତି ଯେଉଁଠାରେ ଏକ ମଡେଲ୍ ଏହାର ପ୍ରଦର୍ଶନ ବିଷୟରେ ଫିଡବ୍ୟାକ୍ ଆଧାରରେ ଉନ୍ନତ ହୁଏ) ଉପରେ ଧ୍ୟାନ ଦେଇ ଏହାର Kimi ମଡେଲ୍ ପରିବାରକୁ ଉନ୍ନତ କରିବା ପାଇଁ ୨୦୨୫ ମଧ୍ୟଭାଗରୁ ଆରମ୍ଭ କରି Anthropic ର Claude ମଡେଲ୍ ଏବଂ OpenAI ର GPT-4o ରୁ ଡାଟା ବାହାର କରିଥିବା ଅଭିଯୋଗ ହୋଇଛି।
• Alibaba — କୋଡିଂ, ଗ୍ରାହକ ସେବା, ଏବଂ ଇମେଜ୍ ଜେନେରେସନ୍ ପାଇଁ ୨୦୨୫ ଶେଷ ଭାଗରେ Claude ଏବଂ GPT ମଡେଲଗୁଡ଼ିକୁ ଲକ୍ଷ୍ୟ କରିଥିବା ଅଭିଯୋଗ ହୋଇଛି। ପୃଥକ ଭାବରେ, Anthropic ପୂର୍ବରୁ ଅଭିଯୋଗ କରିଥିଲା ଯେ Alibaba ର Qwen ଗବେଷଣା ଗୋଷ୍ଠୀ ସହିତ ଜଡିତ ଅପରେଟରମାନେ ଏପର୍ଯ୍ୟନ୍ତ ଏହାର ସବୁଠାରୁ ବଡ଼ ଡିଷ୍ଟିଲେସନ୍ ଅଭିଯାନ ଚଳାଇଥିଲେ — ଯାହାକି ୨୦୨୬ ରେ ଛଅ ସପ୍ତାହ ମଧ୍ୟରେ ପ୍ରାୟ ୨୫,୦୦୦ ଜାଲ୍ ଆକାଉଣ୍ଟ ମାଧ୍ୟମରେ ୨୮.୮ ନିୟୁତରୁ ଅଧିକ ଆଦାନପ୍ରଦାନ କରିଥିବା ଅଭିଯୋଗ ହୋଇଛି।
• MiniMax — ଏହାର M2 ମଡେଲକୁ ଉନ୍ନତ କରିବା ପାଇଁ Claude ଏବଂ Google ର Gemini ମଡେଲଗୁଡ଼ିକରୁ "chain-of-thought" ଡାଟା (କେବଳ ଏହାର ଚୂଡ଼ାନ୍ତ ଉତ୍ତର ନୁହେଁ, ବରଂ ଏକ ମଡେଲର ଷ୍ଟେପ୍-ବାଇ-ଷ୍ଟେପ୍ ଯୁକ୍ତିଯୁକ୍ତ ଚିନ୍ତାଧାରା) ସଂଗ୍ରହ କରିଥିବା ଅଭିଯୋଗ ହୋଇଛି।
• StepFun — ଏହାର Step 4 ମଡେଲରେ କୋଡିଂ ଏବଂ ଟାସ୍କ-ଅଟୋମେସନ୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ମଜବୁତ କରିବା ପାଇଁ ୨୦୨୫ ଶେଷ ଭାଗ ଏବଂ ୨୦୨୬ ଆରମ୍ଭ ମଧ୍ୟରେ ଏକାଧିକ Claude ଏବଂ GPT ମଡେଲ୍ ଉପରେ ନିର୍ଭର କରିଥିବା ଅଭିଯୋଗ ହୋଇଛି।
• Z.AI — ୨୦୨୬ ମଧ୍ୟଭାଗ ସୁଦ୍ଧା GPT-5.5 ଏବଂ Claude ମଡେଲରୁ ବିଲିୟନ ବିଲିୟନ ଟୋକେନ୍ ବାହାର କରିଥିବା ଅଭିଯୋଗ ହୋଇଛି, ଯାହା ବିଶେଷ ଭାବରେ chain-of-thought ରିଜନିଂ କୁ ଲକ୍ଷ୍ୟ କରିଥିଲା।

