پرسش $7 تریلیونی

صنعت هوش مصنوعی در بزنگاهی حیاتی؛ محدودیت‌های نوآوری، فشار سرمایه و شکاف راهبردی‌ای که آینده را از نو شکل می‌دهد

Muhammed Gider
7 دقیقه مطالعه • 

پرسش $7 تریلیونی

پشت تیترهای درخشان، صنعت هوش مصنوعی با پرسش‌هایی بنیادین درباره شتاب نوآوری، پایداری سرمایه و مسیرهای متفاوت توسعه‌دهندگان مدل و سازندگان اپلیکیشن روبه‌روست.

نقطه عطف خاموش صنعت

هوش مصنوعی در سه سال گذشته با سرعتی بی‌سابقه رشد کرده است. از زمان عرضه ChatGPT، استقبال مصرف‌کنندگان رکوردها را شکسته، غول‌هایی از OpenAI تا Google با سرعت مدل‌های تازه‌ای معرفی کرده‌اند و شرکت‌های Fortune 500 هوش مصنوعی را در قلب فرایندهای کسب‌وکار خود قرار داده‌اند. اما امروز، پشت تیترهای درخشان، این صنعت با پرسشی اساساً متفاوت دست‌به‌گریبان است:

آیا نوآوری واقعی همچنان با شتابی چشمگیر پیش می‌رود، یا شاهد ماشینی عظیم هستیم که به محدودیت‌های نامرئی برخورد می‌کند؟

برای پاسخ درست به این پرسش، باید این اکوسیستم را از دو منظر متمایز بررسی کنیم:

بازار اولیه: شرکت‌هایی که مدل‌های پایه مانند GPT-4، Claude و Gemini را توسعه می‌دهند: OpenAI، Anthropic، Google DeepMind، Meta.

بازار ثانویه: شرکت‌هایی که با استفاده از این مدل‌ها برای مشکلات واقعی کاربران راه‌حل می‌سازند: Perplexity، Cursor، Notion AI، Replit.

هرچند هر دو بازار بخشی از یک صنعت هستند، سازوکارها، ساختارهای هزینه، ویژگی‌های ریسک و انتظارات رشد آن‌ها اساساً متفاوت است. تنشی که امروز شاهد آن هستیم، دقیقاً از همین تفاوت مسیرها ناشی می‌شود.

محدودیت‌های طبیعی توسعه مدل در حال آشکار شدن‌اند

چهار عامل بنیادین در 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)
  • روش‌های آموزش (معماری‌های ترنسفورمر، سازوکارهای توجه)

از 2018 تا 2023، این چهار عامل همگی در یک جهت گسترش یافتند و جهش‌های عظیمی رقم زدند. به این ترتیب از GPT-2 به GPT-4 و از BERT به PaLM رسیدیم. اما این منحنی تا ابد ادامه نخواهد یافت. داده‌های آموزشی اکنون مهم‌ترین گلوگاه این صنعت هستند.

مجموعه‌های دادهٔ باکیفیت، متنوع و اصیلِ تولیدشده به‌دست انسان محدودند. مدل را با داده‌های Wikipedia آموزش می‌دهید، با arXiv آموزش می‌دهید، با GitHub آموزش می‌دهید؛ بعد چه؟ هزینه‌ها در این حوزه به‌دلیل مسائل حق نشر، توافق‌های مالکیت داده و محدودیت‌های دسترسی به‌صورت نمایی افزایش می‌یابند. با Reddit قرارداد می‌بندید، با Stack Overflow مذاکره می‌کنید و با شکایت‌های The New York Times روبه‌رو می‌شوید. افزایش اندازهٔ مدل هنوز از نظر فنی امکان‌پذیر است، اما محدودیت‌های داده سقفی طبیعی ایجاد می‌کنند.

