தொழில்துறை அளவிலான மாடல் டிஸ்டிலேஷன் (Model Distillation) செய்ததாக ஆறு சீன AI நிறுவனங்கள் மீது அமெரிக்க முகவர் அமைப்புகள் (U.S. Agencies) குற்றச்சாட்டு

ஒரு AI நிறுவனம் ஏன் திடீரென உங்கள் கணக்கை முடக்குகிறது அல்லது உங்களை மீண்டும் அடையாள சரிபார்ப்பு செய்யக் கேட்கிறது என்று நீங்கள் எப்போதாவது யோசித்திருந்தால், இந்தக் கதை அதற்கான ஒரு சிறந்த எடுத்துக்காட்டு. செப்டம்பர் 10, 2026 அன்று, அமெரிக்க இணையப் பாதுகாப்பு மற்றும் உளவுத்துறை முகவர் அமைப்புகள் (U.S. cybersecurity and intelligence agencies), சிறந்த அமெரிக்க AI மாடல்களின் திறன்களை காப்பியடிக்க, சீனாவைச் சேர்ந்த ஆறு AI நிறுவனங்கள் ஒருங்கிணைந்த, பெரிய அளவிலான செயல்பாடுகளை மேற்கொண்டதாக குற்றம் சாட்டின — மேலும் இந்தக் குற்றச்சாட்டு மிகவும் தீவிரமானது என்பதால், இது வெறும் வணிகப் பிரச்சனையாக மட்டும் இல்லாமல், தேசியப் பாதுகாப்புப் பிரச்சனையாக இப்போது கையாளப்படுகிறது.

அமெரிக்காவின் மூன்று முக்கிய முகவர் அமைப்புகளின் கூட்டு ஆலோசனை அறிக்கையிலிருந்து இந்தக் குற்றச்சாட்டு வருவதாலும், AI பாதுகாப்பு குறித்து உயர்மட்டப் பேச்சுவார்த்தைகளுக்கு அமெரிக்காவும் சீனாவும் தயாராகி வரும் நேரத்தில் இது வெளிவந்துள்ளதாலும் இது இப்போது முக்கியத்துவம் பெறுகிறது. நீங்கள் ஒரு டெவலப்பராகவோ, வணிக உரிமையாளராகவோ அல்லது இந்த அமைப்புகள் எப்படி உருவாக்கப்படுகின்றன என்பதைப் பற்றி தெரிந்துகொள்ள ஆர்வமுள்ளவராகவோ இருந்தாலும், AI துறையில் திரைக்குப் பின்னால் நடக்கும் பல விஷயங்களை வடிவமைக்கும் "டிஸ்டிலேஷன்" ("distillation") எனப்படும் ஒரு நுட்பத்தைப் புரிந்துகொள்ள இது ஒரு சரியான நேரமாகும்.

என்ன நடந்தது

இணையப் பாதுகாப்பு மற்றும் உள்கட்டமைப்பு பாதுகாப்பு முகமை (CISA), தேசியப் பாதுகாப்பு முகமை (NSA) மற்றும் ஃபெடரல் பீரோ ஆஃப் இன்வெஸ்டிகேஷன் (FBI) ஆகிய மூன்று அமெரிக்க முகவர் அமைப்புகள் ஒரு கூட்டு ஆலோசனை அறிக்கையை வெளியிட்டன. அதில் DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun மற்றும் Z.AI (முன்பு Zhipu AI என அறியப்பட்டது) ஆகிய ஆறு நிறுவனங்களின் பெயர்கள் குறிப்பிடப்பட்டுள்ளன. Anthropic, OpenAI, Google மற்றும் xAI ஆகிய நிறுவனங்களால் உருவாக்கப்பட்ட மாடல்களிலிருந்து பில்லியன் கணக்கான தகவல்களை (ஒரு AI மாடல் படிக்கும் மற்றும் உருவாக்கும் உரையின் பகுதிகளான "டோக்கன்கள்") இந்த நிறுவனங்கள் எடுத்ததாக அந்த ஆலோசனை அறிக்கை கூறுகிறது.