Chain-of-thought ଡାଟା ବିଶେଷ ଭାବରେ ସମ୍ବେଦନଶୀଳ ବୋଲି ବିବେଚନା କରାଯାଏ କାରଣ କେବଳ ଚୂଡ଼ାନ୍ତ ଉତ୍ତର ମୂଲ୍ୟବାନ ନୁହେଁ — ଏହା ହେଉଛି ଯୁକ୍ତିଯୁକ୍ତ ପ୍ରକ୍ରିୟା, ଯାହାକୁ ଅନ୍ୟ ଏକ ମଡେଲକୁ ସମାନ ସମସ୍ୟାଗୁଡ଼ିକ ମାଧ୍ୟମରେ କିପରି "ଚିନ୍ତା" କରିବାକୁ ହେବ ତାହା ଶିଖାଇବା ପାଇଁ ପୁନର୍ବାର ବ୍ୟବହାର କରାଯାଇପାରିବ।

କମ୍ପାନୀଗୁଡ଼ିକ ଏହାକୁ କିପରି ଧରିବା କଥା

ଏହି ପରାମର୍ଶଦାତା ମଧ୍ୟ ବ୍ୟାଖ୍ୟା କରନ୍ତି ଯେ AI ପ୍ରଦାନକାରୀମାନେ କିପରି ଏହି ଅଭିଯାନଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବାକୁ ଚେଷ୍ଟା କରିପାରିବେ, କାରଣ ବେଳେବେଳେ ପ୍ରଶ୍ନ ପଚାରୁଥିବା ଜଣେ ସାଧାରଣ ୟୁଜର୍, ଏକ ମଡେଲର ସମ୍ପୂର୍ଣ୍ଣ ସ୍କିଲ୍ ସେଟ୍ ମ୍ୟାପ୍ କରିବାକୁ ଚେଷ୍ଟା କରୁଥିବା ଏକ ସ୍ୱୟଂଚାଳିତ ସିଷ୍ଟମ୍ ଠାରୁ ବହୁତ ଅଲଗା ଦେଖାଯାଏ। ପ୍ରଦାନକାରୀମାନଙ୍କୁ ଚେତାବନୀ ସଙ୍କେତର ମିଶ୍ରଣ ଖୋଜିବାକୁ ଉତ୍ସାହିତ କରାଯାଏ, ଏବଂ ତାପରେ ସ୍ତରୀୟ ପ୍ରତିରକ୍ଷା ସହିତ ପ୍ରତିକ୍ରିୟା ଦେବାକୁ କୁହାଯାଏ।

ଷ୍ଟେପ୍ ୧: ମଣିଷ ପରି ଦେଖାଯାଉନଥିବା ଆଚରଣ ଉପରେ ନଜର ରଖନ୍ତୁ

ପ୍ରକୃତ ଲୋକମାନେ ବ୍ରେକ୍ ନିଅନ୍ତି, ଶୋଇଥାନ୍ତି ଏବଂ ଟାଇମ୍ ଜୋନ୍ ଏବଂ କାର୍ଯ୍ୟ ସମୟ ଉପରେ ନିର୍ଭର କରି ସେବାଗୁଡ଼ିକୁ ଭିନ୍ନ ଭାବରେ ବ୍ୟବହାର କରନ୍ତି। କୌଣସି ପ୍ରାକୃତିକ ବିରତି ବିନା କ୍ରମାଗତ, ଦିନରାତି ଟ୍ରାଫିକ୍ ସୃଷ୍ଟି କରୁଥିବା ଏକ ଆକାଉଣ୍ଟ ଏକ ସଙ୍କେତ ଯାହାର ଅନୁସନ୍ଧାନ କରାଯିବା ଉଚିତ୍ — ବିଶେଷକରି ଯଦି ଏହା ଏକ ବ୍ୟକ୍ତିଗତ ସବସ୍କ୍ରିପସନ୍ ବୋଲି ଧରାଯାଉଥିବା ଆକାଉଣ୍ଟରେ ଏଣ୍ଟରପ୍ରାଇଜ୍-ସ୍ତରର ଭଲ୍ୟୁମ୍ ଥାଏ।