به همین دلیل، تمرکز صنعت از اندازهٔ مدل به کارایی تغییر کرده است. استدلال زنجیرهٔ فکر، یادگیری تقویتی از بازخورد انسانی (RLHF)، روش‌های نمونه‌گیری مؤثرتر و معماری‌های ترکیب متخصصان (MoE)، همگی بخشی از این تحول‌اند.

این پیشرفت‌ها مهم‌اند، اما به‌تنهایی پایدار نیستند؛ چون در مقطعی، بهبود کارایی هم به نقطهٔ اشباع می‌رسد. صنعت کم‌کم به این واقعیت پی می‌برد که نوآوری در مدل‌های پایه وارد مرحله‌ای کندتر و پرهزینه‌تر شده است.

فشار جریان سرمایه و شکنندگی فزاینده

با ملموس‌تر شدن محدودیت‌های فناوری، رشد سرمایه نیز با ریسک بیشتری همراه شده است.

شرکت‌های سازندهٔ مدل‌های پایه زیرساخت‌های محاسباتی عظیمی می‌سازند و در رقابت برای جذب استعدادها پیشنهادهای بسیار بالایی می‌دهند. این هزینه‌ها پیش از شکل‌گیری منابع درآمدی قوی انجام می‌شوند. هزینه‌های محاسباتی سالانهٔ 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، هزینه‌های شرکت‌ها را به‌شدت افزایش می‌دهند.

این وضعیت نشان می‌دهد که بازار اولیه بر الگویی برای افزایش مقیاس بنا شده که از نظر اقتصادی بسیار شکننده است. ساختار هزینه‌های نوآوری در مدل‌ها بسیار فراتر از نرخ رشد درآمد است.

رشد آرام لایهٔ کاربرد

در حالی که بازار اولیه تحت فشار است، بازار ثانویه مسیر رشدی نسبتاً سالم را طی می‌کند. این شرکت‌ها مدل‌های پایه 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 120+ اپلیکیشن برای مدیریت تمام زندگی دیجیتال از طریق یک لایهٔ هوشمند واحد

مزیت این شرکت‌ها نزدیکی بیشتر به کاربر است. ارزش واقعی مستقیماً در تجربهٔ کاربری شکل می‌گیرد. جست‌وجو، کدنویسی، تولید محتوا، بهره‌وری و پردازش اطلاعات، همگی حوزه‌هایی با مدل‌های درآمدی مقیاس‌پذیر و قابل‌فهم‌اند.

به همین دلیل، بسیاری از تولیدکنندگان مدل‌های پایه به‌سوی لایهٔ کاربرد حرکت کرده‌اند. OpenAI، ChatGPT را به یک محصول تبدیل کرد، Anthropic، Claude را در قالب محصولی برای مصرف‌کنندگان عرضه کرد و Google، Gemini را یکپارچه کرد. راهبرد یکپارچگی عمودی به‌سرعت رواج یافته است.

اما این راهبرد پیامدهای جانبی داشته است: هزینه‌های خرید شرکت‌ها سر به فلک کشیده و ارزش‌گذاری‌های بازار ثانویه متورم شده‌اند. گران شدن بازار ثانویه، یعنی تنها حوزه‌ای که توان درآمدزایی دارد، ریسک سرمایه در این بخش را بیش از پیش تشدید می‌کند.

چرخه‌های تاریخی و عامل متمایزکنندهٔ امروز

هوش مصنوعی در گذشته دو رکود بزرگ را تجربه کرده است: اواخر دههٔ 1970 و اوایل دههٔ 1990. وجه مشترک این دوره‌ها، انتظارات بالا، سرعت پایین نوآوری و از بین رفتن اشتیاق به سرمایه‌گذاری بود.

وضعیت امروز متفاوت است. نوآوری فنی ادامه دارد، اما آهنگ پیشرفت‌های جهشی کند شده است. در مقابل، جریان سرمایه در مقیاسی بی‌سابقه رشد می‌کند. Sam Altman از یک صندوق 7 تریلیون دلاری برای توان محاسباتی صحبت می‌کند و Elon Musk میلیاردها دلار به xAI سرازیر می‌کند.

