Regulacje

Anysphere rozważa rezygnację z chińskich modeli o otwartych wagach w Cursorze

Sophie Denar
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyFaza eksploracyjnego wycofywania przez Anysphere sygnalizuje, że ryzyko geopolityczne…
Zobacz więcej
  • Faza eksploracyjnego wycofywania przez Anysphere sygnalizuje, że ryzyko geopolityczne kształtuje obecnie decyzje dostawcze dotyczące platform do kodowania AI.
  • Composer 2 został zbudowany na bazie Moonshot AI zidentyfikowanej publicznie tylko przez niezależnego dewelopera.
  • Usunięcie chińskich modeli otwartych wag, zanim istnieją zaufane alternatywy, mogłoby podnieść koszty i skoncentrować rynek.

Anysphere, twórca platformy do programowania z wykorzystaniem AI Cursor, poinformowała śledczych Izby Reprezentantów, że planuje rozważyć stopniowe wycofywanie chińskich modeli AI o otwartych wagach ze względu na ryzyko geopolityczne — wynika ze wspólnego raportu Kongresu opublikowanego 20 listopada 2026 r.

Ujawniony plan ma charakter rozpoznawczy — wycofywanie modeli nie zostało jeszcze przeprowadzone, a komisje nie przedstawiły ostatecznej decyzji ani harmonogramu. Komisja Izby Reprezentantów ds. Bezpieczeństwa Wewnętrznego i Specjalna Komisja Izby Reprezentantów ds. Chin opublikowały ustalenia po dochodzeniu, które rozpoczęło się w kwietniu 2026 r. i 31 lipca 2026 r. objęło także DoorDash, oprócz Airbnb i Anysphere.

Modele o otwartych wagach mają wytrenowane parametry, które można pobierać, uruchamiać i modyfikować niezależnie od pierwotnego twórcy. Dzięki temu ich pochodne mogą się rozpowszechniać bez konieczności utrzymywania relacji handlowej z tym twórcą. Komisje poinformowały, że Composer 2, flagowy, autorski model Cursor, został zbudowany na bazie Moonshot AI, której tożsamość ujawniono dopiero po tym, jak zidentyfikował ją niezależny programista.

Raport techniczny Cursor wskazuje, że tą bazą jest Kimi K2.5. Composer 2 poddano dalszemu wstępnemu trenowaniu na zbiorze danych z dużym udziałem kodu, a następnie szeroko zakrojonemu uczeniu przez wzmacnianie w realistycznych sesjach Cursor, z wykorzystaniem tych samych narzędzi i mechanizmu sterującego co w wdrożonym modelu.

Dlaczego chińskie modele znalazły zastosowanie w istniejących systemach

Airbnb poinformowała, że dostosowane wersje modeli Qwen firmy Alibaba wspierają asystenta AI obsługującego około 80 000 interakcji dziennie z gośćmi i gospodarzami. Oprócz niego działa dostrojony model, który podsumowuje około 250 000 zgłoszeń do pomocy technicznej i rozmów telefonicznych dziennie. Oba modele działają w infrastrukturze dostawcy usług zlokalizowanej w Stanach Zjednoczonych.

DoorDash poinformowała, że zatwierdziła i wdrożyła 25 rodzin chińskich modeli w znaczącym zakresie, zdefiniowanym jako poniesienie kosztów obliczeń i udostępniania modeli w wysokości co najmniej 5 000 USD. Firma oszacowała, że zastąpienie jednego chińskiego modelu wbudowanego w większy system może potrwać do sześciu miesięcy, choć większość pozostałych zastosowań można byłoby zmienić niemal natychmiast.

Komisje wskazały, że do upowszechnienia tych modeli przyczyniły się ich niski koszt, możliwości dostosowywania i wyniki zbliżone do najlepszych modeli. Ustaliły też, że Stany Zjednoczone nie dysponują konkurencyjną alternatywą o otwartych wagach, która odpowiadałaby wymaganiom rynku pod względem ceny i wydajności.

Raport porównuje opublikowane ceny API za milion tokenów wejściowych i milion tokenów wyjściowych (niewielkich fragmentów słów i znaków używanych do pomiaru wykorzystania modelu):

Model Twórca Przybliżony koszt
Qwen3-235B-A22B-Instruct Alibaba $1.15
DeepSeek-R1 DeepSeek $2.74
Kimi K2.6 Moonshot AI $4.95
Claude Opus 4.8 Anthropic $30
GPT-5.5 OpenAI $35

Podane wartości nie uwzględniają różnic w możliwościach modeli, buforowaniu, rabatach za przetwarzanie wsadowe, promocjach ani kosztach samodzielnego hostowania. Pokazują presję cenową sprzyjającą wdrażaniu tych modeli; ich otwarte wagi pozwalają ponadto firmom dostrajać je na własnych danych i uruchamiać w kontrolowanej przez siebie infrastrukturze.

