‏🔷 ۳/۸ پشت این رقابت، استراتژی‌های ملی متفاوتی نهفته است. اکوسیستم هوش مصنوعی ایالات متحده متنوع است، اما آزمایشگاه‌های پیشرو آن سرمایه‌گذاری را بر مدل‌های مرزی با نیاز محاسباتی بالا متمرکز کرده‌اند؛ آن‌ها بر این باورند که منابع سخت‌افزاری برتر می‌توانند توانمندی‌های تحول‌آفرین ایجاد کنند. چین — که تا حدودی تحت تأثیر کنترل‌های صادراتی ایالات متحده بر نیمه‌رساناهای پیشرفته قرار دارد اما از حمایت مستمر دولت بهره می‌برد — توسعهٔ باز و استقرار سریع را محور خود قرار داده و هوش مصنوعی را در سراسر اقتصاد تحت عنوان «هوش مصنوعی عمومی» (GAI) ادغام کرده است. اینکه این رویکرد نشانگر ترجیح استراتژیک واقعی است یا واکنشی به ضرورت، سؤال باز است؛ اما نتیجه، نظریه‌ای بنیاداً متفاوت دربارهٔ به‌دست‌آوردن رهبری هوش مصنوعی است — نه با یک مدل انقلابی، بلکه با پذیرش گسترده و تکرار مستمر. این رویکردها نشانگر قوت‌های ملی هر دو طرف است. به‌دلیل برتری در توان محاسباتی، مدل‌های مالکیتی پیشرو ایالات متحده همچنان یک گام پیشتر از رقبای چینی در معیارهای کلیدی هستند، هرچند فاصله در سال ۲۰۲۵ به‌طرز چشمگیری کم شد. به‌جز موارد استثنایی، آزمایشگاه‌های مرزی چین جزئیات مدل‌ها را به‌صورت عمومی منتشر کرده و دسترسی به محصولات اصلی خود را با تخفیف قابل‌توجهی نسبت به همتایان آمریکایی ارائه می‌دهند. رویکرد باز چین چشم‌انداز رقابتی را دگرگون کرده است؛ مجوزهای انعطاف‌پذیر، قیمت‌گذاری تهاجمی و اکوسیستمی که همکاری را تشویق می‌کند، پذیرش جهانی هوش مصنوعی چین و تکرار سریع‌تر در آزمایشگاه‌های چینی را سرعت می‌بخشد. اگرچه مدل‌های برتر ایالات متحده همچنان پیشروی اندکی در توانمندی‌ها دارند، خطر از دست دادن نه تنها مسابقه برای جذب کاربران جهانی، بلکه توانایی تعیین استانداردها و هنجارهای فنی که توسعه هوش مصنوعی را برای سال‌های آینده شکل می‌دهند، برای آن‌ها وجود دارد. داده‌هایی که به بهبود مدل‌ها باز می‌گردند، نقش مهمی در این روند ایفا می‌کنند. پکن زیرساخت‌های نهادی لازم برای بهره‌برداری از این مزیت را ایجاد کرده؛ داده را به‌عنوان یک عامل رسمی تولید شناخته و به شرکت‌ها اجازه داده است تا دارایی‌های داده‌ای را در ترازنامه‌های خود ثبت کنند. کنترل‌های صادراتی ایالات متحده عمدتاً حلقهٔ دیجیتال را هدف می‌گیرند — یعنی دسترسی به تراشه‌های پیشرفته مورد استفاده برای آموزش مدل‌های مرزی را محدود می‌کنند — اما برای مقابله با حلقهٔ فیزیکی که شامل ایجاد و انباشت داده‌های ناشی از استقرار در بستر تولید چین است، مناسب نیستند. از آنجا که مدل‌های باز محاسبات لازم برای استقرار مؤثر را کاهش می‌دهند، توانایی چین در تولید داده‌های صنعتی مالکیتی به‌سرعت و در مقیاس بزرگ، به‌تدریج از وابستگی به سخت‌افزارهای پیشرفته مستقل می‌شود. این خلأ در چارچوب سیاستی ایالات متحده به این معناست که حتی اگر کنترل‌های موفقی بر محاسبات آموزشی اعمال شود، چین می‌تواند مزایای هوش مصنوعی مبتنی بر اقتصاد فیزیکی خود را حفظ کند. USCC.gov – کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — ۴ مقالهٔ گروه کاری پژوهشی: مدل‌های بستهٔ ایالات متحده: بزرگ‌تر بهتر است، تا زمانی که این‌طور نباشد آزمایشگاه‌های پیشرو در ایالات متحده بر این فرض کار می‌کنند که مدل‌های بزرگ‌تر که با داده‌های بیشتر آموزش می‌بینند، عملکرد بهتری دارند؛ این باور بر پایهٔ «قوانین مقیاس‌پذیری» است، یعنی یافتهٔ تجربی که نشان می‌دهد عملکرد مدل به‌صورت پیش‌بینی‌پذیر با افزایش پارامترها، محاسبهٔ آموزشی و حجم داده‌ها بهبود می‌یابد. این منطق، رویکردی سرمایه‌بر و مالکیتی برای توسعهٔ هوش مصنوعی را تقویت کرد. به کارگیری قوانین مقیاس‌پذیری نیازمند فرایندهای آموزشی پیچیده و گران‌قیمت است. آموزش‌های چندمیلیون‌دلار طوری مهندسی می‌شوند که بیشترین یادگیری را از هر واحد محاسبه استخراج کنند. همزمان، به‌کارگیری هزاران واحد پردازش گرافیکی (GPU) به‌صورت موازی برای مدت طولانی به‌طور اجتناب‌ناپذیری باعث خرابی سخت‌افزاری می‌شود؛ بنابراین خطوط لولهٔ آموزشی باید به‌قدری افزونگی داشته باشند که اختلالات محلی مانع از از دست رفتن میلیون‌ها دلار هزینهٔ محاسبه نشوند.

