آیا مدل‌های هوش مصنوعی در حال تبدیل شدن به کالا هستند؟

ساتیا نادلا، مدیرعامل مایکروسافت، اخیراً با این اظهار نظر که مدل‌های پیشرفته هوش مصنوعی در مسیر کالایی شدن قرار دارند، بحث و جدل‌هایی را برانگیخت. نادلا در یک پادکست اشاره کرد که مدل‌های بنیادی (foundational models) به طور فزاینده‌ای مشابه و به طور گسترده‌ای در دسترس قرار می‌گیرند، تا جایی که "خود مدل‌ها به تنهایی کافی نیستند" برای ایجاد یک مزیت رقابتی پایدار. او خاطرنشان کرد که OpenAI - علی‌رغم شبکه‌های عصبی پیشرفته‌اش - "یک شرکت مدل نیست؛ بلکه یک شرکت محصول است که اتفاقاً مدل‌های فوق‌العاده‌ای دارد"، و تأکید کرد که مزیت واقعی از ساختن محصولات در اطراف مدل‌ها ناشی می‌شود.

به عبارت دیگر، صرفاً داشتن پیشرفته‌ترین مدل ممکن است دیگر ضامن رهبری بازار نباشد، زیرا هرگونه برتری عملکردی در میان سرعت بالای نوآوری هوش مصنوعی می‌تواند کوتاه مدت باشد.

دیدگاه نادلا در صنعتی که غول‌های فناوری در حال رقابت برای آموزش مدل‌های بزرگتر هستند، وزنی دارد. استدلال او دلالت بر تغییری در تمرکز دارد: به جای وسواس بیش از حد در مورد برتری مدل، شرکت‌ها باید انرژی خود را به سمت ادغام هوش مصنوعی در "یک پشته سیستم کامل و محصولات موفق عالی" هدایت کنند.

این موضوع بازتابی از این احساس گسترده‌تر است که پیشرفت‌های هوش مصنوعی امروزی به سرعت به ویژگی‌های اصلی فردا تبدیل می‌شوند. با استانداردتر و در دسترس‌تر شدن مدل‌ها، کانون توجه به نحوه استفاده از هوش مصنوعی در خدمات دنیای واقعی معطوف می‌شود. شرکت‌هایی مانند مایکروسافت و گوگل، با اکوسیستم‌های محصول گسترده، ممکن است در بهترین موقعیت برای سرمایه‌گذاری بر روی این روند کالایی شدن هوش مصنوعی با تعبیه مدل‌ها در خدمات کاربرپسند باشند.

مدت زیادی از زمانی که تنها تعداد انگشت شماری از آزمایشگاه‌ها می‌توانستند مدل‌های هوش مصنوعی پیشرفته بسازند نمی‌گذرد، اما این انحصار به سرعت در حال محو شدن است. قابلیت‌های هوش مصنوعی به طور فزاینده‌ای برای سازمان‌ها و حتی افراد در دسترس است و این ایده را تقویت می‌کند که مدل‌ها کالا هستند. اندرو ان‌جی، محقق هوش مصنوعی، در اوایل سال ۲۰۱۷ پتانسیل هوش مصنوعی را به "برق جدید" تشبیه کرد و پیشنهاد داد که همانطور که برق به یک کالای فراگیر تبدیل شد که زیربنای زندگی مدرن است، مدل‌های هوش مصنوعی می‌توانند به خدمات اساسی تبدیل شوند که از بسیاری از ارائه دهندگان در دسترس هستند.

روند اخیر گسترش مدل‌های متن‌باز این روند را تسریع کرده است. به عنوان مثال، متا (شرکت مادر فیس‌بوک) با انتشار مدل‌های زبانی قدرتمند مانند LLaMA به صورت باز برای محققان و توسعه‌دهندگان بدون هیچ هزینه‌ای، موجی به راه انداخت. منطق این کار استراتژیک است: با متن‌باز کردن هوش مصنوعی خود، متا می‌تواند پذیرش گسترده‌تر را تحریک کند و مشارکت‌های جامعه را به دست آورد، در حالی که مزایای اختصاصی رقبا را تضعیف می‌کند. و حتی اخیراً، دنیای هوش مصنوعی با انتشار مدل چینی DeepSeek منفجر شد.

در حوزه تولید تصویر، مدل Stable Diffusion از Stability AI نشان داد که چگونه یک پیشرفت می‌تواند به سرعت به کالا تبدیل شود: در عرض چند ماه پس از انتشار باز آن در سال ۲۰۲۲، به یک نام آشنا در هوش مصنوعی مولد تبدیل شد و در برنامه‌های کاربردی بی‌شماری در دسترس قرار گرفت. در واقع، اکوسیستم متن‌باز در حال انفجار است - ده‌ها هزار مدل هوش مصنوعی به صورت عمومی در مخازنی مانند Hugging Face در دسترس است.