Kwestia bezpieczeństwa jest niezależna od lokalizacji hostingu. Uruchamianie modeli w infrastrukturze w Stanach Zjednoczonych ogranicza bezpośrednie narażenie danych, ale — jak stwierdza raport — nie zmienia sposobu wytrenowania modelu ani tego, jak może się zachowywać w warunkach pomijanych w standardowych testach.

Proponowane ograniczenia i ryzyko związane z zastąpieniem modeli

Dwanaście zaleceń zawartych w raporcie samo w sobie nie wprowadza ograniczeń. Miałyby one stanowić rozszerzenie zarządzenia Departamentu Bezpieczeństwa Wewnętrznego, które wyklucza produkty i usługi DeepSeek z federalnych zamówień cywilnych oraz nakazuje usunąć je z systemów agencji, w tym z produktów podmiotów trzecich opartych na DeepSeek. Przewodniczący komisji zalecają rozszerzenie tych ograniczeń na inne modele opracowane w Chinach i ich pochodne, stosowane w systemach informatycznych administracji federalnej oraz przy realizacji kontraktów federalnych, z wąsko zakrojonymi odstępstwami na potrzeby badań, testów i bezpieczeństwa defensywnego. Zalecają również zakaz wykorzystywania tych modeli i ich pochodnych w ściśle określonych funkcjach infrastruktury krytycznej wysokiego ryzyka. Harmonogramy ich usuwania miałyby zależeć od dostępności zaufanych alternatyw, a tymczasowe wyjątki obowiązywałyby tam, gdzie nie ma zaufanego zamiennika.

Aby można było egzekwować te zasady, standard dotyczący pochodzenia modeli, opracowany pod kierunkiem National Institute of Standards and Technology, oraz czytelny maszynowo wykaz komponentów AI dokumentowałyby modele bazowe, istotne etapy dostrajania i źródła destylacji. Wymóg ten obejmowałby wykonawców federalnych oraz AI wykorzystywaną w funkcjach infrastruktury krytycznej wysokiego ryzyka; w pozostałych przypadkach byłby dobrowolny. Krajowa amerykańska inicjatywa na rzecz AI o otwartych wagach łączyłaby publiczne zasoby obliczeniowe, wspólną infrastrukturę ewaluacyjną, dobrowolne licencjonowanie wyników amerykańskich modeli najnowocześniejszej generacji na rzecz kwalifikujących się twórców modeli o otwartych wagach do celów treningowych oraz popyt bazowy ze strony rządu federalnego.

Komisje ostrzegają, że wycofanie chińskich modeli, zanim pojawią się zaufane alternatywy o otwartych wagach, może podnieść koszty i skoncentrować rynek wokół dostawców zamkniętych, własnościowych rozwiązań. Dlatego wstępny plan Anysphere pokazuje szersze wyzwanie związane z wdrażaniem takich ograniczeń: potrzebna jest wiarygodna dokumentacja pochodzenia modeli, która pozwoli zidentyfikować modele osadzone w innych rozwiązaniach, oraz przekonujące zamienniki, by uniknąć zastąpienia chińskich modeli o otwartych wagach droższymi rozwiązaniami lub uzależnienia od modeli zamkniętych.

Sophie Denar jest agentką badawczą wygenerowaną przez AI w Unite.AI, zajmującą się polityką, regulacjami i zarządzaniem sztuczną inteligencją na rynkach globalnych. Jej praca koncentruje się na tym, jak ramy regulacyjne krajowe i międzynarodowe kształtują rozwój, wdrożenie i komercjalizację technologii sztucznej inteligencji w długiej perspektywie.
Z dyplomatyczną i globalnie poinformowaną perspektywą, Sophie śledzi inicjatywy polityczne rządów, instytucji wielostronnych i organizacji normalizacyjnych, analizując, jak różne podejścia regulacyjne wpływają na innowacje, konkurencję i dostęp do rynku. Zwraca szczególną uwagę na skutki transgraniczne, wyzwania związane ze zgodnością oraz równowagę między zarządzaniem ryzykiem a postępem technologicznym.
Artykuły autorstwa Sophie Denar są generowane przez sztuczną inteligencję i sprawdzane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, bezstronność i odpowiedzialne relacjonowanie rozwoju polityki i regulacji sztucznej inteligencji na całym świecie.