முகவர் அமைப்புகளின் கூற்றுப்படி, இது வெறும் ஆர்வத்தால் சில ஆராய்ச்சியாளர்கள் செய்த செயல் அல்ல. இது குறைந்தது 2024 ஆம் ஆண்டின் பிற்பகுதியில் இருந்து தொடங்கிய மில்லியன் கணக்கான தானியங்கி ஊடாடல்களை (automated interactions) உள்ளடக்கியது என்று கூறப்படுகிறது, மேலும் இது இந்த நிறுவனங்கள் தங்களது சொந்த AI மாடல்களை எவ்வாறு உருவாக்கின என்பதன் ஒரு முக்கியப் பகுதியாக விவரிக்கப்பட்டது — இது ஒரு துணைப் பரிசோதனை அல்ல.

நேரடியான அரசாங்க ஈடுபாட்டிற்கான ஆதாரங்களை ஆலோசனை அறிக்கை பகிரங்கமாக முன்வைக்கவில்லை என்றாலும், சீன அரசாங்கத்திற்கு இந்த நடவடிக்கைகள் குறித்து தெரிந்திருக்க வாய்ப்புள்ளது என்று தாங்கள் நம்புவதாக முகவர் அமைப்புகள் தெரிவித்தன. சீனாவின் வர்த்தக அமைச்சகம் இதற்கு கடுமையான எதிர்ப்புத் தெரிவித்தது, இந்த நுட்பம் பரவலாகப் பயன்படுத்தப்படுகிறது என்றும் இது "தொழில்நுட்ப ரீதியாக நடுநிலையானது" என்றும் கூறியது, மேலும் அமெரிக்கா இரட்டை வேடம் போடுவதாகக் குற்றம் சாட்டியதோடு, அமெரிக்க நிறுவனங்களும் சீன மாடல்களைப் படித்துள்ளன என்பதைச் சுட்டிக்காட்டியது. சீன AI நிறுவனங்கள் மீது புதிய கட்டுப்பாடுகளை விதிக்க இந்தக் குற்றச்சாட்டுகள் பயன்படுத்தப்பட்டால், அதற்குப் பதிலடி கொடுக்கப்படும் என பெய்ஜிங் எச்சரித்தது.

"டிஸ்டிலேஷன்" ("distillation") என்பதன் உண்மையான அர்த்தம் என்ன

இதோ எளிய மொழியில் விளக்கம். மிகவும் அனுபவம் வாய்ந்த ஒரு ஆசிரியரையும், திறமையுள்ள ஆனால் குறைவான அனுபவம் கொண்ட ஒரு மாணவரையும் கற்பனை செய்து கொள்ளுங்கள். மாணவர் எல்லாவற்றையும் ஆரம்பத்திலிருந்தே கற்பதற்குப் பதிலாக, ஆசிரியர் பிரச்சனைகளைத் தீர்ப்பதைப் பார்க்கிறார், ஆசிரியரின் பதில்களைப் படிக்கிறார், மேலும் அந்தத் திறனைப் பின்பற்றக் கற்றுக்கொள்கிறார். AI மொழியில் சொல்வதென்றால், "ஆசிரியர்" என்பது ஒரு பெரிய, சக்திவாய்ந்த மாடல் (Anthropic அல்லது OpenAI உருவாக்கியது போல), மற்றும் "மாணவர்" என்பது குறைந்த செலவில் அதைப் போலவே செயல்படப் பயிற்றுவிக்கப்படும் ஒரு புதிய அல்லது சிறிய மாடல் ஆகும்.

இது நாலெட்ஜ் டிஸ்டிலேஷன் (knowledge distillation) என்று அழைக்கப்படுகிறது, இது தானாகவே AI மேம்பாட்டின் முற்றிலும் இயல்பான ஒரு பகுதியாகும். நிறுவனங்கள் தங்களது சொந்த மாடல்களின் மலிவான, வேகமான பதிப்புகளை உருவாக்க அல்லது ஒரு சிறிய மாடலுக்கு பூஜ்யத்திலிருந்து மீண்டும் பயிற்சியளிக்காமல் ஒரு குறிப்பிட்ட திறனைக் கற்பிக்க இதை எப்போதும் பயன்படுத்துகின்றன.

