چرا Anthropic و OpenAI دسترسی به جدیدترین مدل‌های خود را محدود می‌کنند؟

انحصار (Exclusivity) یک ابزار بازاریابی قدرتمند است. فقط کافی است این موضوع را از Anthropic بپرسید. هنگامی که در ۷ آوریل این آزمایشگاه هوش مصنوعی اعلام کرد که نسخه پیش‌نمایش جدیدترین مدل آن به نام Mythos تنها در دسترس گروهی انحصاری از شرکت‌ها قرار خواهد گرفت، موجی از حسادت به‌سرعت در میان سایر شرکت‌های که از نظر Anthropic، خاص نبود گسترش یافت. تنها یک بانک، یعنی جی‌پی مورگان چیس (JPMorgan Chase)، در فهرست اولیه دعوت‌شدگان قرار گرفت. هیئت‌مدیره یک سازمان وام‌دهنده آسیایی چند روز بعد مدیرعامل خود را فراخواند تا توضیح دهد که چگونه آن‌ها نیز می‌توانند به‌سرعت به «پروژه Glasswing»، نامی که باشگاه جدید Anthropic با آن شناخته می‌شود، دسترسی پیدا کنند.

باتوجه‌به ادعاهای این آزمایشگاه در مورد Mythos، چنین واکنشی جای شگفتی ندارد. این شرکت می‌گوید که مدل جدیدش به طور ویژه‌ای در یافتن نقاط ضعف امنیت سایبری مهارت دارد؛ به همین دلیل است که به‌صورت مرحله‌ای عرضه می‌شود تا مبادا پیش از آنکه شرکت‌ها فرصت استفاده از این ابزار برای ترمیم سیستم‌های دفاعی خود را پیدا کنند، به دست افرادی با اهداف شرورانه بیفتد.

Anthropic می‌گوید زمانی که Mythos در نهایت برای عموم منتشر شود، قابلیت‌های هکری آن محدود خواهد شد. بااین‌وجود، توانمندی‌های ادعایی این مدل نه‌تنها کسب‌وکارها، بلکه دولت‌ها را نیز نگران کرده است. پس از رونمایی از Mythos، «اسکات بسنت» (Scott Bessent)، وزیر خزانه‌داری آمریکا و «جروم پاول» (Jerome Powell)، رئیس فدرال رزرو، بزرگ‌ترین بانک‌های آمریکا را فراخواندند تا در مورد خطرات امنیت سایبریِ ناشی از هوش مصنوعی بحث و تبادل نظر کنند.

برای عقب نماندن از این رقابت، در ۱۴ آوریل، OpenAI، اعلام کرد که سیستم اختصاصی خود با قابلیت‌های هکری فوق‌پیشرفته، به نامGPT-5.4-Cyberرا برای کاربران تأییدصلاحیت‌شده منتشر خواهد کرد. این رویکرد پلکانی در عرضه مدل‌ها، چیزی فراتر از یک خدمت عمومی است و ممکن است به‌زودی به یک هنجار برای سیستم‌های پیشگام (Frontier systems) تبدیل شود. دلیل این امر آن است که آزمایشگاه‌های هوش مصنوعی به سه طریق از آن منتفع می‌شوند

• نخست، سرقتِ آنچه که محصور و محدود شده، دشوارتر است.در ماه فوریه، Anthropic از کمپین‌های «در مقیاس صنعتیِ» سه آزمایشگاه چینی برای «تقطیر» (Distill) مدل‌های خود شکایت کرد و OpenAI نیز در گذشته اعتراضات مشابهی داشته است. تقطیر مستلزم استفاده از خروجی‌های یک مدل هوش مصنوعی برای بهبود سیستمی است که توانمندی کمتری دارد. بیشتر آزمایشگاه‌ها به یک شکل یا شکل دیگر از این تکنیک استفاده می‌کنند. به‌عنوان‌مثال، یک مدل بزرگ که به توان پردازشی زیادی نیاز دارد، ممکن است به یک مدل کوچک اما قدرتمند تقطیر شود. بااین‌حال، تقطیرِ مدل یک رقیب، بیشتر به جاسوسی صنعتی شباهت دارد. آزمایشگاه‌های آمریکایی مشتاق هستند از قوانین مالکیت فکری برای جلوگیری از وقوع مجدد این اتفاق استفاده کنند. اما مطمئن‌ترین راه برای جلوگیری از سرقت علمی (Plagiarism) یک مدل، این است که دسترسی کسانی که قصد تقطیر آن را دارند، مسدود شود.