بنابراین، آنچه تجربه می‌کنیم یک «زمستان هوش مصنوعی» به‌معنای کلاسیک آن نیست. بیشتر دوره‌ای از شکنندگی ناشی از تخصیص سرمایه است: ارزش‌گذاری‌ها متورم می‌شوند و هزینه‌ها با شتاب افزایش می‌یابند، اما سرعت نوآوری پاسخ‌گوی انتظارات نیست.

عصر جدید: پیروزی با رویکردهای هوشمندانه‌تر است، نه مدل‌های بزرگ‌تر

مهم‌ترین تفاوت امروز این است: آنچه اکنون اهمیت دارد، ساخت 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
  • توسعهٔ روش‌های جدید آموزش
  • استفادهٔ راهبردی‌تر و مؤثرتر از داده‌ها
  • کاهش چشمگیر 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 آموزش بسیار کمتر. معماری ترکیب متخصصان، بهینه‌سازی پارامترها و روش‌های آموزش با تمرکز 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 نه‌فقط رقابت برای ساخت مدل‌های بزرگ‌تر، بلکه رقابت بر سر بهره‌وری و نوآوری در معماری را نیز دنبال می‌کنند.

اما این هم هنوز کافی نیست. اگر این صنعت قرار باشد جهشی واقعی را تجربه کند، این جهش از دل الگوهای تازهٔ معماری خواهد آمد. چیزی فراتر از معماری ترنسفورمر. شاید محاسبات نورومورفیک، شاید مدل‌های ترکیبی، یا شاید چارچوبی کاملاً متفاوت برای یادگیری.

این‌گونه تحولات بنیادین معمولاً از شرکت‌های بزرگ آغاز نمی‌شوند. این شرکت‌ها به‌دلیل فشار ناشی از مقیاس، هزینه‌های زیرساخت و مدیریت ریسک سازمانی محتاطانه عمل می‌کنند. پیشرفت‌های جهشی واقعی اغلب از دل استارتاپ‌های کوچک، تهاجمی، ریسک‌پذیر و بلندپرواز بیرون می‌آیند.

زیست‌بوم هوش مصنوعی امروز احتمالاً در انتظار همین نوع دگرگونی بنیادین است.

جمع‌بندی: رویکرد برنده خواهد شد، نه منابع

صنعت هوش مصنوعی امروز میان دو تنش در نوسان است: از یک سو، راهبرد بزرگ‌تر کردن مدل‌ها که به محدودیت‌های خود نزدیک می‌شود؛ از سوی دیگر، ریسک‌های فزایندهٔ سرمایه‌گذاری و بازاری برای کاربردهای هوش مصنوعی که ارزش آن به‌سرعت افزایش می‌یابد.

این وضعیت نشان می‌دهد که مسئلهٔ بنیادی اکنون رویکرد است، نه ظرفیت. برندگان فردا کسانی نخواهند بود که مدل‌های بزرگ‌تری می‌سازند، بلکه کسانی خواهند بود که روش‌های هوشمندانه‌تری توسعه می‌دهند. بهره‌وری، طراحی‌های تازهٔ معماری و روش‌های بهینه‌شدهٔ آموزش در حال تبدیل شدن به معیار اصلی تمایز در این صنعت هستند.

آنچه در آینده تعیین‌کننده خواهد بود، کیفیت رویکرد است، نه قدرت منابع. احتمال اینکه استارتاپ‌های آینده‌نگر، نه شرکت‌های بزرگ، آغازگر این تغییر رویکرد باشند نیز بسیار بالاست.

به Dvina بپیوندید

رایگان ثبت‌نام کنید و همه ابزارهایتان را در یک فضای کاری ساده کنار هم داشته باشید.

مطالب بیشتر