இங்கு பிரச்சனை அந்த நுட்பம் அல்ல — அது இங்கு எவ்வாறு பயன்படுத்தப்பட்டதாகக் கூறப்படுகிறது என்பதுதான். ஒரு சில முறையான ஆராய்ச்சி கேள்விகளுக்குப் பதிலாக, ஒரு மாடல் ஒரு பிரச்சனையை எவ்வாறு ஆராய்கிறது, அது எவ்வாறு குறியீடு (code) எழுதுகிறது, சட்டப்பூர்வ வேலை போன்ற சிறப்புத் தொழில்முறைப் பணிகளை அது எவ்வாறு கையாளுகிறது போன்ற குறிப்பிட்ட திறன்களைப் பிரித்தெடுக்க மில்லியன் கணக்கான கவனமாக வடிவமைக்கப்பட்ட பிராம்ப்ட்களை (prompts) அனுப்பும் பிரச்சாரங்களை ஆலோசனை அறிக்கை விவரிக்கிறது. ஒரு போட்டியாளரின் விலையுயர்ந்த, மீண்டும் உருவாக்கக் கடினமான வேலையைக் காப்பியடிப்பதற்காகவே இவ்வளவு பெரிய அளவில் செய்யப்படும் போது, இது ஆராய்ச்சியைக் காட்டிலும் பெரிய அளவிலான திருட்டாகவே (large-scale extraction) பார்க்கப்படுகிறது.

ஒவ்வொரு நிறுவனத்தின் மீதும் சுமத்தப்பட்டுள்ள குற்றச்சாட்டுகள் என்ன

ஆலோசனை அறிக்கை ஒவ்வொரு நிறுவனத்திற்கும் குறிப்பிட்ட குற்றச்சாட்டுகளை முன்வைக்கிறது:

• DeepSeek — பகுத்தறிதல் (reasoning), எழுதுதல், கேள்வி-பதில் மற்றும் சட்டப்பூர்வ வேலை போன்ற சிறப்புப் பணிகளை இலக்காகக் கொண்டு, அதன் R1 மற்றும் V3 மாடல்களை உருவாக்க உதவுவதற்காக 2024-இன் பிற்பகுதியிலிருந்து 2025-இன் நடுப்பகுதி வரை டிஸ்டிலேஷன் (distillation) நடவடிக்கைகளில் ஈடுபட்டதாகக் கூறப்படுகிறது.
• Moonshot AI — கணிதம், குறியீடு எழுதுதல் (coding) மற்றும் ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் (reinforcement learning - ஒரு மாடல் அதன் செயல்திறன் குறித்த பின்னூட்டத்தின் அடிப்படையில் தன்னை மேம்படுத்திக்கொள்ளும் ஒரு பயிற்சி முறை) ஆகியவற்றில் கவனம் செலுத்தி, அதன் Kimi மாடல் குடும்பத்தை மேம்படுத்துவதற்காக, 2025-இன் நடுப்பகுதியிலிருந்து Anthropic-இன் Claude மாடல்கள் மற்றும் OpenAI-இன் GPT-4o ஆகியவற்றிலிருந்து தரவுகளை எடுத்ததாகக் குற்றம் சாட்டப்பட்டுள்ளது.
• Alibaba — குறியீடு எழுதுதல் (coding), வாடிக்கையாளர் சேவை மற்றும் பட உருவாக்கம் ஆகியவற்றிற்காக 2025-இன் பிற்பகுதியில் Claude மற்றும் GPT மாடல்களை இலக்காகக் கொண்டதாகக் குற்றம் சாட்டப்பட்டுள்ளது. தனியாக, 2026-இல் ஆறு வார இடைவெளியில் கிட்டத்தட்ட 25,000 போலி கணக்குகள் மூலம் 28.8 மில்லியனுக்கும் அதிகமான பரிமாற்றங்களை மேற்கொண்டதாகக் கூறி, இதுவரை நடந்ததிலேயே மிகப்பெரிய டிஸ்டிலேஷன் (distillation) பிரச்சாரத்தை நடத்தியதாக Alibaba-வின் Qwen ஆராய்ச்சிக் குழுவுடன் தொடர்புடைய நபர்கள் மீது Anthropic முன்னதாகக் குற்றம் சாட்டியிருந்தது.
• MiniMax — அதன் M2 மாடலை மேம்படுத்துவதற்காக Claude மற்றும் Google-இன் Gemini மாடல்களிலிருந்து "செயின்-ஆஃப்-தாட்" ("chain-of-thought" - ஒரு மாடலின் இறுதிப் பதில் மட்டுமல்லாமல் அதன் படிப்படியான பகுத்தறிதல்) தரவுகளை சேகரித்ததாகக் குற்றம் சாட்டப்பட்டுள்ளது.
• StepFun — அதன் Step 4 மாடலில் குறியீடு எழுதுதல் (coding) மற்றும் பணி-தானியக்க (task-automation) அம்சங்களை வலுப்படுத்துவதற்காக, 2025-இன் பிற்பகுதிக்கும் 2026-இன் முற்பகுதிக்கும் இடையில் பல Claude மற்றும் GPT மாடல்களைப் பயன்படுத்தியதாகக் குற்றம் சாட்டப்பட்டுள்ளது.
• Z.AI — குறிப்பாக செயின்-ஆஃப்-தாட் பகுத்தறிதலை (chain-of-thought reasoning) இலக்காகக் கொண்டு, 2026-இன் நடுப்பகுதியில் GPT-5.5 மற்றும் Claude மாடல்களிலிருந்து பில்லியன் கணக்கான டோக்கன்களை (tokens) எடுத்ததாகக் குற்றம் சாட்டப்பட்டுள்ளது.

