Miksi ByteDance suostuu jäämään jälkeen eikä käytä kilpailijoiden tekoälymalleja opettajina

ByteDancen perustaja Zhang Yiming on tiettävästi vahvistanut Seed-tekoälytiimille tiukan linjan: yhtiön omia malleja ei pidä parantaa tislaamalla kilpailijoiden järjestelmien tuottamia vastauksia – vaikka päätös tarkoittaisi lyhyen aikavälin tappioita vertailutesteissä. Reuters kuvasi ohjetta valinnaksi, jossa lähiajan kustannukset hyväksytään pidemmän aikavälin tekoälykehityksen vuoksi. 1

Tekoälymallien tislaus tarkoittaa käytännössä sitä, että heikompi tai pienempi malli opetetaan jäljittelemään vahvemman mallin vastauksia. Menetelmä voi säästää aikaa ja laskentatehoa, sillä osa kehittyneen mallin kyvyistä voidaan siirtää nopeasti uuteen järjestelmään.

Seedin huoli on kuitenkin strateginen: kilpailijan vastausten kopiointi voisi tehdä ByteDancesta erittäin pätevän seuraajan, mutta samalla sitoa sen tutkimussuunnan toisen laboratorion menetelmiin, arviointitapoihin ja käsitykseen siitä, mitä tekoälyn pitäisi osata. 49

Linjaus syntyi jo vuonna 2023

GPT:n tuottama koulutusdata poistui käytöstä

Pekingnologyn ja Pandailyn yhteen vetämien tietojen mukaan Seedin varhaiset tiimit kokeilivat aluksi GPT-ohjelmointirajapinnan tuottamaa aineistoa. Kun ByteDance otti käyttöön rajapintakutsujen tarkastuksia huhtikuussa 2023, tiimi omaksui tiettävästi säännön, jonka mukaan GPT:n tuottamaa dataa ei saanut käyttää ByteDancen koulutusaineistoissa. Myöhemmin periaate laajeni koskemaan kilpailijoiden malleja yleisesti. 914

Kyse ei siis ollut vain yhden kaupallisen rajapinnan käytön kieltämisestä. Raportoidun linjan mukaan toisen yhtiön mallista – oli se sitten suljettu tai avoimilla painoilla julkaistu – ei saanut tehdä Seedin ”opettajaa”. 910

Vuoden 2025 DeepSeek-R1 herätti keskustelun uudelleen

Sisäinen keskustelu nousi tiettävästi uudelleen esiin tammikuussa 2025, kun DeepSeek-R1 osoitti vahvaa päättelykykyä ja tehokkuutta. Osa Seedin tutkijoista katsoi, että kehittyneempien yhdysvaltalaisten järjestelmien vastauksia voitaisiin käyttää ByteDancen oman koulutustyön tukena ja päättelykyvyn parantamiseen nopeammin. Zhangin kanta oli raporttien mukaan, että kyse olisi silti lainatusta kyvykkyydestä. 9

Väitteet siitä, että DeepSeek olisi itse käyttänyt yhdysvaltalaisten huippumallien synteettistä dataa, ovat tässä käytettävissä olevan aineiston perusteella alan spekulaatiota, eivät itsenäisesti vahvistettu tosiasia. Tämä epävarmuus on syytä erottaa erillisestä ja paremmin tuetusta tiedosta Seedin sisäisestä säännöstä.

Vuonna 2026 paine käyttää oikotietä kasvoi

Kiinan tekoälykehittäjät kilpailivat yhä kovemmin laitteistosta, mallien kyvykkyydestä ja vertailutestien sijoituksista. Tällaisessa tilanteessa vahvemman mallin tislaaminen voisi kuroa mitattua eroa umpeen nopeasti. Kieltäytyminen puolestaan saattaisi jättää Seedin jälkeen, kun kilpailijat etenisivät vauhdikkaammin. 914

Raportit kuvaavat myös Moonshotin Kimi K3 -mallin nousua voimakkaaksi avoimilla painoilla julkaistuksi järjestelmäksi, jota kilpailijat saattoivat tarkastella ja mahdollisesti hyödyntää koulutusdatan lähteenä. Tämä teki kysymyksestä konkreettisen strategisen kompromissin, ei vain abstraktia tutkimusfilosofiaa. 914

Vuonna 2026 järjestetyssä Seedin henkilöstötilaisuudessa Zhang teki valinnan tiettävästi selväksi: tilapäinen alisuoriutuminen oli parempi vaihtoehto kuin kilpailijoiden järjestelmien tislaaminen. 110

Miksi kielto koskee myös avoimia painoja?