‏🔷 ۴/۸ کسب، ساماندهی و پالایش داده‌ها لایهٔ دیگری از رقابت را ایجاد می‌کند. علاوه بر داده‌های عمومی که از اینترنت استخراج می‌شوند، آزمایشگاه‌های پیشرو در ایالات متحده به مجموعه‌های دادهٔ مالکیتی متکی‌اند؛ این مجموعه‌ها شامل جریان‌های دادهٔ سازمانی مانند نتایج جستجو و فیدهای رسانه‌های اجتماعی و همچنین مجموعه‌های تخصصی مانند مقالات علمی می‌شود. مهندسان ماهر برای تبدیل منابعی چون میکروفیلم و آرشیوهای فیزیکی به داده‌های آموزشی قابل استفاده نیز زمان و تخصص می‌گذارند. این آزمایشگاه‌ها همچنین داده‌های برچسب‌خورده، ساماندهی‌شده و پالایش‌شده را از تأمین‌کنندگان ثالث خریداری می‌کنند. چون برتری رقابتی در چارچوب مقیاس‌پذیری نه تنها به اندازهٔ مدل، بلکه به دانش فنی آموزش، طراحی زیرساخت و ترکیب داده‌ها نیز وابسته است، شرکت‌های هوش مصنوعی انگیزهٔ قوی برای محافظت از این موارد به‌عنوان اسرار تجاری دارند. حفظ وزن‌های مالکیتی به این شرکت‌ها کمک می‌کند تا این مزایا را حفظ کنند و اکوسیستم بستهٔ میان آزمایشگاه‌های پیشرو در ایالات متحده را تقویت می‌کند. بازگشت سرمایهٔ مقیاس‌پذیری کاهش می‌یابد اختلاف سرمایه‌گذاری ایالات متحده و چین در ساخت مراکز داده نشان‌دهندهٔ اولویت‌گذاری ایالات متحده بر مقیاس‌پذیری است (جدول ۱ را ببینید). برآوردهای Bloomberg Intelligence برای سال ۲۰۲۵ نشان می‌دهد که هزینهٔ سرمایه‌ای هوش مصنوعی در ایالات متحده توسط مایکروسافت، آمازون، متا و گوگل حداقل ۳۵۰ میلیارد دلار است، در حالی که هزینهٔ مشابه برای ارائه‌دهندگان بزرگ ابری چین کمتر از ۴۰ میلیارد دلار می‌باشد. برای سال ۲۰۲۶، همان چهار غول فناوری پیش‌بینی می‌شود بیش از ۴۰۰ میلیارد دلار هزینه کنند، در حالی که هزینهٔ چین ثابت می‌ماند. استثنای قابل‌توجهی متا است که وزن‌های خانوادهٔ مدل‌های Llama را با برخی محدودیت‌ها منتشر کرده است. گزارش‌های اواسط تا اواخر ۲۰۲۵ حاکی از این است که متا ممکن است مدل پرچم‌دار جدیدی با کدنام «Avocado» را به‌صورت مالکیتی نگه دارد. این مدل برای اوایل ۲۰۲۶ برنامه‌ریزی شده است. «Meta’s ‘Llama’ Coming to an End? New Large Model Code-Named Avocado Announced for Q1 2026 or Switching to Closed Source to Directly Compete with OpenAI», AI Base, December 10, 2025. † GPUها نوعی دستگاه نیمه‌رسانا هستند که به‌طور گسترده برای آموزش و اجرای مدل‌های هوش مصنوعی به کار می‌روند. این پردازنده‌ها که در ابتدا برای نمایش گرافیک بازی‌های ویدئویی توسعه یافتند، در انجام عملیات ماتریسی مورد استفاده شبکه‌های عصبی عمیق بسیار کارآمد هستند. ‡ این شامل Alibaba، Tencent، Baidu، SenseTime و Kingsoft Cloud می‌شود. برآورد بانک آمریکا در ژوئن ۲۰۲۵ هزینهٔ سرمایه‌ای سالانه چین را در حدود ۹۸ میلیارد دلار می‌داند. Vlad Savov, «China’s AI Future Looks Like a Long Road to Small Profit,» Bloomberg, December 3, 2025. شن شین‌می، «هزینهٔ سرمایه‌ای هوش مصنوعی چین در سال ۲۰۲۵ می‌تواند به‌حدود ۹۸ میلیارد دلار برسد، در پی رقابتی که با ایالات متحده دارد»، South China Morning Post، ۲۵ ژوئن ۲۰۲۵. USCC.gov — کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — مقالهٔ ۵ گروه کاری پژوهشی عناصر خلاصهٔ برتری ایالات متحده چین محاسبهٔ آموزشی ایالات متحده در ظرفیت و مقیاس محاسبهٔ پیشرفته پیشتاز است؛ چین با محدودیت‌های محاسباتی مواجه است. xAI — Grok 4 (۵ × ۱۰^۲۶ FLOP)  Alibaba — Qwen3‑Max (۱٫۵ × ۱۰^۲۵ FLOP) حجم دادهٔ آموزشی ایالات متحده در داده‌های بزرگ و با کیفیت پیشتاز است؛ چین به سرعت این فاصله را می‌بندد. Nvidia — Cosmos‑1.0‑Diffusion‑14B Video2World (۹٬۰۰۰ تریلیون توکن)*  Alibaba — Qwen3‑Max (۳۶ تریلیون توکن) اندازهٔ مدل ایالات متحده همچنان مدل‌های بزرگ‌مقیاس را توسعه می‌دهد؛ چین در حال جبران است. xAI — Grok 4 (برآورد ۱٫۷ تا ۳ تریلیون پارامتر)  Alibaba — Qwen3‑Max (۱ تریلیون پارامتر) توجه: بر پایهٔ داده‌های عمومی موجود در سال ۲۰۲۵. منبع: متنوع. ۱۸

‏🔷 ۵/۸ در حالی که شرکت‌های آمریکایی در حال حاضر توانایی حفظ برتری در محاسبه را دارند، چندین عامل استراتژی‌های مبتنی بر مقیاس‌گذاری را به چالش می‌کشند. نخست، نسل‌های متوالی مدل‌ها برای دستیابی به پیشرفت‌های تدریجی عملکرد، به محاسبهٔ بیشتری نیاز دارند؛ در نتیجه با بزرگ‌تر شدن مدل، بازدهی کاهشی می‌شود. دوم، بازدهی مقیاس‌گذاری در تمام وظایف یکسان نیست؛ پیشرفت‌های پرامپتینگ و بهینه‌سازی مخصوص هر کار، امکان عملکرد مشابه مدل‌های بزرگ را برای مدل‌های کوچک فراهم می‌کند. سوم، در سال ۲۰۲۵ پیشرفت‌هایی حاصل شد که بدون تکیه بر افزایش اندازهٔ مدل، بهبودهای عملکردی به ارمغان آورد. معماری‌های نوین هم کارایی آموزش و هم کارایی استنتاج را ارتقا دادند؛ همچنین بهبودهای تکنیک‌های پساآموزشی و توانایی پردازش زمینه‌های طولانی، به آزمایشگاه‌ها امکان داد تا با پارامترهای کمتر، عملکرد را تقویت کنند. با توجه به این تحولات، OpenAI مدل GPT‑4.5 خود را که در فوریهٔ ۲۰۲۵ منتشر شد، به‌عنوان بزرگ‌ترین مدل تا به امروز توصیف کرد و اعلام کرد که این آخرین مدلی است که عمدتاً بر مقیاس‌گذاری پیش‌آموزش تکیه دارد، نه بر استدلال. هوش مصنوعی چین از زیرساخت‌ها به مرز پیشرفته می‌رسد انتشار R1 شرکت DeepSeek در ژانویهٔ ۲۰۲۵ نشان داد که آزمایشگاه‌های چینی می‌توانند به عملکرد مرزی نزدیک شوند، حتی با وجود کنترل‌های صادراتی ایالات متحده بر نیمه‌رساناهای پیشرفته. پس از R1، یک سری مدل‌های باز از آزمایشگاه‌های چینی عرضه شد که به‌طور مشابه با منابع کمتر، نتایجی نزدیک به پیشروهای مالکیتی ایالات متحده با بودجه‌های کوچکتر به دست آوردند و محصولات رقابتی با هزینهٔ بسیار کمتر نسبت به مدل‌های برتر آمریکایی ارائه کردند (به جدول ۲ مراجعه کنید). به‌روزرسانی‌های خانوادهٔ Qwen شرکت علی‌بابا به‌طور گسترده‌ای در سطح بین‌المللی به کار گرفته شد. شرکت Moonshot AI مستقر در پکن استانداردهای جدیدی برای جریان‌های کاری عامله و طول زمینه — مقدار توکنی که مدل می‌تواند پردازش کند — تعیین کرد؛ هرچند بعدها توسط مدل‌های آمریکایی پیشی گرفته شد. DeepSeek توانست در سؤالات المپیاد بین‌المللی ریاضی ۲۰۲۵ (IMO) به‌همراه OpenAI