செயின்-ஆஃப்-தாட் (Chain-of-thought) தரவு மிகவும் முக்கியத்துவம் வாய்ந்ததாகக் கருதப்படுகிறது, ஏனெனில் இதில் இறுதிப் பதில் மட்டுமே மதிப்புமிக்கது அல்ல — இது பகுத்தறியும் செயல்முறையாகும், இதை இதே போன்ற பிரச்சனைகளை எவ்வாறு "சிந்தித்துத்" தீர்ப்பது என்பதை மற்றொரு மாடலுக்குக் கற்பிக்க மீண்டும் பயன்படுத்தலாம்.

நிறுவனங்கள் இதை எப்படி கண்டுபிடிக்க வேண்டும்

ஒரு மாடலின் முழுத் திறன் தொகுப்பையும் அறிய முயற்சிக்கும் தானியங்கி அமைப்புக்கும், எப்போதாவது கேள்விகளைக் கேட்கும் ஒரு சாதாரண பயனருக்கும் நிறைய வித்தியாசங்கள் உள்ளதால், இந்த பிரச்சாரங்களை AI வழங்குநர்கள் எவ்வாறு கண்டறிய முயற்சி செய்யலாம் என்பதையும் ஆலோசனை அறிக்கை விளக்குகிறது. வழங்குநர்கள் எச்சரிக்கை அறிகுறிகளின் கலவையைத் தேடவும், பின்னர் பல அடுக்கு பாதுகாப்புகளுடன் (layered defenses) பதிலளிக்கவும் ஊக்குவிக்கப்படுகிறார்கள்.

படி 1: மனிதனைப் போல இல்லாத நடத்தையைக் கவனியுங்கள்

உண்மையான மனிதர்கள் ஓய்வு எடுப்பார்கள், தூங்குவார்கள், மேலும் நேர மண்டலங்கள் மற்றும் வேலை நேரங்களைப் பொறுத்து சேவைகளை வித்தியாசமாகப் பயன்படுத்துவார்கள். இயல்பான இடைநிறுத்தங்கள் இல்லாமல், தொடர்ந்து, 24 மணி நேரமும் ட்ராஃபிக்கை (traffic) உருவாக்கும் ஒரு கணக்கு நிச்சயமாக விசாரிக்கப்பட வேண்டிய ஒரு அறிகுறியாகும் — குறிப்பாக தனிப்பட்ட சந்தாவாக (personal subscription) இருக்க வேண்டிய ஒரு கணக்கில் நிறுவன அளவிலான (enterprise-level) பயன்பாடு இருந்தால்.

