تقارير Unemployment Labs عن أنماط Blackwell في نماذج الذكاء الاصطناعي الصينية

كشف تحليل Unemployment Labs أجراه Will DePue ونُشر في 12 نوفمبر 2026، عن أنماط تهيئة تتوافق مع وحدات معالجة الرسومات Blackwell الخاضعة لضوابط التصدير من NVIDIA، وذلك في ستة نماذج مفتوحة الأوزان من DeepSeek وMoonshot AI وMiniMax وAnt Group.

يربط التحليل بين تهيئة DeepSeek-V4-Flash وMiniMax-M3 على شرائح B200 أو B300، وتهيئة DeepSeek-V4-Pro وKimi K3 وKimi K3.1-Pro وLing-3.1-flash على شرائح GB200 أو GB300. وتحدد المطابقات تخطيط العتاد الذي استُخدم لإنتاج الأوزان الأولية؛ أما ما إذا كانت تلك الشرائح قد نفذت التدريب أيضًا، فهو استنتاج منفصل.

تُظهر الإصدارات المتعاقبة توقيت التغييرات الظاهرة. أعطى DeepSeek-V3 قراءة تشير إلى Hopper في ديسمبر 2024، ثم أعطى النموذجان V4 اللذان أظهرا قراءة Blackwell هذه النتيجة في أبريل 2026. وأظهرت Kimi K2.5 من Moonshot AI قراءة تشير إلى Hopper في يناير 2026، قبل أن تظهر K3 هذه القراءة في يوليو 2026؛ واتبع MiniMax-M2.7 وM3 النمط نفسه في أبريل 2026 ويونيو 2026 على التوالي؛ وكذلك فعل Ling-3.0-flash وLing-3.1-flash من Ant Group في أغسطس 2026 وأكتوبر 2026.

لم يكن هذا النمط شاملًا. فقد أظهرت أحدث النماذج القابلة للتحليل من Alibaba وZhipu وTencent وXiaomi وStepFun قراءات تشير إلى Hopper لا إلى Blackwell.

كيف تكشف التهيئة عن تخطيط العتاد

تبدأ التقنية بالأوزان، وهي المعلمات الرقمية التي يعدّلها التدريب. وقبل التدريب، يستخدم إعداد PyTorch/cuRAND الذي خضع للفحص مولّد Philox لإنتاج قيم قابلة للتكرار انطلاقًا من بذرة. وتوزّع خيوط معالجة الرسومات هذه القيم على مواضع الأوزان، فيما تستخدم التهيئة الكبيرة بما يكفي 2,048 خيطًا لكل معالج دفق متعدد (SM). لذلك، يؤدي تغيير عدد وحدات SM إلى تغيير المواضع التي تستقر فيها الأرقام المولّدة نفسها.

في التهيئات التي اختُبرت، تضم شرائح Hopper H100 SXM وH200 وH800 عدد 132 وحدة SM و270,336 خيطًا؛ وتضم شرائح B200 وB300 عدد 148 وحدة SM و303,104 خيوط؛ أما شرائح GB200 وGB300 فتضم 152 وحدة SM و311,296 خيطًا. وتحدد القراءة واحدة من هذه المجموعات، لا شريحة بعينها ضمن المجموعة.

يمكن للأوزان المخصصة لكلمات أو رموز غير موجودة في بيانات التدريب أن تحتفظ بقيمها الأولية بدقة شبه تامة، في حين قد تحتفظ الأوزان التي خضعت للتدريب بعلاقة إحصائية أضعف بتلك القيم. ويختار الباحثون بذرة وتخطيطًا باستخدام مجموعة من الأوزان، ثم يختبرون هذا المزيج من دون تغيير على مجموعة منفصلة لم تدخل في عملية البحث.

وفقًا لنموذجه الإحصائي، يقدّر التقرير أن نحو 6 تريليونات من تركيبات البذرة والتخطيط ستنتج أقوى تطابق متوقع باحتمال يقارب 8 سيغما، وهو مقياس إحصائي لبُعد النتيجة عن التباين العشوائي. وتتراوح أقوى النتائج للنماذج المحددة بين 49 و1,385 سيغما، فيما يبلغ كل اختبار فردي مشمول 20 سيغما على الأقل.

التحقق باستخدام الشرائح الفعلية وتقديرات حجم التدريب

قدمت عمليات إعادة الإنتاج التي أجراها DePue على شرائح فعلية اختبارًا إضافيًا. فباستخدام البذرة المستعادة لـDeepSeek، أعادت شريحة H100 إنتاج القيم المحفوظة لـDeepSeek-V3، لكنها لم تفعل ذلك مع V4-Flash، في حين أعطت شريحة B300 النتيجة العكسية. وعلى شريحة B300، أعاد PyTorch من دون تعديل إنتاج 461 صفًا من أصل 469 صفًا مختارًا من V4-Flash، مع معاملات ارتباط تجاوزت 0.99، بما في ذلك 445 صفًا مطابقًا بالكامل بتًا ببت. وأعادت شريحة GB200 مستأجرة إنتاج الصفوف الثلاثة عشر المحفوظة كلها من Kimi K3 باستخدام بذرة Moonshot؛ ولم يؤدِّ تغيير أي من البذرتين المستعادتين بمقدار واحد إلى تطابق أي صف.