و Google DeepMind عملکرد برندهٔ مدال طلا کسب کند؛ مدل DeepSeek‑V3.2‑Speciale که در دسامبر ۲۰۲۵ منتشر شد، اولین مدل باز بود که به‌صورت رسمی نمرات سطح طلا در IMO را ارائه داد. اگرچه مدل‌های بستهٔ آمریکایی از نظر اکثر معیارها کمی پیشی مدل‌های باز چینی دارند (به شکل ۱ مراجعه کنید)، موفقیت‌های چین در سال ۲۰۲۵ چالشی اساسی‌تر برای برتری هوش مصنوعی ایالات متحده نشان می‌دهند تا صرفاً کاهش فاصله: آزمایشگاه‌های چینی اکنون نقش مرکزی در توسعه و پالایش نوآوری‌هایی دارند که پیشرفت‌های مرزی را به‌وجود می‌آورند. • مدل Nvidia رویکردی منحصر به فرد دارد که حجم بالایی از داده‌های بصری را برای ساخت مدلی از جهان فیزیکی پردازش می‌کند؛ حجم دادهٔ آموزشی آن حتی در میان سایر مدل‌های آموزش‌دیده بر پایهٔ مجموعه‌های دادهٔ رکوردشکن، یک استثنا محسوب می‌شود. • USCC.gov، کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — مقالهٔ شماره ۶ از گروه کاری پژوهشی R1، معماری ترکیب متخصصان (Mixture‑of‑Experts یا MOE) را معرفی نکرد؛ این رویکرد با فعال‌سازی تنها پارامترهای مرتبط، کارایی را ارتقا می‌دهد و استفاده از معماری‌های بزرگ‌مقیاس MOE را در مدل‌های مرزی باز رواج داد.۲۶ همچنین باعث گسترش استدلال زنجیره‌ای (chain‑of‑thought) شد؛ در این روش مدل‌ها پیش از ارائهٔ پاسخ نهایی، گام‌های میانی را استدلال می‌کنند و دقت در وظایف پیچیده افزایش می‌یابد. امروزه هر دو، MOE و استدلال زنجیره‌ای، برای مدل‌های پیشرو در مرزهای هوش مصنوعی به‌عنوان استاندارد در نظر گرفته شده‌اند.۲۷ مجموعهٔ راه‌حل‌های نوآورانهٔ چین، به‌همراه فهرست رو به رشد آزمایشگاه‌های چینی که در لبهٔ توانمندی‌های هوش مصنوعی فعالیت می‌کنند، نه تنها نشانگر اکوسیستم پویا پژوهش و توسعه (R&D) است، بلکه ضرورت این حوزه را نیز بازتاب می‌دهد؛ محدودیت‌های محاسباتی، آزمایش با جایگزین‌های مقیاس‌پذیری را تشویق می‌کند. هر دو مورد توسط حمایت مستمر دولت از توسعهٔ مدل‌های باز پایه‌گذاری شده‌اند؛ این حمایت پذیرش گسترده را ترویج می‌دهد و وابستگی به فناوری‌های خارجی را کاهش می‌دهد. طرح کلی پکن: هوش مصنوعی باز تحت هدایت دولت

‏🔷 ۶/۸ پکن هوش مصنوعی را به‌عنوان یک توانمندساز استراتژیک برای اهداف بلندمدت متعدد می‌داند؛ از افزایش بهره‌وری در مواجههٔ چین با رشد کند و کاهش جمعیت تا تسریع پیشرفت‌ها در حوزه‌هایی چون زیست‌شناسی سنتتیک. برای دستیابی به این اهداف، سیاست‌گذاران چینی چشم‌اندازی واضح برای تکامل هوش مصنوعی در داخل کشور ارائه کرده‌اند: پذیرش گسترده در جامعه و یکپارچگی عمیق اقتصادی که توسط اکوسیستم پژوهش و توسعهٔ باز تقویت می‌شود، وابستگی به فناوری‌های خارجی را کاهش می‌دهد و نوآوری را در چارچوب‌های تعیین‌شده توسط حزب پیش می‌برد.۲۹ این ستون‌ها ریشه در برنامهٔ جامع توسعهٔ هوش مصنوعی سال ۲۰۱۷ چین دارند؛ برنامه‌ای که مجموعهٔ گسترده‌ای از اهداف را برای توسعهٔ هوش مصنوعی تعیین کرد و ادغام آن را در صنایع تولیدی، بهداشت و درمان، حمل‌ونقل، مدیریت عمومی و حتی کاربردهای نظامی تشویق نمود.۳۰ اهداف مشابه امروز سیاست هوش مصنوعی پکن را شکل می‌دهند؛ «ابتکار AI+» شورای دولت در آگوست ۲۰۲۵، پذیرش گسترده را به‌عنوان اصل سازماندهی مرکزی توسعهٔ هوش مصنوعی چین رسمی کرد. این ابتکار علاوه بر سایر اهداف، معیارهایی برای ادغام هوش مصنوعی در علم و فناوری، صنعت، خدمات عمومی، حاکمیت و همکاری‌های بین‌المللی تعیین می‌کند.۳۱ USCC.gov – کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — ۷ مقالهٔ کارگروه تحقیقاتی DeepSeek V3, R1, R2, R2 Speciale – تمرکز بر عملکرد ریاضی و استدلال: در آزمون‌های ریاضی سبک رقابتی و وظایف استدلالی پیچیده، نتایج خوداظهاری بالایی گزارش شده است. – طراحی مبتنی بر استدلال: مدل‌ها برای اولویت دادن به حل مسئله آموزش دیده‌اند و خروجی‌هایی تولید می‌کنند که زنجیره‌های فکری را برای شفافیت و تقطیر نشان می‌دهند. – مقیاس‌پذیری تقطیر: رفتار استدلالی R1 به مدل‌های کوچک‌تر و چگال (از ۱٫۵ تا ۷۰ میلیارد پارامتر) تقطیر شده و هزینه اجرا را کاهش داده است. R1 بر پایه معماری‌های Qwen 2.5 و Llama 3 ساخته شده است. Alibaba Tongyi Qianwen, Qwen 2, Qwen 2.5, Qwen3‑Omni – تمرکز بر عملکرد چندزبانه و چندرسانه‌ای: نمرات خوداظهاری بالا، به‌ویژه در آزمون‌های دانش عمومی، پشتیبانی از ۱۱۹ زبان و بسیاری از وظایف صوتی‑تصویری. – معماری کم‌هزینه: مدل‌های MOE این خانواده با پارامترهای کل ۲۳۵ میلیارد، اما تنها ۲۲ میلیارد پارامتر فعال در هر توکن، عملکرد بالایی ارائه می‌دهند. خانواده Qwen بیشترین بارگیری را در Hugging Face دارد (به شکل ۵ مراجعه کنید). Moonshot AI Moonlight‑A3B/Moonlight‑16B‑A3B, Kimi K2, K2 Thinking, K2.5 Thinking – تمرکز بر برنامه‌نویسی و عملکرد عامله‌ای: در مهندسی نرم‌افزار و وظایف استفاده از ابزار، نتایج خوداظهاری بالایی داشته‌اند و استدلال ریاضی قوی نیز نشان می‌دهند. – معماری کم‌هزینه: با آموزش بر پایه یک تریلیون پارامتر، در هر توکن تنها ۳۲ میلیارد پارامتر فعال می‌شود؛ هدف استنتاج سریع و کم‌هزینه است. – قابلیت‌های عامله‌ای: برای برنامه‌ریزی و استفاده از ابزار تقویت شده‌اند و مدل را برای مهندسی نرم‌افزار و حل مسائل پیچیده مناسب می‌سازند. – حالت‌های استدلال دوگانه: وقتی ردپای استدلال صریح لازم نیست، خروجی‌های سریع و کم‌هزینه تولید می‌کند. Kimi K2.5 کم‌ترین هزینه را برای بالاترین توان عملکردی ارائه می‌دهد (به شکل ۲ مراجعه کنید). MiniMax M‑1, M.2, M‑2.1, M‑2.5 – تمرکز بر برنامه‌نویسی و قابلیت‌های عامله‌ای: می‌تواند زنجیره‌های ابزار پیچیده و طولانی‌مدت را اجرا کند؛ جریان‌های کاری شامل ویرایش چندفایلی، حلقه‌های «کامپایل‑اجرا‑اصلاح»، فراخوانی ابزار، مرور وب و اجرای وظایف طولانی‌مدت است. – معماری کم‌هزینه: مدل‌های این خانواده تاخیر، هزینه و زمان پردازش را برای عوامل تعاملی و نمونه‌برداری دسته‌ای کاهش می‌دهند؛ تنها ده میلیارد پارامتر فعال (۲۳۰ میلیارد پارامتر کل) دارند. – حالت‌های استدلال دوگانه: خروجی‌های سریع و کم‌هزینه‌ای ارائه می‌دهند که با مدل‌های بزرگ بسته رقابت می‌کند. – MiniMax در بورس هنگ‌کنگ عرضه شد و ۶۱۹ میلیون دلار جذب سرمایه کرد.