படி 2: கணக்கு மற்றும் உள்கட்டமைப்பு வடிவங்களைக் கண்காணிக்கவும்

ட்ராஃபிக் (traffic) ஒரு செயல்பாட்டிலிருந்து வராமல் தொடர்பில்லாத பல பயனர்களிடமிருந்து வருவது போல் காட்ட, அதிக எண்ணிக்கையிலான சந்தாக்கள் அல்லது API கீ-களை (keys) வாங்கி, பகிரப்பட்ட அணுகலை மறுவிற்பனை செய்யும் ப்ராக்ஸி சேவைகளான (proxy services) "பரிமாற்ற நிலையங்களை" ("transfer stations") இயக்குபவர்கள் பயன்படுத்தியதாகக் கூறப்படுகிறது. ஒரே மாதிரியான உள்கட்டமைப்பைப் பயன்படுத்தும், ஒரே மாதிரியான பிராம்ப்ட்களை (prompts) சமர்ப்பிக்கும் அல்லது சாதனத் தகவல் அல்லது கட்டண முறைகள் போன்ற அடையாள விவரங்களைத் திடீரென மாற்றும் கணக்குகளின் குழுக்களைத் தேடுமாறு புலனாய்வாளர்களுக்கு அறிவுறுத்தப்பட்டுள்ளது.

படி 3: நிறுவனங்கள் மற்றும் தளங்கள் முழுவதும் சிக்னல்களைப் (signals) பகிரவும்

ஒரு AI வழங்குநரால் முடக்கப்பட்ட ஆபரேட்டர் எளிதாக மற்றொரு வழங்குநர், கிளவுட் ஹோஸ்ட் (cloud host) அல்லது மூன்றாம் தரப்பு மறுவிற்பனையாளரிடம் மாறலாம் என்பதால், தனியுரிமை மற்றும் சட்ட எல்லைகளை மதிக்கும் அதே வேளையில், அறியப்பட்ட ப்ராக்ஸி (proxy) உள்கட்டமைப்பு மற்றும் சந்தேகத்திற்குரிய கணக்கு வடிவங்களை ஒருவருக்கொருவர் பகிர்ந்துகொண்டு, நிறுவனங்கள் தகவல்களை ஒப்பிட்டுப் பார்க்க வேண்டும் என்று ஆலோசனை அறிக்கை பரிந்துரைக்கிறது.

படி 4: முறைகேடு சந்தேகிக்கப்பட்டால் தரவுகளின் பயன்பாட்டைக் குறைக்கவும்

ஒரு கணக்கு டிஸ்டிலேஷன் (distillation) பிரச்சாரத்தின் ஒரு பகுதி என்று ஒரு நிறுவனம் சந்தேகித்தால், அது கணக்கை முற்றிலுமாக முடக்காமல் அமைதியாகப் பதிலளிக்க முடியும் — எடுத்துக்காட்டாக, குறுகிய அல்லது குறைவான விரிவான பதில்களை வழங்குவது, அதன் பதில்களை மாற்றுவது அல்லது சந்தேகத்திற்குரிய ட்ராஃபிக்கை (traffic) மாடலின் குறைந்த திறன் கொண்ட பதிப்பிற்கு அனுப்புவது. சில நிறுவனங்கள் டிஃபெரன்ஷியல் பிரைவசி (differential privacy) என்ற நுட்பத்தையும் பயன்படுத்தலாம், இது வெளியீடுகளில் ஒரு சிறிய அளவு புள்ளிவிவர "இரைச்சலை" ("noise") சேர்க்கிறது, இது மாடல் சரியாக எப்படி வேலை செய்கிறது என்பதை ரிவர்ஸ்-இன்ஜினியரிங் (reverse-engineer) செய்வதைக் கடினமாக்குகிறது, ஆனால் இதில் துல்லியத்தில் சிறிது சமரசம் செய்ய வேண்டியிருக்கும்.