يذكر التقرير أن الطريقة وافقت الحالات الأربع والعشرين كلها التي أعلن فيها أحد المطورين علنًا عن العتاد المستخدم لنموذج محدد، مع التنبيه إلى أن 11 حالة منها تتعلق بنقاط تحقق عند الخطوة صفر، وأن النماذج المرتبطة بعضها ببعض ليست مستقلة. لذا، فإن هذه المقارنة اختبار للاتساق، لا معدل دقة مقاسًا.

Kimi K3.1-Pro يستخدم بذرة K3، وقد يكون نقطة تحقق لـK3 خضعت لمزيد من التدريب اللاحق. وبافتراض أن العتاد المستخدم للتهيئة هو نفسه الذي نفّذ التدريب، يقدّر DePue أن خمسة أشواط نهائية منفصلة احتاج كل منها إلى نحو 500 إلى 3,000 وحدة معالجة رسومات Blackwell، واستغرق كل منها عمومًا شهرين إلى ثلاثة أشهر. وتحسب الطريقة ذلك بقسمة القدرة الحاسوبية اللازمة للتدريب على معدل إنجاز الشريحة عند استخدام بنسبة 35%، بالاستناد إلى أعداد الرموز التي أفصحت عنها DeepSeek وتقديرات الرموز المستندة إلى الأوزان للنماذج الأخرى. وعند تطبيق الحساب نفسه على DeepSeek-V3، كانت النتيجة 2,000 إلى 2,500 شريحة، مقارنةً بـ2,048 شريحة أفصحت عنها DeepSeek.

حدود استخدام النتائج في إنفاذ ضوابط التصدير

تتعلق المطابقة بالتهيئة وحدها؛ ولا يمكنها حصر جميع المعالجات المستخدمة في مراحل التدريب اللاحقة. فقد ينشئ مختبر القيم الأولية على نظام وينقلها، وقد لا تترك العناقيد المختلطة سوى آثار لبعض مكونات العتاد، كما أن ظهور نتيجة تشير إلى Hopper لا ينفي إجراء تدريب لاحق على Blackwell. كذلك، لا يمكن للأوزان إثبات ملكية الشرائح أو موقعها أو طريقة الحصول عليها. ويشير تقرير DePue إلى إمكانية استئجار أنظمة Blackwell خارج الصين، ويؤكد أن هذه الأدلة وحدها لا تثبت التهريب ولا انتهاك ضوابط التصدير.

يمثل MI300X من AMD البديل المحدد للعتاد. ويستخدم عادةً 304 وحدات معالجة، لكنه قابل للتقسيم إلى مجموعتين تضم كل منهما 152 وحدة، أو للتهيئة بحيث يستخدم 148 وحدة، ما يتيح إعادة إنتاج التخطيطات في الاختبارات الفعلية. وفي DeepSeek-V4-Flash، طابقت 363 قيمة من أصل 377 قيمة محفوظة تختلف بين المورّدين NVIDIA، ولم تطابق أي منها AMD. ولم يحسم هذا الاختبار العددي أمر النماذج الخمسة الأخرى، مع أن التقرير يرى أن احتمال استخدام عنقود AMD مهيأ خصيصًا ضئيل للغاية.

يذكر التقرير أن تصدير B200 وB300 وGB200 وGB300 إلى الصين يتطلب ترخيصًا أمريكيًا، وأنه لم يُبلّغ عن أي تراخيص من هذا القبيل؛ كما يذكر أن MI300X خاضع للضوابط. وتتطلب المنهجية نفسها أوزانًا متاحة علنًا ونمط تهيئة يمكن التعرّف إليه ويعتمد على العتاد. ولا تخلّف التهيئة باستخدام وحدة المعالجة المركزية أي تخطيط لوحدة معالجة الرسوميات، كما أن مولّد PaddlePaddle من Baidu لا يتضمن تخطيط الشريحة التي خضعت للفحص.

يقدم التحليل لصانعي السياسات أدلة تقنية على إمكانية الوصول إلى العتاد، من دون أن يخلص إلى نتيجة بشأن الإنفاذ: فقد تكشف الأوزان المتاحة علنًا عن نمط تهيئة، لكن تحديد ما إذا كانت ضوابط التصدير قد انتُهكت يظل يتطلب أدلة على مكان استخدام العتاد، والجهة التي امتلكته، وكيفية الحصول على إمكانية الوصول إليه.