استقرار گسترده هوش مصنوعی در سال ۲۰۲۵: هزینه‌های پنهان و عملی چه هستند؟

امسال برای هوش مصنوعی متفاوت خواهد بود زیرا شرکت ها هزینه های سال 2024 خود را عملی می کنند. PwC تخمین زده است که هوش مصنوعی تا سال 2030، 15.7 تریلیون دلار به اقتصاد جهانی اضافه می کند و تولید ناخالص داخلی آمریکای شمالی را تقریباً 15٪ افزایش می دهد - و این سرمایه گذاری در طول سال آینده آغاز و تحقق می یابد.

از آنجا که کسب و کارها، هیئت مدیره و سرمایه گذاران به طور فزاینده ای به دنبال بازگشت سرمایه گذاری هوش مصنوعی هستند، درک خروجی ها و ورودی های هوش مصنوعی اکنون مهم تر از همیشه است.

از ادغام تا مقیاس بندی تا جمع آوری شدید داده ها، توسعه، آموزش و موارد دیگر - هزینه های آشکار و کمتر درک شده ای که شرکت ها باید در این مرحله بعدی استقرار گسترده هوش مصنوعی برای آن آماده شوند، چیست؟

یکی از دلایلی که هنوز بسیاری ساختار هزینه هوش مصنوعی را درک نمی کنند این است که اغلب به عنوان سرویس مصرف می شود. مانند رایانش ابری، این به کسب و کارها اجازه می دهد تا به راحتی در صورت نیاز، میزان استفاده از هوش مصنوعی خود را کم و زیاد کنند. آنها می توانند بر مأموریت اصلی خود تمرکز کنند و هزینه های سرمایه ای پشتیبانی، تعمیر و نگهداری و سایر هزینه ها را به فروشندگانی برون سپاری کنند که از صرفه جویی در مقیاس بهره مند می شوند.

امروزه، شرکت هایی که از هوش مصنوعی به این روش استفاده می کنند، معمولاً قیمت توافق شده ای را به ازای هر توکن پرداخت می کنند. به عنوان مثال، تعدادی از مدل های جدید Granite 3.0 IBM به ازای هر میلیون توکن، بیست سنت هزینه دارند. چنین قیمتی تا حد زیادی تحت تأثیر میزان بزرگ بودن مدل (یعنی اندازه پارامتر آن) و میزان محاسباتی است که برای تولید خروجی نیاز دارد. با این حال، عدم درک عمیق تر از عوامل محرک هزینه های هوش مصنوعی ممکن است شرکت ها را به سمت بهینه سازی فرعی مدل و تصمیمات پلتفرم سوق دهد و توانایی آنها را برای هدایت ROI هوش مصنوعی مهار کند.

به عنوان مثال، یک شرکت می تواند هوش مصنوعی را "در محل" با استفاده از سرورهای GPU که مالک آن هستند و آنها را اداره می کنند، مستقر کند تا به طور بالقوه هزینه های محاسباتی کلی خود را با مقیاس بندی موارد استفاده خود کاهش دهد، اما هزینه اولیه برای تهیه و مدیریت منابع محاسباتی غیرقابل برگشت خواهد بود - هزینه هایی که نمی توانید آنها را کم یا زیاد کنید. تعداد انگشت شماری از GPU ها برای استنتاج ممکن است 150،000 دلار هزینه داشته باشد. جبران خسارت برای استعداد ساخت و نگهداری چنین خوشه های GPU ممکن است 500،000 دلار دیگر اضافه کند، و این فقط یک پیش پرداخت کوچک برای آموزش مداوم، انرژی، عملیات و هزینه های نگهداری خواهد بود.

این مثال توضیح می دهد که چرا اکثر کسب و کارها از هزینه های اولیه صرف نظر می کنند و هوش مصنوعی را به عنوان سرویس انتخاب می کنند. همچنین برخی از قطعاتی را که می توانند هوش مصنوعی را کم و بیش گران کنند، از هم جدا می کند - اولین قدم در درک بهتر ROI هوش مصنوعی.

هنگام مصرف هوش مصنوعی، سه هزینه مستقیم آشکار وجود دارد.

اولین مورد، هزینه "استنتاج" یا استفاده فعال از مدل است. اگر از هوش مصنوعی به عنوان سرویس استفاده می کنید، قیمت های فهرست به طور کلی با توجه به میزان بزرگ بودن مدل تغییر می کنند. همین امر در مورد استفاده از مدل سفارشی خود، یک مدل تجاری یا یک مدل منبع باز نیز صادق است. هزینه های استنتاج بر اساس کارایی سخت افزار متفاوت خواهد بود، اما برای مدل های تجاری و منبع باز، مدل های بزرگتر به طور کلی منجر به هزینه های جاری بالاتر می شوند. انتخاب مدلی که برای انجام کاری که نیاز دارید اندازه گیری شده است - و نه بیش از حد مهندسی شده برای بیشتر - کلید به حداقل رساندن هزینه ها است.

دوم، تنظیم مدل - یا سفارشی کردن یک مدل "خارج از جعبه" با داده ها و نیازهای خاص شرکت شما است. روش های سفارشی سازی مدل مانند مهندسی سریع، RAG، تنظیم دقیق کامل یا تنظیم کارآمد پارامتر (PEFT) هر کدام هزینه ها، مزایا و جدول زمانی متفاوتی دارند. مانند تنظیم گیتار، این یک تمرین منظم است که اطمینان حاصل می کند که هوش مصنوعی شما بهترین و جدیدترین داده ها را برای ارائه آهنگ هماهنگ برای کار شما در نظر می گیرد.