ଷ୍ଟେପ୍ ୨: ଆକାଉଣ୍ଟ ଏବଂ ଇନଫ୍ରାଷ୍ଟ୍ରକ୍ଚର୍ ପ୍ୟାଟର୍ଣ୍ଣ ଟ୍ରାକ୍ କରନ୍ତୁ

ଅପରେଟରମାନେ କଥିତ ଭାବରେ "ଟ୍ରାନ୍ସଫର୍ ଷ୍ଟେସନ୍" ବ୍ୟବହାର କରିଥିଲେ — ପ୍ରକ୍ସି ସେବା ଯାହାକି ବିପୁଳ ସଂଖ୍ୟକ ସବସ୍କ୍ରିପସନ୍ କିମ୍ବା API କି ଗୁଡ଼ିକ କିଣିଥାଏ ଏବଂ ସେୟାର୍ଡ୍ ଆକ୍ସେସ୍ ପୁନଃବିକ୍ରୟ କରିଥାଏ, ଯାହାଦ୍ୱାରା ଟ୍ରାଫିକ୍ ଗୋଟିଏ ଅପରେସନ୍ ପରିବର୍ତ୍ତେ ଅନେକ ଅସମ୍ପୃକ୍ତ ୟୁଜର୍ସଙ୍କ ଠାରୁ ଆସୁଥିବା ପରି ଦେଖାଯାଏ। ଅନୁସନ୍ଧାନକାରୀମାନଙ୍କୁ ସମାନ ଇନଫ୍ରାଷ୍ଟ୍ରକ୍ଚର୍ ବ୍ୟବହାର କରୁଥିବା, ସମାନ ପ୍ରମ୍ପ୍ଟ ଦାଖଲ କରୁଥିବା, କିମ୍ବା ହଠାତ୍ ଡିଭାଇସ୍ ସୂଚନା କିମ୍ବା ପେମେଣ୍ଟ୍ ପଦ୍ଧତି ପରି ପରିଚୟ ସମ୍ବନ୍ଧୀୟ ବିବରଣୀ ପରିବର୍ତ୍ତନ କରୁଥିବା ଆକାଉଣ୍ଟ୍ ଗ୍ରୁପ୍ ଗୁଡ଼ିକୁ ଖୋଜିବାକୁ ପରାମର୍ଶ ଦିଆଯାଇଛି।

ଷ୍ଟେପ୍ ୩: କମ୍ପାନୀ ଏବଂ ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ମଧ୍ୟରେ ସିଗନାଲ୍ ସେୟାର୍ କରନ୍ତୁ

କାରଣ ଜଣେ AI ପ୍ରଦାନକାରୀଙ୍କ ଦ୍ୱାରା ବ୍ଲକ୍ ହୋଇଥିବା ଅପରେଟର୍ ସହଜରେ ଅନ୍ୟ ଏକ ପ୍ରଦାନକାରୀ, ଏକ କ୍ଲାଉଡ୍ ହୋଷ୍ଟ, କିମ୍ବା ଥାର୍ଡ-ପାର୍ଟି ରିସେଲର୍ ପାଖକୁ ଯାଇପାରନ୍ତି, ତେଣୁ ପରାମର୍ଶଦାତା କମ୍ପାନୀଗୁଡ଼ିକୁ ନୋଟ୍ ତୁଳନା କରିବାକୁ ସୁପାରିଶ କରନ୍ତି — ଗୋପନୀୟତା ଏବଂ ଆଇନଗତ ସୀମାକୁ ସମ୍ମାନ ଦେବା ସହିତ ଜଣାଶୁଣା ପ୍ରକ୍ସି ଇନଫ୍ରାଷ୍ଟ୍ରକ୍ଚର୍ ଏବଂ ସନ୍ଦେହଜନକ ଆକାଉଣ୍ଟ୍ ପ୍ୟାଟର୍ଣ୍ଣକୁ ପରସ୍ପର ସହିତ ସେୟାର୍ କରିବାକୁ ପରାମର୍ଶ ଦିଆଯାଇଛି।

