Глава Y Combinator Гарри Тан предложил не душить дистилляцию ИИ регулированием, а разрешить американским open-weight лабораториям учиться у крупных frontier-моделей. Для разработчиков и AI-стартапов это не абстрактный спор о лицензиях: речь о том, кто получит доступ к сильным моделям — несколько закрытых платформ или более широкий рынок.
Тан заявил, что регуляторам в США не стоит вмешиваться в практику дистилляции, сообщает TechCrunch. В интервью CNBC он сказал, что «ничего бы не делал» с китайскими лабораториями, которые используют такие методы, а затем уточнил: США, возможно, нужен собственный «американский режим дистилляции». Идея проста, хотя для юристов крупных AI-компаний звучит как сигнал тревоги: небольшие американские лаборатории с открытыми весами должны иметь возможность обучаться на ответах американских frontier-моделей, чтобы на рынке было больше сильных альтернатив, а не только китайские open-weight решения.
Дистилляция в ИИ — это когда один разработчик массово запрашивает другую модель и использует ее ответы, стиль рассуждений и поведение для обучения своей системы. В индустрии это давно не экзотика: метод применяют для переноса возможностей от большой модели к меньшей, удешевления инференса и создания специализированных моделей под конкретные задачи. Проблема начинается там, где владелец закрытой модели запрещает такие сценарии в условиях использования API, а конкуренты пытаются обойти ограничения через подставные аккаунты, украденные учетные данные или сокрытие реального происхождения запросов.
На этой неделе Anthropic опубликовала второй отчет, где обвинила китайские AI-лаборатории в «незаконных атаках дистилляции». По версии компании, такие игроки скрывали личности, использовали мошеннические схемы и украденные учетные данные, чтобы без разрешения извлекать знания из моделей. Гендиректор Anthropic Дарио Амодеи ранее публично призывал американских регуляторов жестче ограничить подобную практику. На этом фоне позиция Тана заметно выбивается из привычной линии крупных разработчиков: он не защищает кражу аккаунтов, но спорит с самой идеей, что лаборатория может полностью диктовать клиенту, как использовать информацию, полученную через легальный API.
Главный аргумент Тана бьет по слабому месту закрытых AI-компаний. Frontier-модели сами обучались на огромных массивах человеческого знания, включая публичные тексты и, как давно спорят правообладатели, материалы под копирайтом. Разработчики таких моделей не спрашивали индивидуального разрешения у каждого автора, издателя или владельца сайта. Поэтому, считает Тан, доступ к «интеллекту», выросшему на широких публичных данных, должен быть ближе к общественному благу, чем к ресурсу, запертому за жесткими условиями сервиса. Формулировка удобная для стартапов и неприятная для компаний, которые строят бизнес на закрытых весах и платном API.
При этом Тан не предлагает отменить коммерческую модель frontier-лабораторий. Он отдельно подчеркивает, что такие компании двигают границу возможностей вперед, и их работа должна оставаться финансируемой и прибыльной. Но рядом с ними, по его логике, нужен сильный слой open-weight моделей: их можно запускать локально, дообучать, проверять, встраивать в продукты без полной зависимости от одного поставщика. Для IT-директора это вопрос переговорной позиции и рисков вендор-локина. Для разработчика — вопрос контроля над стеком. Для стартапа — шанс не строить весь продукт на тарифах, лимитах и политике модерации одной платформы.
В споре есть и геополитический нерв. Если американские регуляторы запретят или резко ограничат дистилляцию, а китайские лаборатории продолжат выпускать сильные open-weight модели, часть разработчиков просто уйдет туда, где ниже барьер входа. Тан фактически говорит: если США хотят технологическую устойчивость, им нужны не только закрытые гиганты с лучшими исследователями и капиталом, но и конкурентная экосистема меньших игроков. Иначе рынок рискует прийти к сценарию, которого боятся даже многие оптимисты ИИ: одна монолитная компания с лучшей моделью, лучшими дата-центрами, лучшими кадрами и правом определять, кто и как получает доступ к интеллектуальной инфраструктуре.
Для русскоязычной аудитории этот спор важен не из-за фамилии Тана, а из-за практических последствий. Большинство компаний за пределами США не участвует в разработке frontier-моделей, но зависит от правил доступа к ним. Если условия API запретят любые формы обучения на выходах модели, под удар попадут внутренние ассистенты, кастомные модели поддержки, инструменты генерации кода, корпоративные RAG-системы и продукты, где нужно переносить поведение дорогой модели в более дешевую. Если же дистилляция ИИ будет признана нормальной практикой при честном доступе через API, рынок получит больше конкуренции, а бизнес — больше вариантов между «платить одному облачному гиганту» и «брать open-weight модель неизвестного происхождения».
Открытый вопрос теперь не в том, можно ли технически дистиллировать модели: индустрия уже умеет это делать. Вопрос в том, кто напишет правила раньше — суды, регуляторы или сами платформы через пользовательские соглашения. И чем сильнее закрытые модели будут опираться на публичное человеческое знание, тем сложнее им будет объяснять, почему извлеченные из этого знания возможности должны оставаться только за стеной платного API .