• دوم، آزمایشگاه‌ها با کمبود توان پردازشی دست‌وپنجه نرم می‌کنند که آن‌ها را مجبور به اولویت‌بندی تخصیص منابع می‌کند.علی‌رغم مبالغ هنگفتی که برای ساخت مراکز داده هزینه می‌شود، تقاضا برای هوش مصنوعی همچنان در حال افزایش است و هر مدل پیشگامِ جدید، انرژی بیشتری نسبت به مدل قبلی می‌بلعد. Anthropic اخیراً مجبور شده است محدودیت‌هایی را برای میزان استفاده کاربران از Claude، به‌ویژه در ساعات خاصی از روز اعمال کند و مدل قیمت‌گذاری سازمانی خود را تغییر داده تا بر اساس میزان مصرف، هزینه دریافت کند. به نظر می‌رسد Mythos اشتهای سیری‌ناپذیرِ خاصی برای توان پردازشی دارد. قیمت‌گذاری منتشرشده Anthropic برای این سرویس بالاست؛ معادل پنج برابر هزینه‌ای که برای استفاده از Opus 4.6، قدرتمندترین مدل در دسترس عمومِ این شرکت دریافت می‌کند. این امر نشان می‌دهد که Mythos بارِ بسیار بیشتری بر دوش زیرساخت‌های Anthropic می‌گذارد. نگه‌داشتن آن در پشت درهای بسته به این شرکت اجازه می‌دهد تا تنها زمانی که ظرفیت زیرساخت اجازه می‌دهد، مشتریان جدید را پذیرش کند.

• سوم، محدودیت دسترسی به پیشرفته‌ترین سیستم‌های هوش مصنوعی، قدرت را به سازندگان مدل بازمی‌گرداند.برنامه‌هایی مانند ابزار کدنویسی هوش مصنوعی Cursor، تا حدی در میان سازمان‌ها محبوب هستند؛ زیرا از «وابستگی به یک تأمین‌کننده» (Vendor lock-in) جلوگیری می‌کنند. بخش فناوری اطلاعات می‌تواند بسته به هزینه و عملکرد، مدل‌ها را در پشت‌صحنه تغییر دهد، بدون اینکه نیازی باشد کارکنان رابط کاربری جدیدی را یاد بگیرند. اما برای توسعه‌دهندگان دشوار است که برنامه‌هایی سازگار با مدل‌هایی بسازند که به آن‌ها دسترسی ندارند. این امر ممکن است برخی از مشتریان را ترغیب کند تا ابزارهای اختصاصیِ خودِ سازنده مدل، مانند Claude Code از Anthropic یا Codex از OpenAI را انتخاب کنند.

نتیجه‌گیری از تمام این موارد این است که آزمایشگاه‌های پیشرو در زمینه هوش مصنوعی، احتمالاً به اعمال کنترل بیشتر بر روی اینکه چه کسی به فناوری آن‌ها دسترسی پیدا می‌کند، ادامه خواهند داد و این امر تنها به دلیل نگرانی‌های آن‌ها در مورد ایمنی نیست. کسانی که از این دایره بیرون بمانند، به‌هیچ‌وجه خشنود نخواهند شد.

گزارش حاضر در نسخه April 18^th2026 نشریه The Economist منتشر شده است.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.