ଷ୍ଟେପ୍ ୪: ଯଦି ଦୁର୍ବ୍ୟବହାରର ସନ୍ଦେହ ହୁଏ ତେବେ ଡାଟାକୁ କମ୍ ଉପଯୋଗୀ କରନ୍ତୁ

ଯଦି ଏକ କମ୍ପାନୀ ସନ୍ଦେହ କରେ ଯେ ଏକ ଆକାଉଣ୍ଟ ଡିଷ୍ଟିଲେସନ୍ ଅଭିଯାନର ଏକ ଅଂଶ, ତେବେ ଏହା ଆକାଉଣ୍ଟକୁ ସମ୍ପୂର୍ଣ୍ଣ ରୂପେ ବନ୍ଦ ନକରି ଚୁପଚାପ୍ ପ୍ରତିକ୍ରିୟା ଦେଇପାରେ — ଉଦାହରଣ ସ୍ୱରୂପ, ଛୋଟ କିମ୍ବା କମ୍ ବିସ୍ତୃତ ଉତ୍ତର ଦେବା, ଏହାର ପ୍ରତିକ୍ରିୟାଗୁଡ଼ିକୁ ପରିବର୍ତ୍ତନ କରିବା, କିମ୍ବା ସନ୍ଦେହଜନକ ଟ୍ରାଫିକ୍ କୁ ମଡେଲର କମ୍ କ୍ଷମତାସମ୍ପନ୍ନ ସଂସ୍କରଣକୁ ରାଉଟ୍ କରିବା। କିଛି କମ୍ପାନୀ differential privacy ନାମକ ଏକ କୌଶଳ ମଧ୍ୟ ବ୍ୟବହାର କରିପାରନ୍ତି, ଯାହା ଆଉଟପୁଟରେ ଅଳ୍ପ ପରିମାଣର ପରିସଂଖ୍ୟାନଗତ "ନଏଜ୍" ଯୋଗ କରିଥାଏ, ଯାହାକି ସଠିକତା ମୂଲ୍ୟରେ ମଡେଲଟି କିପରି କାମ କରେ ତାହା ରିଭର୍ସ-ଇଞ୍ଜିନିୟର୍ କରିବାକୁ ଅଧିକ କଷ୍ଟକର କରିଥାଏ।

ଏହାକୁ କାହିଁକି ଜାତୀୟ ନିରାପତ୍ତା ପ୍ରସଙ୍ଗ କୁହାଯାଉଛି

ଏହି ପରାମର୍ଶଦାତା ଯୁକ୍ତି କରୁଛନ୍ତି ଯେ ଏହା କେବଳ କମ୍ପାନୀଗୁଡ଼ିକ ଏକ ପ୍ରତିଯୋଗିତାମୂଳକ ସୁବିଧା ହରାଇବା ବିଷୟରେ ନୁହେଁ। ଅଧିକାରୀମାନେ କହିଛନ୍ତି ଯେ କପି କରାଯାଇଥିବା ରିଜନିଂ ଏବଂ କୋଡିଂ କ୍ଷମତା ଶେଷରେ ସାମରିକ ବ୍ୟବସ୍ଥା, ଗୁଇନ୍ଦା କାର୍ଯ୍ୟ କିମ୍ବା ସାଇବର ଆକ୍ରମଣକୁ ସମର୍ଥନ କରିପାରେ, କାରଣ ଏକ ମଡେଲକୁ ସମସ୍ୟା ସମାଧାନ କରିବାରେ ଯେଉଁ ଦକ୍ଷତା ଭଲ କରିଥାଏ, ତାହା ସଫ୍ଟୱେର୍ ଦୁର୍ବଳତା ଖୋଜିବାରେ କିମ୍ବା ଦୁର୍ଭାବନାପୂର୍ଣ୍ଣ କୋଡ୍ ଲେଖିବାରେ ମଧ୍ୟ ଭଲ କରିପାରେ। ସରକାର ଏହା ପ୍ରମାଣ କରିନାହାଁନ୍ତି ଯେ ଏହା ପୂର୍ବରୁ ଘଟିଛି — ଏହି ଚିନ୍ତା ପଥ ବିଷୟରେ ରହିଛି: ଆଜିର ଦ୍ରୁତ, ଶସ୍ତା AI ବିକାଶ ପରବର୍ତ୍ତୀ ସମୟରେ ରାଜ୍ୟ ସୁରକ୍ଷା ବ୍ୟବହାର ପାଇଁ ଅଧିକ ଶକ୍ତିଶାଳୀ କ୍ଷମତାରେ ପରିଣତ ହୋଇପାରେ।