این فراگیری به این معنی است که سازمان‌ها دیگر با یک انتخاب باینری پرداخت هزینه برای مدل مخفی یک ارائه‌دهنده یا هیچ چیز مواجه نیستند. در عوض، آنها می‌توانند از میان فهرستی از مدل‌ها (باز یا تجاری) انتخاب کنند یا حتی مدل‌های خود را تنظیم کنند، درست مانند انتخاب کالاها از یک کاتالوگ. تعداد زیاد گزینه‌ها نشانه قوی این است که هوش مصنوعی پیشرفته در حال تبدیل شدن به یک منبع مشترک گسترده است تا یک امتیاز محافظت شده.

ارائه‌دهندگان اصلی خدمات ابری، عوامل اصلی توانمندساز - و محرک - کالایی شدن هوش مصنوعی بوده‌اند. شرکت‌هایی مانند مایکروسافت، آمازون و گوگل مدل‌های هوش مصنوعی را به عنوان خدمات درخواستی ارائه می‌دهند، شبیه به خدمات رفاهی ارائه شده از طریق ابر. نادلا خاطرنشان کرد که "مدل‌ها در [فضای] ابری کالایی می‌شوند" و تأکید کرد که چگونه ابر هوش مصنوعی قدرتمند را به طور گسترده در دسترس قرار می‌دهد.

در واقع، ابر Azure مایکروسافت با OpenAI مشارکت دارد و به هر توسعه‌دهنده یا کسب‌وکاری اجازه می‌دهد تا از طریق یک فراخوانی API به GPT-4 یا سایر مدل‌های برتر دسترسی پیدا کند، بدون اینکه هوش مصنوعی خود را از ابتدا بسازد. Amazon Web Services (AWS) با پلتفرم Bedrock خود یک قدم فراتر رفته است که به عنوان یک بازار مدل عمل می‌کند. AWS Bedrock مجموعه‌ای از مدل‌های پایه را از چندین شرکت پیشرو در زمینه هوش مصنوعی ارائه می‌دهد - از مدل‌های خود آمازون گرفته تا مدل‌های Anthropic، AI21 Labs، Stability AI و دیگران - که همگی از طریق یک سرویس مدیریت شده قابل دسترسی هستند.

این رویکرد "مدل‌های زیاد، یک پلتفرم" مصداق کالایی شدن است: مشتریان می‌توانند مدلی را انتخاب کنند که متناسب با نیازهای آنها باشد و ارائه‌دهندگان را با سهولت نسبی تغییر دهند، گویی در حال خرید یک کالا هستند.

در عمل، این بدان معناست که کسب‌وکارها می‌توانند به پلتفرم‌های ابری تکیه کنند تا همیشه یک مدل پیشرفته در دسترس داشته باشند، درست مانند برق از یک شبکه - و اگر یک مدل جدید سر و صدایی به پا کند (مثلاً پیشرفت یک استارت‌آپ)، ابر به سرعت آن را ارائه خواهد کرد.

اگر همه به مدل‌های هوش مصنوعی مشابه دسترسی داشته باشند، شرکت‌های هوش مصنوعی چگونه خود را متمایز می‌کنند؟ این نکته اصلی بحث کالایی شدن است. اجماع در میان رهبران صنعت این است که ارزش در کاربرد هوش مصنوعی نهفته است، نه فقط در الگوریتم. استراتژی خود OpenAI نیز منعکس‌کننده این تغییر است. تمرکز این شرکت در سال‌های اخیر بر ارائه یک محصول صیقلی (ChatGPT و API آن) و یک اکوسیستم از پیشرفت‌ها - مانند خدمات تنظیم دقیق، افزونه‌های پلاگین و رابط‌های کاربرپسند - به جای صرفاً انتشار کد مدل خام بوده است.

در عمل، این به معنای ارائه عملکرد قابل اعتماد، گزینه‌های سفارشی‌سازی و ابزارهای توسعه‌دهنده در اطراف مدل است. به طور مشابه، تیم‌های DeepMind و Brain گوگل، که اکنون بخشی از Google DeepMind هستند، تحقیقات خود را به محصولات گوگل مانند جستجو، برنامه‌های اداری و APIهای ابری هدایت می‌کنند - و هوش مصنوعی را برای هوشمندتر کردن این خدمات تعبیه می‌کنند. پیچیدگی فنی مدل مطمئناً مهم است، اما گوگل می‌داند که کاربران در نهایت به تجربه‌هایی که توسط هوش مصنوعی فعال می‌شوند (یک موتور جستجوی بهتر، یک دستیار دیجیتال مفیدتر و غیره) اهمیت می‌دهند، نه به نام یا اندازه مدل.

