پشت تیترهای درخشان، صنعت AI با پرسشهای بنیادینی درباره شتاب نوآوری، پایداری سرمایه، و مسیرهای واگرای توسعهدهندگان مدل در برابر سازندگان اپلیکیشن روبهروست.
نقطه عطف خاموش صنعت
هوش مصنوعی در سه سال گذشته با سرعتی بیسابقه رشد کرده است. از زمان عرضه ChatGPT، پذیرش مصرفکنندگان رکوردها را جابهجا کرده، غولهایی از OpenAI تا Google مدلهای خود را یکی پس از دیگری معرفی کردهاند، و شرکتهای Fortune 500، AI را در مرکز فرایندهای کسبوکارشان قرار دادهاند. با این حال امروز، پشت تیترهای درخشان، صنعت با پرسشی کاملاً متفاوت دستبهگریبان است:
آیا نوآوری واقعی هنوز با شتابی قدرتمند در حال پیشروی است، یا داریم تماشای ماشینی عظیم را میکنیم که به محدودیتهای نامرئی برخورد میکند؟
برای پاسخ درست به این پرسش، باید این اکوسیستم را از دریچه دو نگاه متمایز ببینیم:
بازار اولیه: شرکتهایی که مدلهای پایهای مانند GPT-4، Claude، و Gemini را توسعه میدهند: OpenAI, Anthropic, Google DeepMind, Meta.
بازار ثانویه: شرکتهایی که این مدلها را میگیرند و برای مسائل واقعی کاربران راهحل میسازند: Perplexity, Cursor, Notion AI, Replit.
با اینکه هر دو بازار در یک صنعت قرار دارند، پویاییها، ساختارهای هزینه، پروفایلهای ریسک، و انتظارات رشد آنها اساساً متفاوت است. تنشی که امروز شاهدش هستیم دقیقاً از همین واگرایی ناشی میشود.
محدودیتهای طبیعی توسعه مدل در حال آشکار شدناند
چهار عامل بنیادین، طی پنج سال گذشته مسیر تکامل مدلهای زبانی بزرگ را شکل دادهاند:
- اندازه مدل (تعداد پارامترها)
- دادههای آموزشی (کیفیت و تنوع)
- توان محاسباتی (ظرفیت GPU/TPU)
- تکنیکهای آموزش (معماریهای transformer، سازوکارهای attention)
از 2018 تا 2023، این چهار عامل همگی در یک جهت مقیاس گرفتند و جهشهای عظیمی ایجاد کردند. به همین دلیل بود که از GPT-2 به GPT-4 رسیدیم، و از BERT به PaLM. با این حال، این منحنی قرار نیست تا ابد ادامه پیدا کند. دادههای آموزشی اکنون به مهمترین گلوگاه صنعت تبدیل شدهاند.
مخازن دادههای انسانیِ باکیفیت، متنوع و اصیل محدودند. روی Wikipedia آموزش میدهید، روی arXiv آموزش میدهید، روی GitHub آموزش میدهید: بعدش چه؟ هزینهها در این حوزه بهدلیل مسائل کپیرایت، توافقهای مالکیت داده و محدودیتهای دسترسی بهصورت نمایی در حال افزایشاند. با Reddit قرارداد میبندید، با Stack Overflow مذاکره میکنید، با شکایتهای The New York Times روبهرو میشوید. بزرگتر کردن اندازهٔ مدلها از نظر فنی هنوز ممکن است، اما سمت داده یک سقف طبیعی ایجاد میکند.
به همین دلیل است که تمرکز صنعت از اندازهٔ مدل به بهرهوری تغییر کرده است. استدلال زنجیرهای (chain-of-thought)، یادگیری تقویتی از بازخورد انسانی (RLHF)، روشهای نمونهبرداری مؤثرتر، معماریهای mixture-of-experts (MoE): همهٔ اینها بخشی از این دگرگونیاند.