Raportoitu kielto on poikkeuksellisen laaja, koska siinä painotetaan riippuvuutta eikä ainoastaan käyttöoikeuksia. Suljetun mallin käyttäminen rajapinnan kautta ja avoimilla painoilla julkaistun mallin hyödyntäminen herättävät erilaisia teknisiä ja lisensseihin liittyviä kysymyksiä. Strateginen riski voi silti olla sama: omaa mallia opetetaan toisen laboratorion valmiilla ratkaisuilla sen sijaan, että kyvykkyydet löydettäisiin itsenäisesti. 914

Tämä ei tarkoita, että kaikki avoimien painojen käyttö olisi väärin tai että erilaiset tiedonsiirron muodot olisivat keskenään samanlaisia. Se tarkoittaa, että Seedin raportoitu sisäinen standardi oli tiukempi kuin tavanomainen sääntö, joka kieltäisi vain luvattoman rajapintojen haravoinnin. Tietojen mukaan tiimiä ohjeistettiin olemaan käyttämättä muiden yhtiöiden huippumalleja opettajina – myös silloin, kun malli oli julkaistu avoimilla painoilla. 1014

Claudea koskevat väitteet vahvistivat asian merkitystä

Linjaus sai lisää painoarvoa muiden kiinalaisten tekoäly-yhtiöiden ympärillä käydyn kiistan keskellä. Anthropic syytti Alibabaa, DeepSeekia, Moonshotia, MiniMaxia ja Z.ai:ta Claude-mallin vastausten hankkimisesta tilien tai välityspalvelinten avulla koulutustarkoituksiin. ByteDancea ei syytöksessä mainittu. Yhdysvaltalainen virkamies puolestaan syytti Moonshotia Anthropicin mallin epäasianmukaisesta käytöstä Kimi K3:n kouluttamiseen. Kyse on väitteistä, ei tämän aineiston perusteella vahvistetuista löydöksistä. 69

Oleellinen yksityiskohta on ajoitus: Seedin rajoitus juontaa tiettävästi juurensa vuoteen 2023, siis ennen myöhempää poliittista kiistaa. Väitteet näyttävät näin ollen korostaneen Zhangin kannan merkitystä, eivät synnyttäneet sitä. 9

Panostus itsenäisyyteen jäljittelyn sijaan

Zhangin raportoitu ajatus on helpointa ymmärtää pitkän aikavälin vedonlyöntinä siitä, miten huipputason tekoälyä rakennetaan. Tislaus voi parantaa nopeasti mallin vastauksia, päättelymalleja ja vertailutuloksia. Jos tutkimustiimi kuitenkin kouluttaa jatkuvasti kilpailijan tuottamalla aineistolla, se saattaa alkaa optimoida kilpailijan ”älykkyysarkkitehtuuria”: tämän suosimia ongelmanratkaisutapoja, palkkiosignaaleja, vastauksia ja mittareita. 910

Seed valitsee tiettävästi hitaamman tien. Se tarkoittaa panostamista omaan dataan, koulutusmenetelmiin, arkkitehtuuriin ja tutkimusprioriteetteihin. Hinta on ilmeinen: tiimi voi jäädä väliaikaisesti tulostaulukoissa jälkeen, kun kilpailijat hyödyntävät kaikki tarjolla olevat oikotiet. Mahdollinen hyöty on suurempi itsenäisyys ja sellaisten läpimurtojen mahdollisuus, joita nykyisen kärkimallin suunnitteluratkaisut eivät rajoita.

Päätös ei siis ole väite siitä, että tislaus olisi teknisesti hyödytöntä. Se on väite siitä, etteivät lyhyen aikavälin kyvykkyys- ja pistelisäykset välttämättä ole pitkän aikavälin riippuvuuden arvoisia. ByteDancen raportoitu ohje tiivistää kompromissin poikkeuksellisen selvästi: Seed on valmis häviämään tämän päivän kilpailun, jos vaihtoehtona olisi rakentaa tulevaisuutensa jonkun toisen vastauksia jäljittelemällä. 19