حظر PewDiePie مرتين بسبب التقطير، والقواعد صارت شخصية

أخبر فيليكس شيلبرغ، المعروف أكثر باسم PewDiePie، جمهوره أن OpenAI حظرته مرتين. لم تكن جريمته تهريب الأوزان أو إعادة بيع الوصول إلى API على نطاق واسع. لقد استخدم مخرجات أحد نماذج OpenAI لتدريب Ajax، وهو نموذج بحجم 9 مليارات معامل يشغّله على عتاده الخاص لأمور يومية مثل البحث والبريد الإلكتروني.

بُني Ajax على Qwen3.5-9B، وهو نموذج مفتوح صغير، وجرى ضبطه الدقيق على بيانات ولّدها نموذج أكبر مغلق. تُسمى هذه العملية التقطير. إنها التقنية نفسها التي أنتجت موجة من النماذج الرخيصة والقادرة خلال العامين الماضيين، وهي التقنية التي تعمل المختبرات الكبرى الآن بجد على مراقبتها.

ما هو التقطير فعليًا

تقطير نموذج يعني تدريب نموذج أصغر على تقليد نموذج أكبر. تُغذي المعلّم بالمطالبات، وتجمع إجاباته، وتدرّب الطالب على إعادة إنتاجها. لا يحتاج الطالب إلى أوزان المعلّم أو بنيته. يحتاج فقط إلى ما يكفي من سلوك المعلّم ليتعلم النمط.

لهذا تهتم المختبرات. يكلف تدريب نموذج حدودي عشرات أو مئات الملايين من الدولارات. إذا استطاع منافس أو فرد حصاد مخرجاته عبر API ونقل تلك القدرة إلى نموذج يملكه، فإن الجزء المكلف من العمل يُتجاوز جزئيًا. تبدو المخرجات كنص، لكن الإشارة الكامنة وراءها هي ما يجري نسخه.

تهم قضية شيلبرغ لأنها صغيرة. فهو ليس شركة ناشئة ممولة جيدًا تطلق منتجًا منافسًا. إنه شخص واحد لديه وحدة معالجة رسومات استهلاكية ونموذج محلي. وقد وصل الإنفاذ إلى هذا الحد.

المختبرات لا تخمّن الحجم

حظر OpenAI لشيلبرغ هو القمة الظاهرة فقط. أما الحملات الأكبر فهي صناعية. وصف الرئيس التنفيذي لشركة Anthropic، داريو أمودي، عملية تقطير واحدة استخدمت نحو 25,000 حساب مزيف وأجرت حوالي 28.8 مليون تبادل مع Claude. وبهذا الحجم، لم يعد حصاد المخرجات مشروعًا جانبيًا؛ بل خط أنابيب بيانات له موظفون وبنية تحتية.

تحركت OpenAI أيضًا ضد شركات. فقد قطعت وصول Cursor إلى نماذجها، مستشهدة بمخاوف تتعلق بالتقطير، بعد أن استخدمت xAI مخرجات OpenAI لتدريب Grok. والنمط في هذه الإجراءات هو أن الإنفاذ لم يعد يستهدف فقط البائعين الواضحين. إنه يستهدف أي شخص يعتمد منتجه على قدرة استُخلِصت من نموذج مغلق.

ثمة صناعة كاملة للكشف تتشكل حول هذا. تبحث المختبرات عن أنماط الحسابات وأحجام الطلبات والبصمات الإحصائية للبيانات المحصودة. ولا يعني اكتشافك دائمًا رفع دعوى قضائية؛ بل قد يعني فقدان الوصول إلى API، وهو ما يعادل الشيء نفسه غالبًا بالنسبة لشركة ناشئة.

خمس وعشرون شركة طلبت قواعد أوضح

يحدث إنفاذ المختبرات في خلفية من الخلاف المفتوح حول ما ينبغي أن تكون عليه القواعد. في يوليو 2026، وقّعت خمس وعشرون منظمة، من بينها Nvidia وMeta وMicrosoft، رسالة تجادل بأن النماذج مفتوحة الأوزان محورية لريادة الولايات المتحدة في الذكاء الاصطناعي. وطالبوا بأطر قانونية موجّهة تعالج التقطير مباشرة، بدلًا من قيود واسعة على النماذج المفتوحة.

لم توقّع OpenAI وAnthropic وGoogle. فلدى الثلاثة جميعًا نماذج حدودية تعتمد قيمتها على الحد من سهولة نسخ مخرجاتها. ويعود الانقسام إلى من يُسمح له بذلك وبأي شروط.

وفي تلك الفجوة، أضافت محكمة استئناف أمريكية نقطة بيانات منفصلة في أواخر سبتمبر. في قضية Thomson Reuters ضد Ross Intelligence، أيّدت محكمة الدائرة الثالثة حكمًا بأن نسخ مواد تحريرية لمنافس لتدريب منتج بحث لم يكن استخدامًا عادلًا، لأن المنتج الناتج نافس المصدر مباشرة. وتتعلق تلك القضية بمحرك بحث لا بنموذج توليدي، وقد حرصت المحكمة على القول إنها لا تحكم على كل تدريب الذكاء الاصطناعي. لكنها تشير إلى أن الأرض القانونية تحت بيانات التدريب تتغير في الوقت نفسه الذي يتشدد فيه الإنفاذ التقني.