ما همچنین شاهد تمایز شرکت‌ها از طریق تخصص هستیم. برخی از شرکت‌های هوش مصنوعی به جای یک مدل برای حکمرانی بر همه، مدل‌هایی را می‌سازند که برای حوزه‌ها یا وظایف خاص طراحی شده‌اند، جایی که می‌توانند حتی در یک چشم‌انداز کالایی شده، کیفیت برتر را ادعا کنند. به عنوان مثال، استارت‌آپ‌های هوش مصنوعی وجود دارند که منحصراً بر تشخیص‌های مراقبت‌های بهداشتی، امور مالی یا حقوق تمرکز دارند - حوزه‌هایی که در آن داده‌های اختصاصی و تخصص دامنه می‌توانند یک مدل بهتر برای آن جایگاه نسبت به یک سیستم عمومی ایجاد کنند. این شرکت‌ها از تنظیم دقیق مدل‌های باز یا مدل‌های سفارشی کوچکتر، همراه با داده‌های اختصاصی، برای برجسته شدن استفاده می‌کنند.

شکل دیگری از تمایز، کارایی و هزینه است. مدلی که عملکردی برابر را با کسری از هزینه محاسباتی ارائه می‌دهد، می‌تواند یک مزیت رقابتی باشد. این موضوع با ظهور مدل R1 DeepSeek برجسته شد، که طبق گزارش‌ها، برخی از قابلیت‌های GPT-4 OpenAI را با هزینه آموزشی کمتر از ۶ میلیون دلار مطابقت داد، که به طور چشمگیری کمتر از تخمین زده شده بیش از ۱۰۰ میلیون دلار صرف شده برای GPT-4 است. چنین دستاوردهای کارآمدی نشان می‌دهد که در حالی که خروجی‌ها مدل‌های مختلف ممکن است مشابه شوند، یک ارائه‌دهنده می‌تواند با دستیابی ارزان‌تر یا سریع‌تر به این نتایج، خود را متمایز کند.

در نهایت، رقابت برای ایجاد وفاداری کاربر و اکوسیستم در اطراف خدمات هوش مصنوعی وجود دارد. هنگامی که یک کسب‌وکار یک مدل هوش مصنوعی خاص را عمیقاً در گردش کار خود ادغام کرد (با دستورالعمل‌های سفارشی، ادغام‌ها و داده‌های تنظیم شده)، جابجایی به مدل دیگر بدون اصطکاک نیست. ارائه‌دهندگانی مانند OpenAI، مایکروسافت و دیگران در تلاش هستند تا این چسبندگی را با ارائه پلتفرم‌های جامع - از SDKهای توسعه‌دهنده گرفته تا بازارهای پلاگین‌های هوش مصنوعی - که طعم هوش مصنوعی آنها را بیشتر از یک راه حل کامل پشته می‌کند تا یک کالای قابل تعویض، افزایش دهند.

شرکت‌ها در حال حرکت به سمت زنجیره ارزش هستند: وقتی خود مدل یک خندق نیست، تمایز از همه چیز پیرامون مدل - داده‌ها، تجربه کاربر، تخصص عمودی و ادغام در سیستم‌های موجود - ناشی می‌شود.

کالایی شدن مدل‌های هوش مصنوعی پیامدهای اقتصادی قابل توجهی دارد. در کوتاه مدت، این امر هزینه قابلیت‌های هوش مصنوعی را کاهش می‌دهد. با وجود چندین رقیب و جایگزین‌های باز، قیمت‌گذاری برای خدمات هوش مصنوعی در یک مارپیچ نزولی بوده است که یادآور بازارهای کالای کلاسیک است.

در طول دو سال گذشته، OpenAI و سایر ارائه‌دهندگان قیمت دسترسی به مدل‌های زبانی را به طور چشمگیری کاهش داده‌اند. به عنوان مثال، قیمت توکن OpenAI برای سری GPT آن از سال ۲۰۲۳ تا ۲۰۲۴ بیش از ۸۰٪ کاهش یافت، کاهشی که به افزایش رقابت و دستاوردهای کارایی نسبت داده می‌شود.