‏🔷 ۷/۸ Z.ai GLM‑4, CodeGeeX4, GLM‑Edge, GLM‑4.6 – تمرکز بر عملکرد عمومی: در بنچمارک‌های استدلال، برنامه‌نویسی، عامله‌ای و تصویری، نمرات خوداظهاری بالایی گزارش شده است. – قابلیت‌های عامله‌ای قابل اعتماد: با داده‌های مصنوعی برای استفاده از ابزار و زمینه طولانی آموزش دیده‌اند تا فراخوانی توابع و برنامه‌ریزی چندمرحله‌ای قابل اطمینان‌تری داشته باشند. – آموزش چندمرحله‌ای متخصص: مدل‌های متخصص برای استدلال، برنامه‌نویسی و وظایف عامله‌ای آموزش داده شده و سپس از طریق تقطیر خودی به‌هم پیوستند تا مدل عمومی متعادل ساخته شود. – Z.ai که از دانشگاه چینگ‌هوا (Tsinghua) جدا شده است، در ۱۶ ژانویهٔ ۲۰۲۵ به فهرست موجودیت‌های وزارت تجارت ایالات متحده افزوده شد. • USCC.gov – کمیسیون بررسی اقتصادی و امنیتی ایالات‑متحده‑چین — ۸ مقاله گروه کاری پژوهشی قیمت ترکیبی در Artificial Analysis ترکیبی از قیمت توکن‌های خروجی و ورودی با نسبت ۳:۱ می‌باشد. مدل‌های چینی هزینه‌ای کسری از قیمت‌های ایالات‑متحده دارند. آزمایشگاه‌های هوش مصنوعی چین مدل‌های خود را با قیمت‌های رقابتی‌تر عرضه می‌کنند و در عین حال فاصله عملکردی با همتایان ایالات‑متحده را کاهش می‌دهند. به‌عنوان مثال، Kimi K2.5 تا ژانویهٔ ۲۰۲۶ چهار برابر ارزان‌تر از GPT‑5.2 شرکت OpenAI است. ۳۳ هر دو دارای شاخص هوش ۴۷ در تجمیع‌کننده معیارهای Artificial Analysis هستند (نگاه کنید به شکل ۲). این قیمت‌گذاری تهاجمی تا حدی پاسخی به واقعیتی در بازار چین است: مصرف‌کنندگان کمتر مایل به پرداخت برای محصولات نرم‌افزاری هستند. ۳۴ برای غلبه بر این مانع، پکن دسترسی کاربران به مدل‌های موجود را از طریق APIها یارانه می‌دهد و مجوزهای پیش‌آموزش‌دیده را به‌صورت مستقیم خریداری می‌کند. ۳۵ توجه: مدل‌های مورد تجزیه و تحلیل پیش از ۱ فوریهٔ ۲۰۲۶ منتشر شده‌اند. نمودار OpenAI‑o1 که هزینهٔ ۲۶٫۲۵ دلار برای هر یک میلیون توکن دارد اما شاخص هوش نسبتاً پایینی (۳۱) کسب می‌کند، در آن گنجانده نشده است. منبع: Artificial Analysis. ۳۶ شاخص GPT‑5.2: ۴۷ قیمت: ۴٫۸۱ دلار/میلیون توکن Kimi K2.5 شاخص: ۴۷ قیمت: ۱٫۲ دلار/میلیون توکن • USCC.gov – کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — 9 مقاله کارگروه پژوهشی همانند سایر بخش‌هایی که تحت سیاست‌های صنعتی هدف قرار گرفته‌اند، دولت مرکزی و دولت‌های محلی چین با ترکیبی از سازوکارهای عرضه‌محور و تقاضامحور، توسعه هوش مصنوعی را پیش می‌برند. در سمت عرضه، اقدامات بالادستی شامل حمایت گسترده از زیرساخت‌های انرژی می‌شود؛ به عنوان مثال، هزینه برق مراکز داده که اغلب با تراشه‌های داخلی تأمین می‌شوند، با یارانه کاهش می‌یابد. برای آموزش و استنتاج هوش مصنوعی، استان‌های گانسو، گویژو و منطقۀ خودمختار مغولستان داخلی اعلام کرده‌اند که صورتحساب برق ارائه‌دهندگان ابر را تا پنجاه درصد کاهش دهند.* 37 شرکت‌های چینی نیز مکان‌یابی مراکز داده هوش مصنوعی را نسبت به شبکه‌های برق بهینه می‌سازند تا انرژی موجود را به این تأسیسات اختصاص دهند و از برق ارزان بهره‌برداری کنند. 38 در سمت تقاضا، دولت چین با یارانه هزینه‌های استفاده از مدل‌های کم‌قیمت پیش‌از‌این، موانع پذیرش هوش مصنوعی را کاهش می‌دهد. 39 سیاست‌های دیگر برای تقویت مسیرهای نیروی انسانی، تأمین مالی استارت‑اپ‌ها و گسترش دسترسی آزمایشگاه‌های چینی به داده‌ها نیز به پیشرفت هوش مصنوعی در چین کمک می‌کنند. از چشم‌انداز به واقعیت: ساختن اکوسیستم باز

‏🔷 ۸/۸ یک اکوسیستم باز، محور اصلی طراحی سیاست‌های پکن برای هوش مصنوعی رقابتی است. به‌عنوان یک تازه‌وارد که با محدودیت‌های محاسباتی مواجه است، دولت چین رویکردی اتخاذ کرد که پذیرش هوش مصنوعی را به حداکثر برساند و در عین حال وابستگی به فناوری‌های مالکیتی خارجی را کاهش دهد. 40 مدل‌های باز با کاهش موانع برای شرکت‌ها یا توسعه‌دهندگان، امکان سفارشی‌سازی و استقرار بدون هزینه‌های مجوز یا محدودیت‌های سازگاری را فراهم می‌آورند و به استفاده گسترده منجر می‌شوند. حمایت از مدل‌های باز ریشه در استراتژی دیرینه چین برای ترویج فناوری‌های متن‌باز در سراسر اکوسیستم فناوری دارد؛ از