لماذا يؤدي مصطلح "التقطير" دورًا كبيرًا

ليست كل استخدامات مخرجات النموذج متشابهة، والقواعد الحالية تطمس الفرق. طلب المساعدة من نموذج في كتابة التعليمات البرمجية استخدام عادي. أما أن تطلب منه توليد ملايين الأمثلة حتى تدرّب منافسًا فليس كذلك. وبين هذين الأمرين يقف شخص يستخدم المخرجات لجعل نموذج هواية يتصرف بشكل أفضل قليلًا، وهو الموقع الذي يقف فيه شيلبرغ تقريبًا.

تعامل المختبرات بيانات المخرجات كأصل تملك حقوق استخدامه والتحكم فيه. تنص شروط الخدمة على ذلك، ويتبع الإنفاذ الشروط لا معيارًا قانونيًا. ولهذا يمكن أن يُسمح بالفعل نفسه في حساب ويُحظر في آخر: فهو يعتمد على الحجم، وعلى النية كما يقرأها المزوّد، وعلى ما إذا كان النموذج الناتج يبدو كمنافس. لا يوجد خط فاصل واضح، وغيابه هو المشكلة الحقيقية لأي شخص يحاول البقاء في الجانب الصحيح منه.

يجعل الكشف الحدود أصعب رؤية. تبحث المختبرات عن أنماط توحي بالحصاد: أحجام طلبات غير معتادة، وحسابات أُنشئت دفعات، ومطالبات تشبه مجموعات التقييم. قد لا يثير شخص يشغّل بضعة آلاف من المطالبات أيًا من هذه العلامات. أما عملية تستخدم 25,000 حساب فستثيرها. وفي المنطقة بينهما، تكون الإجابة غير مؤكدة حقًا، وعدم اليقين أساس سيئ لمنتج.

قرار محكمة صدر في الوقت نفسه

يتشدد الإنفاذ التقني بينما لا تزال الصورة القانونية متحركة. في أواخر سبتمبر، أيّدت محكمة الدائرة الثالثة حكمًا بأن نسخ مواد تحريرية لمنافس لتدريب منتج بحث لم يكن استخدامًا عادلًا، لأن المنتج الناتج نافس المصدر. وقد حرصت المحكمة على الإشارة إلى أن قرارها يتعلق بمحرك بحث لا بنموذج توليدي، وأنها لا تضع قاعدة عالمية لتدريب الذكاء الاصطناعي.

إذا قُرئت بضيق، لا تقول القضية الكثير عن نموذج شيلبرغ المحلي. وإذا قُرئت كإشارة، فهي تقول إن المحاكم مستعدة لترجيح الضرر السوقي بقوة عندما يُدرّب نموذج على مواد من منتج ينافسه. وتتصرف المختبرات بالفعل كما لو أن هذا المبدأ ينطبق على مخرجاتها. ولم تقل المحاكم بعد ما إذا كان ينطبق.

ماذا يعني هذا إذا كنت تشغّل نموذجًا صغيرًا

بالنسبة للمطورين الأفراد والفرق الصغيرة، تغيرت الصورة العملية أسرع مما تغير القانون.

تدريب نموذج محلي على مخرجات ولّدتها بنفسك يقع في منطقة رمادية تعتمد على شروط خدمة المزوّد، لا على قانون حقوق النشر. تحظر معظم المزوّدين الكبار استخدام المخرجات لتدريب نماذج منافسة. وما يُعتبر "منافسًا" يحدده المزوّد، ويمكن أن يصل الإنفاذ دون سابق إنذار في شكل مفتاح موقوف.

هناك بعض الأمور التي يستحق فعلها. اقرأ شروط الخدمة الخاصة بالنموذج المحدد الذي تقطّر منه، لا السياسة العامة. واحتفظ بسجلات لكيفية إنتاج بيانات التدريب، لأنه إذا سأل المزوّد، فإن وجود مسار قابل للتدقيق هو الفرق بين تحذير وحظر. وفضّل المخرجات من نماذج تسمح تراخيصها صراحةً بالتدريب المشتق، وهو ما يشمل العديد من النماذج مفتوحة الأوزان. وإذا كان منتجك يعتمد على API لمزوّد واحد، فتعامل مع هذا الاعتماد كمخاطرة، لا كوسيلة راحة.

شيلبرغ حالة اختبار غير عادية لأنه علني والمخاطر بالنسبة له منخفضة. الدرس ليس أنه عومل بإنصاف أو أنه استحق ذلك. الدرس هو أن التسامح مع التقطير ضاق إلى حد أن مشروعًا شخصيًا على عتاد استهلاكي جلب حظرين. وعلى الفرق التي تستخدم التقنية نفسها على نطاق واسع أن تفترض هامشًا أقل، لا أكثر.