இது ஏன் தேசியப் பாதுகாப்புப் பிரச்சனையாக அழைக்கப்படுகிறது

இது நிறுவனங்கள் தங்களது போட்டித்தன்மையை இழப்பதைப் பற்றியது மட்டுமல்ல என்று ஆலோசனை அறிக்கை வாதிடுகிறது. ஒரு மாடலை பிரச்சனைகளைத் தீர்ப்பதில் சிறந்ததாக மாற்றும் அதே திறன்கள், மென்பொருள் பாதிப்புகளைக் கண்டறிவதிலும் அல்லது தீங்கிழைக்கும் குறியீட்டை (malicious code) எழுதுவதிலும் அதைச் சிறந்ததாக மாற்றும் என்பதால், காப்பியடிக்கப்பட்ட பகுத்தறிதல் மற்றும் குறியீட்டுத் திறன்கள் இறுதியில் ராணுவ அமைப்புகள், உளவுத்துறை பணிகள் அல்லது சைபர் தாக்குதல்களுக்கு (cyberattacks) ஆதரவளிக்கக்கூடும் என்று அதிகாரிகள் கூறுகின்றனர். இது ஏற்கனவே நடந்துவிட்டதாக அரசாங்கம் காட்டவில்லை — ஆனால் அதன் பாதை பற்றிய கவலை உள்ளது: இன்றைய வேகமான, மலிவான AI வளர்ச்சி பின்னாளில் மாநிலப் பயன்பாட்டிற்கான வலுவான திறன்களாக மாறக்கூடும்.

முடிவுரை

இந்தப் பிரச்சனை AI துறையில் உள்ள ஒரு உண்மையான கடினமான சிக்கலைக் காட்டுகிறது: மில்லியன் கணக்கான மக்கள் பயனுள்ள AI உதவியாளரைப் பயன்படுத்த அனுமதிக்கும் அதே பொது இடைமுகம்தான் (public interface), அந்த நிறுவனத்தின் விலையுயர்ந்த ஆராய்ச்சிக்கும், அதை பெரிய அளவில் காப்பியடிக்க முயற்சிக்கும் எவருக்கும் இடையேயான ஒரே தடையாக இருக்கிறது. டிஸ்டிலேஷன் (Distillation) இங்கே வில்லன் அல்ல — இது ஒரு சாதாரண, பயனுள்ள நுட்பம். அமெரிக்க முகவர் அமைப்புகள் விவரிப்பது வேறு ஒன்று: விதிகளை மீறும் வகையில் வடிவமைக்கப்பட்ட ஒருங்கிணைந்த, மாறுவேடமிட்ட, அதிக அளவிலான திருட்டு (high-volume extraction). இந்தக் குறிப்பிட்ட பிரச்சனை தூதரக ரீதியாகத் தணிந்தாலும் இல்லாவிட்டாலும், AI நிறுவனங்கள் அடையாளச் சரிபார்ப்புகளையும் கணக்குக் கண்காணிப்பையும் தொடர்ந்து கடுமையாக்கும் என்று எதிர்பார்க்கலாம், ஏனெனில் ஒரு முன்னணி AI மாடலுக்கான அணுகல் இப்போது திருடுவதற்கு மதிப்புள்ள அளவுக்கு விலைமதிப்பற்றதாகிவிட்டது.

நன்மைகள்

• பெரும்பாலான AI பயனர்கள் ஒருபோதும் நினைத்துப் பார்க்காத உண்மையான, தொழில்நுட்ப ரீதியான ஆபத்து குறித்த பொது விழிப்புணர்வை ஏற்படுத்துகிறது.
• சிறந்த அடையாள சரிபார்ப்பு மற்றும் முறைகேடுகளைக் கண்டறிவதில் முதலீடு செய்ய AI நிறுவனங்களை ஊக்குவிக்கிறது, இது கணக்கைக் கைப்பற்றுதல் (account takeover) மற்றும் API முறைகேடு போன்ற தொடர்பில்லாத அச்சுறுத்தல்களுக்கு எதிராகவும் உதவுகிறது.
• முழு நுட்பத்தையும் சட்டவிரோதமானது என்று கருதுவதற்குப் பதிலாக, முறையான ஆராய்ச்சிக்கும் (சாதாரண டிஸ்டிலேஷன்) மற்றும் முறைகேடான திருட்டிற்கும் இடையிலான வேறுபாட்டைத் தெளிவாக வேறுபடுத்திக் காட்டுகிறது.
• பகிரப்பட்ட அச்சுறுத்தல் சிக்னல்கள் குறித்து நிறுவனங்களுக்கு இடையிலான ஒத்துழைப்பை வலியுறுத்துகிறது, இது கண்டறிதலை அனைவருக்கும் மிகவும் பயனுள்ளதாக மாற்ற உதவுகிறது.