سیستم‌عامل‌ها تا بسترهای توسعه، این سیاست‌ها به منظور تقویت نوآوری داخلی و کاهش وابستگی به نرم‌افزارهای مالکیتی خارجی اتخاذ شده‌اند. (برای اطلاعات بیشتر درباره اکوسیستم فناوری باز چین، به پیوست I: «بازی طولانی فناوری «باز» چین برای تبدیل شدن به استاندارد صنعتی» مراجعه کنید.) با درک این مزایا، برنامه هوش مصنوعی ۲۰۱۷ پکن نیز به منظور تقویت اکوسیستم باز هوش مصنوعی، ارتباطات بین صنعت و دانشگاه را تقویت و بسترهای متن‌باز را ترویج داد. الهام‌گرفته از موفقیت متا (در آن زمان فیس‌بوک) و کتابخانه‌های هوش مصنوعی متن‌باز گوگل، شرکت‌های چینی پروژه‌های مشابهی را راه‌اندازی کردند؛ برای مثال، آپولو (Apollo) بایدو برای توسعه وسایل نقلیه خودران. 41 این تأکید بر توسعه باز در برنامه پنج‌ساله چهاردهم (2021)، ابتکار AI+ 2025 که پیش‌تر ذکر شد و همچنین پیش‌نویس برنامه پنج‌ساله پانزدهم ادامه یافت. 42 در سطح محلی، دولت‌های محلی پکن، گوانگدونگ و هانگژو هر یک میلیون‌ها دلار برای توسعه هوش مصنوعی متن‌باز اختصاص داده‌اند. 43 از نظر تعداد، تأمین مالی دولتی و حمایت‌های سیاستی با رشد سریع مدل‌های باز در چین هم‌راستا هستند. بین سال ۲۰۲۲ — سال انتشار ChatGPT — و ۲۰۲۵، تعداد مدل‌های باز چینی بیش از ده برابر شد؛ از ۳۲ به ۳۳۷ مدل، بر پایه داده‌های جمع‌آوری‌شده توسط سازمان غیرانتفاعی Epoch AI (به شکل ۳ مراجعه کنید). ایالات متحده از پایه‌ای بسیار بالاتر شروع کرد، اما مدل‌های باز آن در همان بازه زمانی کمتر از سه برابر شد؛ از ۲۱۳ به ۶۲۲. 44 در سال ۲۰۲۳، تعداد مدل‌های باز چینی از تعداد مدل‌های بسته چینی پیشی گرفت؛ در مقابل، همواره تعداد مدل‌های بسته ایالات متحده بیشتر از مدل‌های باز این کشور بوده است. منابع دولتی چین تعداد مدل‌های باز را بسیار بالاتر از آمار Epoch AI می‌دانند؛ در گزارشی به‌دست‌آمده در ژوئیه ۲۰۲۵، دفتر اطلاعات شورای دولت چین اعلام کرد که چین با ۱٬۵۰۹ انتشار باز، از ایالات متحده در مجموع تعداد انتشارهای باز پیشی گرفته است. † ۴۵ * شایان ذکر است که علیرغم حمایت‌های دولتی، بهره‌برداری از مراکز داده در این مناطق تنها ۲۰ تا ۳۰ درصد بود. گیگی اونگ، «چین برای راه‌اندازی سرویس ابری فروش ظرفیت خالی مراکز داده – گزارش»، Light Reading، ۲۴ ژوئیه ۲۰۲۵. در مقایسهٔ تعداد مدل‌های هوش مصنوعی بین کشورها، روش‌شناسی نقش مهمی دارد: برخی ردیاب‌ها نسخه‌های تنظیم‌شده و مشتق‌ها را به‌عنوان مدل‌های جداگانه می‌شمارند که برای کشورهایی چون چین که توسعه‌دهندگانش به‌طور گسترده‌ای مدل‌های پایهٔ غربی باز را تنظیم می‌کرده‌اند، مجموع اعداد را به‌طرز چشمگیری افزایش می‌دهد؛ اما شمارش محدود به مدل‌های پایهٔ اصلی و مدل‌های شناخته‌شدهٔ عمومی، روایت متفاوتی ارائه می‌کند. • USCC.gov، کمیسیون بررسی اقتصادی و امنیتی ایالات متحده‑چین — مقالهٔ شماره ۱۲ گروه کاری پژوهشی؛ اکوسیستم مدل‌ها در Hugging Face با بیش از ۱۰۰٬۰۰۰ مشتق — بیش از هر رقیب غربی، از جمله Llama متا. ۵۱ همکاری تکراری در اکوسیستم باز چین — اولین حلقهٔ بازخوردی که استراتژی هوش مصنوعی چین را پیش می‌برد — سه مزیت ساختاری برای تسریع پیشرفت‌ها و پذیرش هوش مصنوعی فراهم می‌کند: ۱‑ آزمایشگاه‌های پیش‌مرزی می‌توانند مدل‌های پایهٔ یکدیگر را بهبود دهند، که منجر به ارتقای سریع قابلیت‌ها بدون نیاز به سرمایه‌گذاری‌های پرهزینه در پیش‌آموزش می‌شود. ‏🔗 ادامه‌ی مقاله در منبع اصلی: https://foreignpolicy.com/2026/10/07/china-ai-race-artificial-intelligence-safety-models-kill-switch/

‏🔶 #ایران #آمریکا 🧠 محاسبه خسارات ایران در عملیات اپیک فیوری در حالی که CRS تقریباً تعداد هواپیماهای آمریکایی را از ۴۲ به ۸۱ دو برابر می‌کند ‏🏛 منبع: The EurAsian Times ‏✍️ نویسنده: Sakshi Tiwari ‏📄 عنوان اصلی: Calculating Iran’s Losses in Op. Epic Fury as CRS Nearly Doubles the U.S. Aircraft Count From 42 to 81 ‏🔎 Congressional Research Service, Pentagon, CBO, F-35A, MQ-9 #تحلیل_راهبردی #جهانی #جنگ #Eurasian_Times ‏✅ ژئوپلیس،نبض ژئوپلتیک و روابط بین الملل ‏🌍 @Geopolis_ir