هزینه تنظیم بستگی به میزان محاسباتی دارد که برای انجام عملیات مورد نیاز است، که معمولاً به صورت ساعتی محاسبه می شود و نرخ ساعتی به نوع GPU مورد استفاده بستگی دارد. بنابراین، هر چه مدل بزرگتر باشد، هزینه تنظیم بالاتر است. برای دستیابی به مقرون به صرفه ترین روش تنظیم، رهبران باید سفارشی کردن مدل های کوچکتر و قابل اعتماد با داده های اختصاصی شرکت را برای دامنه های خاص در نظر بگیرند - در حالت ایده آل "نقطه شیرین" کوچکترین مدل ممکن را پیدا کنند که می تواند به طور موثر برای رسیدگی به نیازهای تجاری تنظیم شود. به عنوان مثال، یک مدل 3B که برای یک کار سازمانی خاص طراحی شده است، می تواند 100 برابر کمتر از یک مدل 100 برابر بزرگتر هزینه داشته باشد و بدون ورشکست شدن، به عملکردی برابر یا بیشتر دست یابد.

سومین هزینه آشکار شامل توسعه برنامه و ادغام این مدل ها در پشته شما می شود، که لایه دیگری از هزینه های توسعه و استقرار را به همراه دارد.

این هزینه های مستقیم عوامل مهمی هستند، اما جامع نیستند. تعدادی از سایر هزینه ها و مزایای "پنهان" درگیر در اجرای هوش مصنوعی نیز باید در نظر گرفته شوند. یک مثال هزینه عدم اطمینان از اجرای مسئولانه هوش مصنوعی است، به ویژه در محیط های به شدت تنظیم شده.

در سال 2023، ایالات متحده 25 مقررات فدرال هوش مصنوعی داشت - که از تنها یک مورد در 5 سال قبل افزایش یافته بود - و 181 لایحه مرتبط با هوش مصنوعی پیشنهاد شد. در سطح جهانی، اشاره به هوش مصنوعی در دادرسی های قانونی در سال 2023 تقریباً دو برابر شد و به نزدیک به 2200 رسید. با افزایش پذیرش هوش مصنوعی، نگرانی های قانونی، انطباقی و اخلاقی نیز افزایش یافته است.

عدم رعایت مقررات می تواند منجر به هزینه های سنگینی برای شرکت ها شود، که این امر ضروری می کند که محدودیت ها و خطرات شناخته شده مرتبط با مدل های پایه را به دقت بررسی کرده و در صورت لزوم آنها را به درستی کاهش دهند. البته این کار هزینه دارد. بسیاری از مدل ها با مجوزهای سفارشی پیچیده ای مرتبط هستند که نیاز به تجزیه و تحلیل کامل توسط یک تیم حقوقی دارد. در میان مدل های هوش مصنوعی منبع باز، برخی از آنها از مجوز Apache 2.0 شناخته شده استفاده می کنند که تیم های حقوقی به مدت 20 سال با آن آشنا بوده اند. سایر مدل ها از مجوزهای سفارشی کاملاً جدید استفاده می کنند که حداقل نیاز به تجزیه و تحلیل وقت گیر توسط تیم های حقوقی دارد که می تواند به طور بالقوه به هزینه های اضافی تبدیل شود.

عدم شفافیت در مورد داده ها و فرآیند آموزش مدل نیز می تواند منجر به هزینه های پنهان شود، به طور بالقوه منجر به نقض مالکیت معنوی و به نوبه خود، قرار گرفتن شرکت ها در معرض دعاوی پرهزینه شود. شفافیت در مورد داده ها نیز برای ردیابی و مدیریت خروجی و رفتار مدل حیاتی است. برای کسب و کارها ضروری است که بدانند چرا یک خروجی هوش مصنوعی رخ می دهد و مهمتر از همه به آنها اجازه می دهد تا آن را تصحیح یا بهبود بخشند.

هوش مصنوعی شفاف و قابل توضیح همچنین به اطمینان از عاری بودن داده ها از خطا، تعصب و محتوای نفرت انگیز یا توهین آمیز کمک می کند.

مسائل مربوط به داده ها یکی از بسیاری از مواردی است که در صورت عدم مدیریت مناسب، می تواند به طور بالقوه خطرات شهرت را افزایش دهد.

تاکنون رسوایی های هوش مصنوعی منجر به از دست دادن میلیون ها دلار، تغییر درک عمومی و کاهش اعتماد سرمایه گذاران شده است. هوش مصنوعی می تواند و باید برای ایجاد ارزش تجاری استفاده شود، اما بدون افزایش خطر هزینه های غیر ضروری در جاهای دیگر. برخی از مدل های هوش مصنوعی کاربران را در برابر خطرات داده ها بیمه می کنند - اما برخی دیگر این کار را نمی کنند.

ما هنوز در اولین دور هوش مصنوعی هستیم. شرکت های VC و نوآوران هوش مصنوعی رویکردی آزادانه به کسب درآمد دارند و سرمایه گذاری ها همچنان ادامه دارد. اما برای کسب و کارها، اکنون زمان آن است که هزینه های کل - هم مستقیم و هم غیر مستقیم - هوش مصنوعی را درک کنند.

مانند خود فناوری، مدل های قیمت گذاری و چشم انداز محصول روزانه در حال تکامل هستند. اما با بینش در مورد ساختار هزینه، رهبران کسب و کار می توانند مبادلات را بهتر درک کنند. آنها می توانند مزایا، بازپرداخت های بالقوه و متغیرهایی را که می توان تغییر داد، بهتر درک کنند. مهمتر از همه، آنها می توانند سوالات درست را بپرسند و انتخاب هایی را انجام دهند که منجر به ارزش و بازگشت سرمایه گذاری واضح در سال آینده و فراتر از آن شود.