ଉପସଂହାର

ଏହି ବିବାଦ AI ଇଣ୍ଡଷ୍ଟ୍ରିରେ ଏକ ପ୍ରକୃତ କଠିନ ସମସ୍ୟାକୁ ଦର୍ଶାଉଛି: ସମାନ ପବ୍ଲିକ୍ ଇଣ୍ଟରଫେସ୍ ଯାହା ନିୟୁତ ନିୟୁତ ଲୋକଙ୍କୁ ଏକ ସାହାଯ୍ୟକାରୀ AI ଆସିଷ୍ଟାଣ୍ଟ୍ ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦିଏ, ତାହା ମଧ୍ୟ ସେହି କମ୍ପାନୀର ମହଙ୍ଗା ଗବେଷଣା ଏବଂ ଏହାକୁ ବଡ଼ ଧରଣର କପି କରିବାକୁ ଚେଷ୍ଟା କରୁଥିବା ବ୍ୟକ୍ତିଙ୍କ ମଧ୍ୟରେ ଥିବା ଏକମାତ୍ର ପ୍ରତିବନ୍ଧକ ଅଟେ। ଡିଷ୍ଟିଲେସନ୍ ନିଜେ ଏଠାରେ ଖଳନାୟକ ନୁହେଁ — ଏହା ଏକ ସାଧାରଣ, ଉପଯୋଗୀ କୌଶଳ। ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାର ଏଜେନ୍ସିଗୁଡ଼ିକ ଯାହା ବର୍ଣ୍ଣନା କରୁଛନ୍ତି ତାହା ଅଲଗା କିଛି: ନିୟମକୁ ଏଡାଇବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଥିବା ସମନ୍ୱିତ, ଛଦ୍ମବେଶୀ, ହାଇ-ଭଲ୍ୟୁମ୍ ଏକ୍ସଟ୍ରାକ୍ସନ୍। ଏହି ନିର୍ଦ୍ଦିଷ୍ଟ ବିବାଦ କୂଟନୈତିକ ସ୍ତରରେ ଶାନ୍ତ ହେଉ କିମ୍ବା ନହେଉ, ଆଶା କରନ୍ତୁ ଯେ AI କମ୍ପାନୀଗୁଡ଼ିକ ପରିଚୟ ଯାଞ୍ଚ ଏବଂ ଆକାଉଣ୍ଟ୍ ମନିଟରିଂ କୁ ଆହୁରି କଡ଼ାକଡ଼ି କରିବେ, କାରଣ ଏକ ଫ୍ରଣ୍ଟିଅର୍ AI ମଡେଲକୁ ଆକ୍ସେସ୍ କରିବା ବର୍ତ୍ତମାନ ଏତେ ମୂଲ୍ୟବାନ ଯେ ଏହାକୁ ଚୋରି କରାଯାଇପାରେ।