‏🔶 ۲/۵ ‏📌 چکیده: گزارش به‌روزشدهٔ سرویس پژوهشی کنگره (CRS) تعداد هواپیماهای نظامی ایالات متحده را که در درگیری جاری با جمهوری اسلامی ایران از دست رفته یا آسیب دیده‌اند، به ۸۱ افزایش می‌دهد؛ این رقم تقریباً دو برابر شمارش ۴۲ هواپیمایی در مه ۲۰۲۶ است و شامل جت‌های F‑15E، F‑35A، سامانهٔ AWACS E‑3، هلیکوپترهای MH‑60S و AH‑64 و پهپادهای MQ‑9 می‌شود. هزینهٔ کلی این تلفات بین ۱٫۹ تا ۳٫۳ میلیارد دلار برآورد شده است، در حالی که هزینهٔ کل عملیات ایالات متحده از اوت ۲۰۲۶ تا ژوئن ۲۰۲۶ حدود ۳۸ تا ۳۳٫۴ میلیارد دلار اعلام شده است. ایران نیز فهرست رسمی خسارات خود منتشر نکرده؛ ردیاب‌های منبع باز بیش از ۹۰ هواپیمای ایرانی را به‌عنوان تلفات ثبت کرده‌اند که عمدتاً حمل‌ونقل و تانکر هستند، در حالی که فهرست محدودتر تنها ۴۳ دستگاه را نشان می‌دهد. علاوه بر خسارات هوایی، ناوشکن IRIS Dena توسط زیردریایی آمریکایی غرق شد و چندین کشتی و سامانهٔ دفاعی ایران نیز گزارش شده‌اند. گزارش به‌روزشدهٔ سرویس پژوهشی کنگره (CRS) ۸۱ هواپیمای نظامی ایالات متحده را که در درگیری جاری با جمهوری اسلامی ایران از دست رفته یا آسیب دیده‌اند، شمارش می‌کند. یورآسیان تایمز (EurAsian Times) خساراتی را که تهران در این درگیری متحمل شده است، تحلیل می‌نماید. این عدد تقریباً دو برابر ۴۲ هواپیمایی است که سرویس پژوهشی کنگره در گزارشی به‌ماه مه ۲۰۲۶ ثبت کرده بود، همان‌طور که یورآسیان تایمز در آن زمان گزارش داد. افزایش از ۴۲ به ۸۱ احتمالاً ناشی از به‌روزرسانی گزارش‌ها و در دسترس قرار گرفتن اطلاعات عمومی جدید است. علاوه بر ارقام سرویس پژوهشی کنگره، دو گزارش دیگر که توسط دفتر بودجه کنگره (CBO) و بازرس کل پنتاگون منتشر شده بودند، پیشتر بینش‌های عمیقی دربارهٔ جنگ ارائه دادند. به‌نظر می‌رسد گزارش تازهٔ CRS به این داده‌ها استناد کرده است. دفتر بودجه کنگره (CBO) در گزارشی که ماه گذشته منتشر کرد، اعلام کرد: «از اول اوت ۲۰۲۶، درگیری مسلحانه با ایران حدود ۳۸ میلیارد دلار هزینه برای وزارت دفاع (DoD) داشته است. این مبلغ شامل هزینه‌های جایگزینی مهمات مصرف‑شده و تجهیزات از دست رفته در نبرد، افزایش ساعت‌های پروازی، عملیات‌های دیگر و افزایش هزینه سوخت می‌شود.» در همین حال، گزارش بازرس کل پنتاگون هزینهٔ عملیات ایالات متحده را بین ۲۸ فوریه و ۳۰ ژوئن به ۳۳٫۴ میلیارد دلار برآورد کرد که حداقل ۲۲٫۳ میلیارد دلار صرف مهمات شد. بر پایه اطلاعات منتشرشده توسط CBO، گزارش تازهٔ CRS می‌گوید هزینهٔ کلی هواپیماهای از دست رفته بین ۱٫۹ تا ۳٫۳ میلیارد دلار است که بستگی به هزینهٔ جایگزینی پنتاگون دارد. اما سی‌ان‌ان نیوز از سوی برخی منابع ناشناس مطلع شد که هزینهٔ جنگ بسیار بیشتر است — حداقل ۴۵ میلیارد دلار — بدون احتساب خسارات به زیرساخت‌ها و پایگاه‌های ایالات متحده در خلیج که بارها هدف نیروهای ایران قرار گرفته‌اند. آمارهای بازنگری‌شده در گزارش کنگره شامل هواپیماهای سرنشین‌دار، هلیکوپترها و پهپادها می‌شود؛ هرچند تأکید می‌کند که این مجموع شمارش هواپیماهای نابودشده نیست و برخی هواپیماهای آسیب‌دیده پس از تعمیر به خدمت بازگشته‌اند. در این فهرست ۱۲ جت F‑15E به عنوان از دست رفته یا آسیب‌دیده ذکر شده است، در حالی که در گزارش مه ۲۰۲۶ تنها چهار جت جنگندهٔ F‑15E استرایک ایگل فهرست شده بودند. ایالات متحده در یک حادثهٔ آتش‌ساز دوستانه مرتبط با هواپیماهای نیروی هوایی کویت، سه جنگندهٔ F‑15E خود را از دست داد؛ چهارمین جت توسط ایران با استفاده از سامانه‌های دفاع هوایی شانه‌ای سرنگون شد، همان‌طور که پیشتر یورآسیان تایمز اشاره کرده بود. هر دو گزارش CBO و IG پیشتر تنها چهار خسارت F‑15E را فهرست کرده بودند. بنابراین هشت جت F‑15E که در گزارش جدید آمده‌اند، احتمالاً همان هواپیماهایی هستند که در حملهٔ ایرانی به پایگاه هوایی مووافّق سَلتی (Muwaffaq Salti Air Base) در اردن در سپتامبر ۲۰۲۶ آسیب دیده بودند. رویترز (Reuters) به نقل از یک مقام ناشناس آمریکایی گزارش داد که ایران به یک هواپیمای A‑10 وارثگ ضربه زد و بال آن را از دست داد؛ در عین حال هشت جنگندهٔ F‑15 خسارت جزئی دریافت کردند و به خدمت بازگشتند.