தீமைகள்

• சீன அரசாங்கத்தின் நேரடி ஈடுபாட்டிற்கான நேரடி ஆதாரங்களை ஆலோசனை அறிக்கை பகிரங்கமாக முன்வைக்கவில்லை, இது இந்தக் கூற்றுக்கள் விவாதிக்கப்படவோ அல்லது அரசியலாக்கப்படவோ வழிவகுக்கிறது.
• விவரிக்கப்பட்டுள்ள கண்டறிதல் முறைகள் (நடத்தை வடிவங்கள், ட்ராஃபிக் பகுப்பாய்வு) முறையான பவர் பயனர்கள் (power users), ஆராய்ச்சியாளர்கள் அல்லது வழக்கத்திற்கு மாறான பயன்பாட்டு வடிவங்களைக் கொண்ட வணிகங்களையும் தவறாகக் குறிக்கலாம்.
• சந்தேகத்திற்குரிய கணக்குகளுக்கு அமைதியாகத் தரமிறக்கப்பட்ட பதில்களை வழங்கும் தற்காப்பு நடவடிக்கைகள், மிகவும் பரவலாகப் பயன்படுத்தப்பட்டால், முறையான ஆராய்ச்சியாளர்கள் மற்றும் மதிப்பீட்டாளர்களை அவர்களுக்குத் தெரியாமலேயே பாதிக்கக்கூடும்.
• இந்தப் பிரச்சனை இரு நாடுகளுக்கும் இடையிலான தொடர்பில்லாத AI ஒத்துழைப்பைப் பாதிக்கக்கூடிய ஒரு தூதரக மோதல் புள்ளியாக மாறும் அபாயத்தைக் கொண்டுள்ளது.