ଗୁଣ

• ଏକ ପ୍ରକୃତ, ବୈଷୟିକ ବିପଦ ବିଷୟରେ ଜନସଚେତନତା ସୃଷ୍ଟି କରେ ଯାହା ବିଷୟରେ ଅଧିକାଂଶ AI ୟୁଜର୍ କେବେ ଚିନ୍ତା କରନ୍ତି ନାହିଁ।
• AI କମ୍ପାନୀଗୁଡ଼ିକୁ ଉନ୍ନତ ପରିଚୟ ଯାଞ୍ଚ ଏବଂ ଦୁର୍ବ୍ୟବହାର ଚିହ୍ନଟରେ ବିନିଯୋଗ କରିବାକୁ ଉତ୍ସାହିତ କରେ, ଯାହା ଆକାଉଣ୍ଟ୍ ଟେକଓଭର୍ ଏବଂ API ଦୁର୍ବ୍ୟବହାର ପରି ଅସମ୍ପୃକ୍ତ ବିପଦରୁ ମଧ୍ୟ ରକ୍ଷା କରିବାରେ ସାହାଯ୍ୟ କରେ।
• ସମ୍ପୂର୍ଣ୍ଣ କୌଶଳକୁ ବେଆଇନ ବୋଲି ବିବେଚନା କରିବା ପରିବର୍ତ୍ତେ, ବୈଧ ଗବେଷଣା (ସାଧାରଣ ଡିଷ୍ଟିଲେସନ୍) ଏବଂ ଅପବ୍ୟବହାରପୂର୍ଣ୍ଣ ଏକ୍ସଟ୍ରାକ୍ସନ୍ ମଧ୍ୟରେ ସ୍ପଷ୍ଟ ପାର୍ଥକ୍ୟ ଦର୍ଶାଏ।
• ସେୟାର୍ ହୋଇଥିବା ବିପଦ ସିଗନାଲ୍ ଉପରେ କ୍ରସ୍-କମ୍ପାନୀ ସହଯୋଗ ପାଇଁ ଜୋର୍ ଦିଏ, ଯାହାକି ଚିହ୍ନଟ ପ୍ରକ୍ରିୟାକୁ ସମସ୍ତଙ୍କ ପାଇଁ ଅଧିକ ପ୍ରଭାବଶାଳୀ କରିଥାଏ।

ଅବଗୁଣ

• ଏହି ପରାମର୍ଶଦାତା ଚାଇନା ସରକାରଙ୍କ କାର୍ଯ୍ୟର ସିଧାସଳଖ ପ୍ରମାଣ ସର୍ବସାଧାରଣରେ ଉପସ୍ଥାପନ କରିନାହିଁ, ଯାହା ଦାବିଗୁଡ଼ିକୁ ବିବାଦୀୟ କିମ୍ବା ରାଜନୈତିକରଣ କରିବା ପାଇଁ ସୁଯୋଗ ଛାଡିଦିଏ।
• ବର୍ଣ୍ଣନା କରାଯାଇଥିବା ଚିହ୍ନଟ ପଦ୍ଧତି (ଆଚରଣଗତ ପ୍ୟାଟର୍ଣ୍ଣ, ଟ୍ରାଫିକ୍ ବିଶ୍ଳେଷଣ) ବୈଧ ପାୱାର୍ ୟୁଜର୍ସ, ଗବେଷକ, କିମ୍ବା ଅସ୍ୱାଭାବିକ ବ୍ୟବହାର ପ୍ୟାଟର୍ଣ୍ଣ ଥିବା ବ୍ୟବସାୟଗୁଡ଼ିକୁ ମଧ୍ୟ ଫ୍ଲାଗ୍ କରିପାରେ।
• ସନ୍ଦେହଜନକ ଆକାଉଣ୍ଟ୍ ଗୁଡ଼ିକୁ ଚୁପଚାପ୍ ଖରାପ ଉତ୍ତର ଦେବା ପରି ପ୍ରତିରକ୍ଷାମୂଳକ ପଦକ୍ଷେପଗୁଡ଼ିକ, ଯଦି ଅଧିକ ବ୍ୟାପକ ଭାବରେ ପ୍ରୟୋଗ କରାଯାଏ, ତେବେ ଏହା ବୈଧ ଗବେଷକ ଏବଂ ମୂଲ୍ୟାଙ୍କନକାରୀମାନଙ୍କୁ ସେମାନଙ୍କ ଅଜାଣତରେ ପ୍ରଭାବିତ କରିପାରେ।
• ଏହି ବିବାଦ ଏକ କୂଟନୈତିକ ବିବାଦର କେନ୍ଦ୍ରବିନ୍ଦୁ ହେବାର ଆଶଙ୍କା ରହିଛି ଯାହା ଦୁଇ ଦେଶ ମଧ୍ୟରେ ଅସମ୍ପୃକ୍ତ AI ସହଯୋଗକୁ ପ୍ରଭାବିତ କରିପାରେ।