این تحولات مهماند، اما بهتنهایی پایدار نیستند. چون در نهایت، دستاوردهای بهرهوری هم به نقطهٔ اشباع میرسند. صنعت کمکم دارد میپذیرد که نوآوری در مدلهای پایه وارد مرحلهای شده که کندتر و پرهزینهتر است.
فشار جریان سرمایه و شکنندگیِ رو به افزایش
هرچه محدودیتهای فناورانه ملموستر میشوند، رشد در سمت سرمایه نیز ریسک بیشتری به خود گرفته است.
شرکتهای مدلهای پایه در حال ساخت زیرساختهای محاسباتی عظیماند و در جنگ جذب استعدادها پیشنهادهای تهاجمی میدهند. این هزینهها پیش از آن انجام میشوند که پایههای درآمدیِ قدرتمندی شکل گرفته باشد. هزینههای سالانهٔ محاسباتی OpenAI به میلیاردها دلار میرسد. Anthropic میلیاردها دلار سرمایه از Microsoft دریافت میکند. Google بودجهای جداگانه به DeepMind اختصاص میدهد.
میلیاردها دلار سرمایهگذاری در مراکز داده، قراردادهای چندسالهٔ GPU، و حقوقهای نجومی پرداختشده به چهرههایی مانند Ilya Sutskever: همهٔ اینها سرفصل هزینههای شرکتها را بهشدت متورم میکنند.
این تصویر نشان میدهد که بازار اولیه بر یک مدل مقیاسپذیریِ از نظر اقتصادی بسیار شکننده بنا شده است. ساختار هزینهٔ نوآوری در مدلها بسیار فراتر از نرخهای رشد درآمد قرار دارد.
اوجگیری آرامِ لایهٔ کاربرد
در حالی که بازار اولیه تحت فشار است، بازار ثانویه با منحنی رشدی نسبتاً سالم پیش میرود. این شرکتها مدلهای پایه را میگیرند و آنها را به کاربردهای واقعی تبدیل میکنند.
- Perplexity: بازطراحی تجربهٔ جستوجو
- Cursor & Replit: متحول کردن فرایند کدنویسی
- Notion AI: هوشمند کردن ابزارهای بهرهوری
- Dvina: اتصال به بیش از 120 اپلیکیشن برای مدیریت تمام زندگی دیجیتال از طریق یک لایهٔ هوشمند واحد
مزیت این شرکتها در نزدیکترین بودنشان به کاربر است. ارزش واقعی مستقیماً در تجربهٔ کاربر شکل میگیرد. جستوجو، کدنویسی، تولید محتوا، بهرهوری، پردازش اطلاعات: همهٔ این حوزهها مدلهای درآمدی مقیاسپذیر و قابلفهم ارائه میکنند.
به همین دلیل است که بسیاری از تولیدکنندگان مدلهای پایه شروع کردهاند به حرکت بهسوی لایهٔ کاربرد. OpenAI، ChatGPT را به یک محصول تبدیل کرد، Anthropic، Claude را به یک عرضهٔ مصرفکنندهمحور بدل کرد، Google، Gemini را یکپارچه کرد. راهبرد یکپارچگی عمودی بهسرعت گسترش یافته است.
اما این راهبرد عوارض جانبی هم ایجاد کرده است: هزینههای جذب بهشدت افزایش یافتهاند و ارزشگذاریهای بازار ثانویه متورم شدهاند. این واقعیت که بازار ثانویه — تنها حوزهای که توان ایجاد درآمد دارد — تا این حد گران شده، ریسک سرمایه در این بخش را بیش از پیش تشدید میکند.
چرخههای تاریخی و عامل متمایزکنندهٔ امروز
هوش مصنوعی در گذشته دو دورهٔ رکود بزرگ را تجربه کرده است: اواخر دههٔ 1970 و اوایل دههٔ 1990. وجه مشترک این دورهها چه بود؟ انتظارات بالا، سرعت پایین نوآوری، و فروکش کردن اشتیاق سرمایهگذاری.