‏🔶 ۳/۵ فهرست تازه همچنین F‑35A را شامل می‌شود؛ این جنگندهٔ مخفی‌پوش پیشرفته و گران‌قیمت نیروی هوایی ایالات متحده است. گزارش CBO پیشتر اشاره کرده بود که جایگزینی یا تعمیر این هواپیما ۱۲۰ میلیون دلار هزینه دارد، بدون اینکه بگوید آیا این هواپیما به‌طور کامل از حساب می‌رود یا تعمیر می‌شود. اگرچه برخی ناظران OSINT در آن زمان بر این باور بودند که این مطلب به از دست رفتن F‑35 اشاره دارد، دیگران هشدار دادند که CBO صرفاً هزینهٔ تعمیر را ثبت کرده و امکان جایگزینی آینده را باز نگه داشته است. علاوه بر این، فهرست جدید از دست رفتن سامانهٔ هشدار و کنترل هوایی E‑3 سِنتری (AWACS) را نیز تکرار می‌کند؛ این سامانه در هنگام حملهٔ موشکی و پهپادی ایرانی، در پایگاه هوایی پرنس سلطان (Prince Sultan Air Base) در عربستان سعودی، در حین حضور بر روی زمین، مورد اصابت و آسیب قرار گرفت. اما به‌جای اینکه صرفاً این ضرر را گزارش کند، نگرانی خود را نسبت به از دست رفتن این هواپیمای بسیار تخصصی و پیامدهای گسترده‌ای که می‌تواند برای نیروی هوایی ایالات متحده داشته باشد، ابراز کرد. گزارش می‌گوید: «کنگره می‌تواند بررسی کند که آیا تلفات در برخی بسترهای پرتقاضا که پیر شده و تعدادشان محدود است، مانند E‑3 سِنتری، خلأهای توانمندی ایجاد می‌کند یا خطر را در سایر جبهه‌ها افزایش می‌دهد». نیروی هوایی ایالات متحده تنها ۱۶ دستگاه AWACS حیاتی در موجودی خود دارد و از دست دادن هر یک می‌تواند به‌طور نامتناسبی وضعیت جنگی آمریکا در اقیانوس آرام غربی را تحت تأثیر قرار دهد؛ جایی که تهدید جنگ با چین هرگز از میز بحث حذف نمی‌شود. یکی دیگر از خسارات تازه‌اورد شده در فهرست به‌روزشده CRS، هلیکوپتر MH‑60S Sea Hawk نیروی دریایی ایالات متحده است که در فهرست مه ۲۰۲۶ حضور نداشت. در اول ژوئیه، یک MH‑60S Sea Hawk متعلق به ناو جنگی جورج هِچ‌وی بوش (George H.W. Bush) به‌صورت اضطراری در دریای عرب فرود آمد؛ نیروی دریایی در آن زمان اعلام کرد که عامل خصمانه‌ای در این حادثه نقش نداشته است. اکثر افزایش از مه به دلیل پهپادهاست. در فهرست جدید، تعداد MQ‑9 Reaperهای از دست رفته به ۴۵ دستگاه رسیده است؛ در مقابل، گزارش مه تنها ۲۴ دستگاه را ثبت کرده بود. این رقم در مقایسه با ۳۰ تلفات ذکر شده در گزارش IG، افزایش قابل توجهی نشان می‌دهد. علاوه بر این، یک هلیکوپتر AH‑64 Apache ارتش ایالات متحده که در ژوئن ۲۰۲۶ در تنگه هرمز سرنگون شد، نیز در فهرست گنجانده شده است. گزارش تازه منتشر شده مسائلی را برای کنگره مطرح می‌کند؛ از جمله این سؤال که آیا پنتاگون جزئیات کافی درباره تلفات ارائه می‌دهد تا قانونگذاران بتوانند پیامدها و راه‌حل‌های ممکن را ارزیابی کنند. CRS اشاره می‌کند که گزارش‌گیری وزارت دفاع درباره این تلفات محدود یا مبهم بوده است، به‌ویژه چون حتی گزارش سرپرست بازرس کل سپتامبر ۲۰۲۶ تا حدی به شمارش‌های منبع باز پیشین CRS تکیه کرده و به‌جای ارائه حسابرسی عمومی، مستقل و جامع، اطلاعات کاملی ارائه نداده است. ایران در این جنگ چه چیزی از دست داد؟ مقامات ایرانی تنها ارقام محدود و گزینشی درباره تلفات نظامی و غیرنظامی خود ارائه کرده‌اند و حسابرسی جامعی از تجهیزات نابودشده در طول عملیات اپیک فیوری (Operation Epic Fury) که توسط ایالات متحده به‌همراه اسرائیل آغاز شد، منتشر نکرده‌اند. ایران فهرست معادلی با CRS ندارد. شمارش‌های منبع باز هم‌اکنون با یکدیگر متفاوت‌اند: یک ردیاب بیش از ۹۰ هواپیمای ایرانی را به‌عنوان تلفات اعلام می‌کند که عمدتاً حمل‌ونقل و تانکر هستند، در حالی که فهرست مستند و محدودتر تنها ۴۳ عدد را ثبت کرده است. ردیاب‌های منبع باز ده‌ها هواپیمای ایرانی — جنگنده، حمل‌ونقل، تانکر، آموزش‌دهنده و هلیکوپتر — را که عمدتاً در ابتدای عملیات بر روی زمین در پایگاه‌های هوایی نابود شده‌اند، ثبت کرده‌اند؛ اگرچه تعداد کمی نیز در هوا سرنگون شده‌اند. در روزهای نخست جنگ، دو جنگنده ایرانی — یک نورثروپ F‑5 و یک F‑4 فانتوم II — در حمله‌ای اسرائیلی به فرودگاه بین‌المللی شهید مدنی تبریز نابود شدند. هم‌زمان، ایالات متحده دو هواپیمای سوخوی Su‑22 ایرانی را در فرودگاه شهید دستغیب شیراز نابود کرد و به‌همراه آن دو لاک‌هید C‑130 هِرکولز و یک ای‑ل‑76 را از بین برد. مرکز فرماندهی مشترک (CENTCOM) فیلم‌های دو سوخوی Su‑22 را منتشر کرد. بعدها تصاویر ماهواره‌ای برای دو لاک‌هید C‑130 و ای‑ل‑76 در همان فرودگاه ارائه شد.

‏🔶 ۴/۵ تلفات بیشتری از فانتوم‌ها در پایگاه هوایی تک‌تاکتیک سوم همدان گزارش شده است، اما به همان سطح مستندات رسیده نیست. نیروی هوایی قطر یک بوئینگ F‑15QA به کار گرفت و دو بمب‌افکن تاکتیکی سوخوی Su‑24 ایرانی که در ارتفاع پایین پرواز می‌کردند، در ۲ مارس ۲۰۲۶ سرنگون کرد؛ این دو هواپیما پس از عدم واکنش به هشدارهای رادیویی سرنگون شدند. در هفته دوم مارس ۲۰۲۶، اسرائیل اعلام کرد که در حمله هوایی گسترده‌ای به فرودگاه اصفهان، چندین جنگنده F‑14 تام‌کت نیروی هوایی جمهوری اسلامی ایران را نابود کرد و ۱۶ هواپیمای مورد استفادهٔ نیروهای قدس سپاه پاسداران در فرودگاه بین‌المللی مهرآباد نیز هدف حمله قرار گرفتند. همزمان، کارشناسان بر این باور بودند که این حملات می‌توانستند کل ناوگان تام‌کت را از بین ببرند؛ به‌ویژه چون برخی از این جنگنده‌ها پیش از آن در جنگ دوازده روزهٔ میان اسرائیل و ایران در ژوئن ۲۰۲۵ نابود شده بودند. تاریخ‌نگار تام کوپر (Tom Cooper) برآورد کرد که در آغاز جنگ تنها حدود ۱۰ تام‌کت قابل پرواز وجود داشتند، در حالی که بر روی کاغذ تقریباً ۳۵ دستگاه ثبت شده بود. تصاویر ماهواره‌ای