ସାବଧାନତା

ଏହି ଆର୍ଟିକିଲ୍ ସାଧାରଣ ବୁଝାମଣା ପାଇଁ ଲେଖାଯାଇଛି ଏବଂ ଏହା ଏକ ମିଳିତ ଯୁକ୍ତରାଷ୍ଟ୍ର ସରକାରୀ ପରାମର୍ଶ ଏବଂ ସାର୍ବଜନୀନ ରିପୋର୍ଟିଂର ସାରାଂଶ ଉପରେ ଆଧାରିତ; ଏହା ଏକ ଆଇନଗତ କିମ୍ବା ବୈଷୟିକ ବିଶ୍ଳେଷଣ ନୁହେଁ, ଏବଂ ଉଲ୍ଲେଖ କରାଯାଇଥିବା କୌଣସି ନାମ, ତାରିଖ, କିମ୍ବା ପରିସଂଖ୍ୟାନଗୁଡ଼ିକୁ କୌଣସି ନିଷ୍ପତ୍ତି ପାଇଁ ନିର୍ଭର କରିବା ପୂର୍ବରୁ ମୂଳ ପରାମର୍ଶ ଏବଂ ପ୍ରାଥମିକ ରିପୋର୍ଟିଂ ସହିତ ଯାଞ୍ଚ କରାଯିବା ଉଚିତ୍। ଏହି କ୍ଷେତ୍ରରେ AI ନୀତି ଦ୍ରୁତ ଗତିରେ ଆଗେଇ ଚାଲିଛି, ଏବଂ ନାମିତ କମ୍ପାନୀଗୁଡ଼ିକ ପ୍ରତ୍ୟେକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦାବିର ବିସ୍ତୃତ ସାର୍ବଜନୀନ ପ୍ରତିକ୍ରିୟା ଦେଇନାହାଁନ୍ତି, ତେଣୁ ଏହି ଅଭିଯୋଗଗୁଡ଼ିକୁ ପ୍ରମାଣିତ ତଥ୍ୟ ପରିବର୍ତ୍ତେ ଅଭିଯୋଗ ଭାବରେ ଗ୍ରହଣ କରନ୍ତୁ।