وضعیت امروز متفاوت است. نوآوری فنی ادامه دارد، اما سرعت جهشهای بزرگ کندتر شده است. با این حال، جریان سرمایه در مقیاسی بیسابقه در حال رشد است. Sam Altman از یک صندوق محاسباتی 7 تریلیون دلاری صحبت میکند، Elon Musk میلیاردها دلار به xAI سرازیر میکند.
بنابراین، چیزی که تجربه میکنیم یک «زمستان هوش مصنوعی» کلاسیک نیست. بیشتر شبیه دورهای از شکنندگی مبتنی بر تخصیص سرمایه است: ارزشگذاریها متورم میشوند، هزینهها شتاب میگیرند، اما سرعت نوآوری با انتظارات همخوانی ندارد.
عصر جدید: نه مدلهای بزرگتر، بلکه رویکردهای هوشمندانهتر برنده خواهند شد
مهمترین تفاوت امروز این است: آنچه اکنون اهمیت دارد، تولید مدلهای عظیمتر با افزودن پارامترهای بیشتر نیست.
تحول واقعی در این حوزهها رخ خواهد داد:
- افزایش بهرهوری پارامترها
- دستیابی به کیفیت بالاتر با مدلهای کوچکتر
- توسعه تکنیکهای آموزشی جدید
- استفاده راهبردیتر و مؤثرتر از دادهها
- کاهش ریشهای هزینههای آموزش
یکی از چشمگیرترین نمونههای اخیر DeepSeek بود. این استارتاپ چینی مدلی توسعه داد که در سطح GPT-4 عمل میکرد، اما با هزینههای آموزشی بسیار کمتر. معماری mixture-of-experts، بهینهسازی پارامترها، و تکنیکهای آموزشی متمرکز بر بهرهوری. بازار واکنش شدیدی نشان داد.
پس از اعلام DeepSeek، ارزش بازار NVIDIA در یک روز 600 میلیارد دلار کاهش یافت. این نشان داد که سرمایهگذاران اکنون فقط رقابت برای مدلهای بزرگتر را دنبال نمیکنند، بلکه رقابت برای بهرهوری و نوآوری معماری را هم زیر نظر دارند.
اما این هم هنوز کافی نیست. اگر این بخش قرار باشد جهشی واقعی را تجربه کند، این جهش از دل پارادایمهای معماری جدید خواهد آمد. چیزی فراتر از معماری transformer. شاید محاسبات نورومورفیک، شاید مدلهای هیبریدی، یا شاید چارچوبی کاملاً متفاوت برای یادگیری.
این نوع دگرگونیهای رادیکال معمولاً از دل شرکتهای بزرگ بیرون نمیآیند. آنها بهدلیل فشار مقیاس، هزینههای زیرساخت، و مدیریت ریسک شرکتی با احتیاط عمل میکنند. جهشهای واقعی اغلب از استارتاپهای کوچک، تهاجمی، ریسکپذیر و بلندپرواز سر برمیآورند.
اکوسیستم امروز AI بهاحتمال زیاد در انتظار دقیقاً چنین گسستی است.
جمعبندی: این منابع نیستند، بلکه رویکرد است که برنده میشود
بخش AI امروز میان دو تنش در نوسان است: از یک سو، راهبرد مقیاسدهی مدل که به مرزهای خود نزدیک میشود؛ و از سوی دیگر، ریسکهای سرمایهای رو به رشد و بازاری برای کاربردها که با سرعت در حال ارزشگیری است.
این تصویر نشان میدهد که مسئله بنیادی اکنون رویکرد است، نه ظرفیت. برندگان فردا کسانی نخواهند بود که مدلهای بزرگتری میسازند، بلکه کسانی خواهند بود که روشهای هوشمندانهتری میسازند. بهرهوری، طراحیهای معماری جدید، و تکنیکهای آموزشی بهینهشده در حال تبدیل شدن به خط تمایز واقعی این بخش هستند.
آنچه در آینده تعیینکننده خواهد بود، کیفیت رویکرد است، نه قدرت منابع. و احتمال اینکه این تغییر رویکرد را استارتاپهای آیندهنگر، نه شرکتهای بزرگ، آغاز کنند بسیار بالاست.