حداقل دو و احتمالاً سه تام‌کت را در اصفهان به‌عنوان نابود شده تأیید کردند؛ برخی شمارش‌های بالاتر شامل بدنه‌هایی می‌شوند که بعدها به‌عنوان دمی‌های چوبی توصیف شدند. رسانه‌های دولتی ایران در ۱۰ ژوئن فیلمی از یک F‑14 بازگشته از مأموریت پخش کردند، بنابراین ادعای «پایان ناوگان» دیگر پابرجا نماند. در مهرآباد، پس از حملات اسرائیلی، تصاویر خسارت حداقل ۱۷ هواپیما را نشان دادند که شامل یک بوئینگ ۷۴۷ و یک هاربین Y‑12 می‌شد. فهرست‌های منبع باز جداگانه نیز تانکرهای بوئینگ ۷۰۷ و ۷۴۷ را که بین مارس و آوریل در پایگاه‌ها نابود شده‌اند، ثبت کرده‌اند. یک جنگنده مخفی‌پوش F‑35I «آدیر» نیروی هوایی اسرائیل در ۴ مارس بر فراز تهران یک هواپیمای YAK‑130 ایرانی را سرنگون کرد؛ همان‌طور که یوراسین تایمز (EurAsian Times) گزارش داد. در ۱۰ مارس، ویدئوهایی که تخریب یک لاک‌هد C‑130 هِرکولس، یک لاک‌هد P‑3 اورین و یک Il‑76 را در فرودگاه آیت‌الله هاشمی رفسنجانی کرمان مستند می‌کردند، توسط CENTCOM منتشر شد. در اواخر همان ماه، گزارش‌هایی از جنگنده‌های J‑7 ایرانی و هلیکوپترهای بل ۲۱۴ منتشر شد. علاوه بر این، چندین پهپاد ایرانی که به‌صورت گسترده به‌کار رفته بودند، توسط نیروهای آمریکا سرنگون شدند؛ هرچند این پهپادها عمدتاً پلتفرم‌های یک‌طرفهٔ حمله بودند. شمارش این خسارات پهپادی دشوارترین کار است؛ بسیاری از آن‌ها بدنه‌های یک‌طرفهٔ مصرفی بودند و هیچ‌یک از طرفین مجموع نهایی را منتشر نکرده‌اند. ایران نیز در اوایل مارس ادعای سرنگون کردن پهپادهای اسرائیلی، از جمله مدل‌های هیرون و هرمس، کرد؛ این ادعاها نیز به‌صورت توافق‌شده‌ای تأیید نشده‌اند. ایران فهرست رسمی کشتی‌های نابود شده منتشر نکرده است، اما غرق شدن IRIS Dena در اقیانوس هند یکی از واضح‌ترین و به‌یادماندنی‌ترین نمادهای جنگ ایالات متحده علیه جمهوری اسلامی ایران شد، به‌ویژه چون اولین غرق‌شدگی از زمان جنگ جهانی دوم بود. دنا یک ناوشکن کلاس مودژ بود که در ۴ مارس، حدود ۱۹ مایل دریایی از گاله، سری‌لانکا، در حین بازگشت از بازبینی بین‌المللی ناوگان هند غرق شد. ایالات متحده اعلام کرد که زیردریایی کلاس لس آنجلس USS Charlotte دو تورپید مارک ۴۸ شلیک کرد و یکی از آن‌ها اصابت یافت. وزیر دفاع پیت هگست (Pete Hegseth) تأیید کرد که یک زیردریایی آمریکایی این حمله را انجام داده است. سری‌لانکا ۳۲ بازمانده را نجات داد؛ ایران بعدها تعداد کشته‌ها را ۱۰۴ اعلام کرد. برخی گزارش‌ها می‌گویند کشتی به‌دلیل مانور، سلاح عملیاتی نداشته و بل ۲۱۲ آن نیز بر عرشه نبود. نشان تاریخی دقیق‌تر از «اولین غرق‌شدگی از زمان جنگ جهانی دوم» می‌گوید: این اولین کشتی است که توسط یک زیردریایی آمریکایی از سال ۱۹۴۵ غرق شده و اولین غرق‌زدن زیردریایی در جنگ از زمان ARA General Belgrano در ۱۹۸۲. هند و سری‌لانکا هر دو در جستجو شرکت کردند. علاوه بر این، نیروهای آمریکا در روزهای اولیهٔ درگیری ۱۷ کشتی جنگی ایرانی، از جمله یک زیردریایی، را نابود کردند؛ همان‌طور که یوراسین تایمز گزارش داد. این اعداد احتمالاً در هفته‌های پیش از آتش‌بس ۷ آوریل افزایش یافتند و ممکن است پس از شعله‌ور شدن درگیری‌ها در جولای ۲۰۲۶ بیشتر شده باشند.

‏🔶 ۵/۵ در واقع، The Aviationist اخیراً تصاویری از یک F‑35C که از صحنهٔ جنگ بازگشته بود، منتشر کرده است؛ این تصاویر حاوی علامت‌هایی برای سه زیردریایی، یک ناوشکن سطحی، یک پهپاد نوع شاهد، یک توپخانه و چند پرتابگر زمینی می‌باشند. این علامت‌ها صرفاً نشانگر درگیری‌های ادعایی‌اند و فهرست تأییدشده‌ای از ترتیب نیروهای دریایی محسوب نمی‌شوند. در طول ماه‌ها، نیروهای ایالات متحده بارها اعلام کردند که هدفشان نابود یا آسیب‌دیده کردن ناوگان دریایی و اهداف ساحلی ایران بوده است؛ دونالد ترامپ ادعا کرد که کل این نیروها از بین رفته‌اند. گزارش‌های منبع باز نشان می‌دهند که بخش قابل‌توجهی از سامانه‌های دفاع هوایی ایران، که در یک شبکهٔ لایه‌ای دقیق ساخته شده‌اند—از جمله S‑300، بوار‑۳۷۳، خوراد‑۱۵ و چند سامانه دیگر—در حملات ایالات متحده و اسرائیل نیز تخریب شده‌اند. علاوه بر این، هر دو کشور ادعا کردند که در روزهای اولیه چند پرتابگر موشکی بالستیک را نابود کرده‌اند. اسرائیل اعلام کرد که در یک موج اولیه، بیش از ۲۵ جنگنده را علیه بیش از ۳۵ انبار و پایگاه موشکی در اطراف تبریز و کرمانشاه به کار گرفت. بدون داشتن فهرست پیش از جنگ یا ارزیابی عمومی خسارات، هیچ‌یک از این ادعاها نمی‌تواند به‌عنوان سهمی از نیروهای نابود شده محسوب شود؛ بزرگ‌ترین خلأ، پرتابگرهای سیار است؛ ضربه به یک پایگاه لزوماً نشانگر حضور موشک در آن مکان نیست. با این حال، این ارقام به‌طور کامل تأیید نشده‌اند، چرا که تهران به‌صورت رسمی خسارات خود را منتشر نکرده است. با این وجود، علیرغم تلفات سنگین در طول جنگ، جمهوری اسلامی ایران زنده مانده و به آرمان‌های مشترک ایالات متحده و اسرائیل برای نابودسازی کامل موشک‌های بالستیک یا حتی برنامهٔ هسته‌ای‌اش ضربه‌ای جدی وارد کرده است. ‏🔗 متن اصلی: https://www.eurasiantimes.com/irans-losses-in-op-epic-fury/

‏🔺 #عراق #آمریکا 🧠 آیا کردهای عراق می‌توانند با خروج نیروهای آمریکایی از کشور متحد شوند؟ ‏🏛 منبع: Responsible Statecraft ‏✍️ نویسنده: Ara Mahmood ‏📄 عنوان اصلی: Can Kurds in Iraq unite as US troops withdraw from the country? ‏🔎 Peshmerga, US troops, Kurdistan Region, KDP, PUK #تحلیل_راهبردی #ایران #آمریکا_و_کانادا #روابط_بین_الملل #ژئوپلیتیک #Responsible_Statecraft ‏✅ ژئوپلیس،نبض ژئوپلتیک و روابط بین الملل ‏🌍 @Geopolis_ir