اقتصاد هوش مصنوعی به سمت راهکارهای کم هزینه و سفارشی می رود

به گزارش تیتر کوتاه –  تا چند سال پیش رشد سریع و نمایش توان مدل‌های زبانی بزرگ مانند نسل‌های اولیه ChatGPT محور رقابت‌ها بود، اما اکنون بازار به دلایل عملی و اقتصادی مسیر دیگری را در پیش گرفته است. مدل‌های زبانی کوچک‌تر که در این گزارش از آنها با عنوان «مدل‌های زبانی تخصصی» یاد می‌شود، هزینه پردازش و میزبانی کمتری دارند، آسان‌تر قابل سفارشی‌سازی برای نیازهای خاص کسب‌وکارند و در بسیاری از کاربردهای صنعتی همان یا حتی بهتر از مدل‌های بسیار بزرگ عمل می‌کنند.

به نقل از اکونومیست، شرکت‌ها در عمل با دو دغدغه اصلی مواجه‌اند: اول کاهش هزینه‌های عملیاتی و دوم کسب بازده مناسب از سرمایه‌گذاری در هوش مصنوعی. اجرای وظایف تکراری یا پردازش اسناد با مدل‌های کوچک‌تر به‌مراتب مقرون‌به‌صرفه‌تر است زیرا هزینه هر پیش‌فراخوانی (inference) و هزینه میزبانی این مدل‌ها بسیار پایین‌تر است. از سوی دیگر، مدل‌های کوچک‌تر را می‌توان با داده‌ها و قوانین داخلی شرکت تطبیق داد تا عملکرد در وظایف خاص افزایش یابد؛ کاری که برای مدل‌های عمومی بسیار بزرگ، دشوار و پرهزینه است.

نمونه‌ها و شواهد

شرکت‌هایی مانند IBM نمونه‌هایی عملی ارائه داده‌اند؛ محصولی به نام Docling با حدود ۲۵۰ میلیون پارامتر طراحی شده است تا فایل‌های PDF را به داده‌های ساختاریافته تبدیل کند؛ کاری که از نظر صرفه اقتصادی اجرای آن با یک مدل غول‌پیکر توجیه‌پذیر نیست. همچنین پژوهش‌ها نشان می‌دهد مدل‌هایی با حدود ۹ میلیارد پارامتر در برخی وظایف محلی و تخصصی، می‌توانند عملکردی برابر یا بهتر از مدل‌های بزرگ‌تر ارائه دهند و این امر تقاضا برای مدل‌های تخصصی را افزایش داده است.

دیدگاه کارشناسان

برخی پژوهشگران از جمله تیم‌هایی در انویدیا پیش‌بینی کرده‌اند که نسل بعدی سامانه‌های عامل‌محور (Agentic AI) احتمالاً بر پایه مدل‌های کوچک‌تر و ترکیبی شکل خواهد گرفت؛ مدل‌هایی که می‌توانند به‌صورت ماژولار یا «لگو مانند» کنار هم قرار گیرند و عامل‌های تخصصی بسازند. در مقابل، عده‌ای از کارشناسان تأکید دارند مدل‌های بسیار بزرگ هنوز برای حل مسائل پیچیده چندمرحله‌ای و تولید دانش جدید ضروری‌اند و می‌توانند در روند آموزش و تقویت مدل‌های کوچک نقش تسهیل‌کننده داشته باشند.

رویکردهای ترکیبی و واکنش شرکت‌های بزرگ

رویکردی که اکنون در میان برخی بازیگران بزرگ فناوری مشاهده می‌شود، ترکیب مدل‌های کوچکتر روی دستگاه یا در لبه شبکه با مدل‌های بزرگ در فضای ابری است. اپل با معرفی خدماتی مانند Apple Intelligence نمونه‌ای از این رویکرد هیبریدی را پیاده کرده است؛ راهکاری که بخشی از بار پردازشی را روی خود دستگاه نگه می‌دارد و بخش‌های پیچیده‌تر را به ابر محول می‌کند. هم‌زمان شرکت‌های ابری بزرگی مانند مایکروسافت و گوگل کماکان میلیاردها دلار در توسعه و میزبانی مدل‌های بزرگ سرمایه‌گذاری می‌کنند که نشان‌دهنده ادامه رقابت در هر دو محور است.

پیامدهای بازار

اگر روند کنونی ادامه یابد، انتظار می‌رود بازار خدمات هوش مصنوعی تقسیم‌بندی بیشتری پیدا کند: از یک سو خدمات عمومی و قدرتمند مبتنی بر مدل‌های بزرگ که برای وظایف پیچیده ضروری‌اند، و از سوی دیگر محصولات سبک‌تر و تخصصی که برای طیف وسیعی از کاربردهای صنعتی مقرون‌به‌صرفه‌تر خواهند بود. این تقسیم‌بندی می‌تواند ساختار هزینه‌ها، زنجیره تأمین فناوری و مدل‌های کسب‌وکار شرکت‌ها را بازتعریف کند.

اقتصاد هوش مصنوعی در حال گذار از تمرکز صرف بر مقیاس به سوی بهینه‌سازی هزینه و تطبیق تخصصی است. نتیجه این گذار احتمالاً ایجاد اکوسیستمی چندلایه خواهد بود که در آن مدل‌های کوچکتر نقش کلیدی در عملیاتی‌سازی و کاهش هزینه‌ها بازی می‌کنند، در حالی که مدل‌های بزرگ برای موارد نیازمند توان محاسباتی و گستردگی دانش باقی خواهند ماند.