به همین ترتیب، ورودی‌های جدیدتر که مدل‌های ارزان‌تر یا باز را ارائه می‌دهند، متصدیان را مجبور می‌کنند تا در ازای کمتر، بیشتر ارائه دهند - خواه از طریق سطوح رایگان، انتشار متن‌باز یا معاملات بسته‌ای. این خبر خوبی برای مصرف‌کنندگان و کسب‌وکارهایی است که هوش مصنوعی را اتخاذ می‌کنند، زیرا قابلیت‌های پیشرفته مقرون به صرفه‌تر می‌شوند. این بدان معناست که فناوری هوش مصنوعی با سرعت بیشتری در سراسر اقتصاد گسترش می‌یابد: وقتی چیزی ارزان‌تر و استانداردتر می‌شود، صنایع بیشتری آن را ادغام می‌کنند و نوآوری را تقویت می‌کنند (همانطور که سخت‌افزار رایانه شخصی ارزان قیمت کالایی شده در دهه ۲۰۰۰ منجر به انفجار نرم‌افزار و خدمات اینترنتی شد).

ما در حال حاضر شاهد موجی از پذیرش هوش مصنوعی در بخش‌هایی مانند خدمات مشتری، بازاریابی و عملیات هستیم که ناشی از مدل‌ها و خدمات به آسانی در دسترس است. بنابراین، در دسترس بودن گسترده‌تر می‌تواند بازار کلی را برای راه حل‌های هوش مصنوعی گسترش دهد، حتی اگر حاشیه سود خود مدل‌ها کاهش یابد.

با این حال، کالایی شدن همچنین می‌تواند چشم‌انداز رقابتی را به روش‌های چالش‌برانگیز تغییر دهد. برای آزمایشگاه‌های هوش مصنوعی تثبیت‌شده که میلیاردها دلار در توسعه مدل‌های مرزی سرمایه‌گذاری کرده‌اند، چشم‌انداز اینکه این مدل‌ها فقط مزایای زودگذر داشته باشند، سؤالاتی را در مورد ROI ایجاد می‌کند. آنها ممکن است نیاز به تعدیل مدل‌های تجاری خود داشته باشند - به عنوان مثال، تمرکز بر خدمات سازمانی، مزایای داده‌های اختصاصی یا محصولات اشتراکی که در بالای مدل‌ها ساخته شده‌اند، به جای فروش صرفاً دسترسی API.

همچنین یک عنصر مسابقه تسلیحاتی وجود دارد: وقتی هر پیشرفتی در عملکرد به سرعت توسط دیگران (یا حتی توسط جوامع متن‌باز) برآورده یا فراتر می‌رود، پنجره برای کسب درآمد از یک مدل جدید باریک می‌شود. این پویایی شرکت‌ها را وادار می‌کند تا به خندق‌های اقتصادی جایگزین فکر کنند. یکی از این خندق‌ها ادغام با داده‌های اختصاصی است (که کالایی نمی‌شود) - هوش مصنوعی که روی داده‌های غنی خود شرکت تنظیم شده است، می‌تواند برای آن شرکت ارزشمندتر از هر مدل آماده باشد.

دیگری ویژگی‌های نظارتی یا انطباق است، جایی که یک ارائه‌دهنده ممکن است مدل‌هایی را با حفظ حریم خصوصی یا انطباق تضمین شده برای استفاده سازمانی ارائه دهد، و به گونه‌ای فراتر از فناوری خام تمایز ایجاد کند. در مقیاس کلان، اگر مدل‌های هوش مصنوعی بنیادی به اندازه پایگاه‌های داده یا سرورهای وب فراگیر شوند، ممکن است شاهد تغییری باشیم که در آن خدمات پیرامون هوش مصنوعی (میزبانی ابری، مشاوره، سفارشی‌سازی‌ها، نگهداری) به مولدهای اصلی درآمد تبدیل شوند. در حال حاضر، ارائه‌دهندگان خدمات ابری از افزایش تقاضا برای زیرساخت‌های محاسباتی (CPUها، GPUها و غیره) برای اجرای همه این مدل‌ها سود می‌برند - کمی شبیه به اینکه چگونه یک شرکت برق از استفاده سود می‌برد، حتی اگر لوازم خانگی کالایی شده باشند.

در اصل، اقتصاد هوش مصنوعی می‌تواند منعکس‌کننده سایر کالاهای فناوری اطلاعات باشد: هزینه‌های کمتر و دسترسی بیشتر استفاده گسترده را تحریک می‌کند و فرصت‌های جدیدی را ایجاد می‌کند که در بالای لایه کالایی شده ساخته شده‌اند، حتی در حالی که ارائه‌دهندگان آن لایه با حاشیه‌های سود محدودتر و نیاز به نوآوری مداوم یا تمایز در جاهای دیگر مواجه هستند.