ବାରମ୍ବାର ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନ

• AI ମଡେଲ୍ ଡିଷ୍ଟିଲେସନ୍ କ'ଣ? — ଏହା ହେଉଛି ଏକ କୌଶଳ ଯେଉଁଠାରେ ଏକ ଛୋଟ କିମ୍ବା ନୂତନ AI ମଡେଲ୍ ("ଛାତ୍ର") କୁ ଏକ ବଡ଼, ଅଧିକ କ୍ଷମତାସମ୍ପନ୍ନ AI ମଡେଲ୍ ("ଶିକ୍ଷକ") ର ଆଉଟପୁଟ୍ ବ୍ୟବହାର କରି ତାଲିମ ଦିଆଯାଏ, ଯାହାଦ୍ୱାରା ଛୋଟ ମଡେଲ୍ ଟି ସମାନ ଦକ୍ଷତାକୁ ଶସ୍ତାରେ ଶିଖିପାରିବ।
• ଡିଷ୍ଟିଲେସନ୍ ବେଆଇନ କି? — ସ୍ୱାଭାବିକ ଭାବରେ ନୁହେଁ। ଏହା ଏକ ବହୁଳ ବ୍ୟବହୃତ, ବୈଧ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ କୌଶଳ। ଏଠାରେ ବିବାଦଟି ଏହି କୌଶଳ ବିଷୟରେ ନୁହେଁ, ବରଂ ଏହା ଏକ ବଡ଼ ଧରଣର ଠକେଇ, ଜାଲ୍ ଆକାଉଣ୍ଟ୍ ଏବଂ ନିୟମର ଉଲ୍ଲଂଘନ ମାଧ୍ୟମରେ କରାଯାଇଛି କି ନାହିଁ ତାହା ଉପରେ।
• ପରାମର୍ଶଦାତାରେ କେଉଁ କମ୍ପାନୀଗୁଡ଼ିକର ନାମ ଥିଲା? — DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun, ଏବଂ Z.AI (ପୂର୍ବରୁ Zhipu AI)।
• କେଉଁ AI କମ୍ପାନୀଗୁଡ଼ିକୁ କଥିତ ଭାବରେ ଲକ୍ଷ୍ୟ କରାଯାଇଥିଲା? — Anthropic, OpenAI, Google, ଏବଂ xAI।
• chain-of-thought ରିଜନିଂ କ'ଣ, ଏବଂ ଏହା ଏଠାରେ କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ? — ଏହା ହେଉଛି ଷ୍ଟେପ୍-ବାଇ-ଷ୍ଟେପ୍ ରିଜନିଂ ଯାହାକୁ ଏକ ମଡେଲ୍ ଏକ ଉତ୍ତରରେ ପହଞ୍ଚିବା ପାଇଁ ବ୍ୟବହାର କରେ, କେବଳ ଚୂଡ଼ାନ୍ତ ଫଳାଫଳ ନୁହେଁ। ଏହାକୁ ମୂଲ୍ୟବାନ ବୋଲି ବିବେଚନା କରାଯାଏ କାରଣ ଏହାକୁ କପି କରିବା ଦ୍ୱାରା ଅନ୍ୟ ଏକ ମଡେଲକୁ କେବଳ ଉତ୍ତର ଦୋହରାଇବା ନୁହେଁ, ବରଂ ସମାନ ସମସ୍ୟାଗୁଡ଼ିକ ମାଧ୍ୟମରେ କିପରି "ଚିନ୍ତା" କରିବାକୁ ହେବ ତାହା ଶିଖାଯାଇପାରିବ।
• କମ୍ପାନୀଗୁଡ଼ିକ ଡିଷ୍ଟିଲେସନ୍ ଅଭିଯାନକୁ କିପରି ଚିହ୍ନଟ କରନ୍ତି? — କ୍ରମାଗତ ସ୍ୱୟଂଚାଳିତ ବ୍ୟବହାର, ବ୍ୟକ୍ତିଗତ ଆକାଉଣ୍ଟଗୁଡିକରେ ଏଣ୍ଟରପ୍ରାଇଜ୍-ସ୍ତରର ଟ୍ରାଫିକ୍, ସମନ୍ୱିତ ଆକାଉଣ୍ଟ୍ ଆଚରଣ ଏବଂ ଚିହ୍ନଟକାରୀ ସୂଚନାରେ ହଠାତ୍ ପରିବର୍ତ୍ତନ ଭଳି ଅସାଧାରଣ ପ୍ୟାଟର୍ଣ୍ଣଗୁଡିକୁ ଖୋଜିବା ଦ୍ୱାରା।
• ଡିଫରେନ୍ସିଆଲ୍ ପ୍ରାଇଭେସି କଣ? — ଏକ ମଡେଲର ଆଉଟପୁଟଗୁଡିକରେ ଅଳ୍ପ ପରିମାଣର ପରିସଂଖ୍ୟାନିକ ନଏଜ୍ ଯୋଡିବାର ଏକ ପଦ୍ଧତି ଯାହା ଫଳରେ ମଡେଲଟି ପ୍ରକୃତରେ କିପରି ଆଚରଣ କରେ ତାହାକୁ ରିଭର୍ସ-ଇଞ୍ଜିନିୟର କରିବା କାହା ପାଇଁ କଷ୍ଟକର ହୋଇଥାଏ, ଯାହା ସଠିକତା କ୍ଷେତ୍ରରେ କିଛି ମୂଲ୍ୟରେ ହୋଇଥାଏ।
• ଏହାକୁ କେବଳ ଏକ ବ୍ୟବସାୟିକ ବିବାଦ ବଦଳରେ ଏକ ଜାତୀୟ ସୁରକ୍ଷା ସମସ୍ୟା ବୋଲି କାହିଁକି କୁହାଯାଉଛି? — କାରଣ ଅଧିକାରୀମାନେ ଯୁକ୍ତି କରନ୍ତି ଯେ କପି କରାଯାଇଥିବା AI ରିଜନିଂ ଏବଂ କୋଡିଂ କୌଶଳ ଶେଷରେ କେବଳ ବାଣିଜ୍ୟିକ ଉତ୍ପାଦଗୁଡିକ ନୁହେଁ, ବରଂ ସାମରିକ, ଗୁଇନ୍ଦା, କିମ୍ବା ସାଇବର ଆକ୍ରମଣ କ୍ଷମତାକୁ ସମର୍ଥନ କରିପାରେ।

ଟ୍ୟାଗଗୁଡିକ

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