எச்சரிக்கை

இந்தக் கட்டுரை பொதுவான புரிதலுக்காக எழுதப்பட்டது மற்றும் இது ஒரு கூட்டு அமெரிக்க அரசாங்க ஆலோசனை அறிக்கை மற்றும் பொது அறிக்கைகளின் சுருக்கத்தின் அடிப்படையில் அமைந்துள்ளது; இது ஒரு சட்ட அல்லது தொழில்நுட்பப் பகுப்பாய்வு அல்ல, மேலும் முடிவெடுப்பதற்காக நீங்கள் அவற்றை நம்புவதற்கு முன்பு குறிப்பிடப்பட்டுள்ள எந்தப் பெயர்கள், தேதிகள் அல்லது புள்ளிவிவரங்கள் அசல் ஆலோசனை அறிக்கை மற்றும் முதன்மை அறிக்கைகளுடன் சரிபார்க்கப்பட வேண்டும். இந்தப் பகுதியில் AI கொள்கை வேகமாக நகர்கிறது, மேலும் பெயரிடப்பட்ட நிறுவனங்கள் அனைத்தும் ஒவ்வொரு குறிப்பிட்ட கூற்றுக்கும் விரிவான பொதுவான பதில்களை வழங்கவில்லை, எனவே குற்றச்சாட்டுகளைத் தீர்க்கப்பட்ட உண்மையாகக் கருதாமல் குற்றச்சாட்டுகளாகக் கருதுங்கள்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• AI மாடல் டிஸ்டிலேஷன் (AI model distillation) என்றால் என்ன? — இது ஒரு சிறிய அல்லது புதிய AI மாடல் ("மாணவர்") பெரிய, அதிகத் திறன் கொண்ட AI மாடலின் ("ஆசிரியர்") வெளியீடுகளைப் பயன்படுத்திப் பயிற்றுவிக்கப்படும் ஒரு நுட்பமாகும், இதனால் சிறிய மாடல் இதே போன்ற திறன்களை மலிவாகக் கற்றுக்கொள்ள முடியும்.
• டிஸ்டிலேஷன் (distillation) சட்டவிரோதமானதா? — அடிப்படையில் இல்லை. இது பரவலாகப் பயன்படுத்தப்படும், முறையான இயந்திர கற்றல் (machine learning) நுட்பமாகும். இங்குள்ள பிரச்சனை நுட்பத்தைப் பற்றியது அல்ல, இது மிகப்பெரிய அளவில் மோசடி, போலி கணக்குகள் மற்றும் விதிகளை மீறுதல் மூலம் செய்யப்பட்டதா என்பதைப் பற்றியது.
• ஆலோசனை அறிக்கையில் எந்தெந்த நிறுவனங்களின் பெயர்கள் குறிப்பிடப்பட்டுள்ளன? — DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun மற்றும் Z.AI (முன்பு Zhipu AI).
• எந்த AI நிறுவனங்கள் இலக்கு வைக்கப்பட்டதாகக் கூறப்படுகிறது? — Anthropic, OpenAI, Google மற்றும் xAI.
• செயின்-ஆஃப்-தாட் பகுத்தறிதல் (chain-of-thought reasoning) என்றால் என்ன, அது இங்கே ஏன் முக்கியமானது? — இது ஒரு மாடல் ஒரு பதிலைப் பெறப் பயன்படுத்தும் படிப்படியான பகுத்தறிதல் ஆகும், வெறும் இறுதி முடிவு மட்டுமல்ல. இது மதிப்புமிக்கதாகக் கருதப்படுகிறது, ஏனெனில் இதை நகலெடுப்பது மற்றொரு மாடலுக்கு இதே போன்ற பிரச்சனைகளை எப்படிச் "சிந்தித்துத்" தீர்ப்பது என்பதைக் கற்பிக்க முடியும், வெறும் பதில்களைத் திரும்பத் திரும்பக் கூறாமல்.
• நிறுவனங்கள் டிஸ்டிலேஷன் (distillation) பிரச்சாரங்களை எவ்வாறு கண்டறிகின்றன? — இடைவிடாத தானியங்கி பயன்பாடு, தனிப்பட்ட கணக்குகளில் நிறுவன அளவிலான போக்குவரத்து, ஒருங்கிணைந்த கணக்கு நடத்தை மற்றும் அடையாளம் காணும் தகவல்களில் ஏற்படும் திடீர் மாற்றங்கள் போன்ற அசாதாரண வடிவங்களைத் தேடுவதன் மூலம்.
• டிஃபரன்ஷியல் பிரைவசி (differential privacy) என்றால் என்ன? — துல்லியத்தில் சற்றே சமரசம் செய்து, ஒரு மாடல் எவ்வாறு செயல்படுகிறது என்பதை எவரும் துல்லியமாக ரிவர்ஸ்-இன்ஜினியரிங் (reverse-engineer) செய்வதைக் கடினமாக்கும் வகையில், மாடலின் வெளியீடுகளில் சிறிய அளவிலான புள்ளிவிவர இரைச்சலைச் (statistical noise) சேர்க்கும் ஒரு முறை.
• இது வெறும் வணிகப் பிரச்சினை என்று கூறப்படாமல் தேசியப் பாதுகாப்புப் பிரச்சினை என்று ஏன் அழைக்கப்படுகிறது? — ஏனெனில், திருடப்பட்ட AI பகுத்தறிவு மற்றும் கோடிங் (coding) திறன்கள், வெறும் வணிகத் தயாரிப்புகளை மட்டுமின்றி, எதிர்காலத்தில் இராணுவ, உளவுத்துறை அல்லது சைபர் தாக்குதல் திறன்களுக்கும் உதவக்கூடும் என்று அதிகாரிகள் வாதிடுகின்றனர்.

குறிச்சொற்கள்

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