شما از فراری برای دویدن در مدرسه استفاده نمی کنید. چرا این کار را برای هوش مصنوعی انجام می دهید؟

همه صاحب یک فراری نیستند، اما مطمئنم کسانی که به ندرت از آن برای بردن فرزندانشان از مدرسه استفاده می کنند. مصرف انرژی کمتری دارد، چندان ایمن یا جادار نیست و ممکن است توجه ناخواسته ای را به خود جلب کند. تشبیه ساده است: در هوش مصنوعی، همیشه به قدرتمندترین ابزار برای کارهای روزمره نیاز ندارید.

این تله ای است که بسیاری از کسب و کارها از زمان موج اول هوش مصنوعی در آن گرفتار شده اند، زمانی که پذیرندگان اولیه تلاش می کردند ثابت کنند که می توانند به لبه های پیشرفته این فناوری دسترسی داشته باشند. همه می‌خواستند قوی‌ترین مدل هوش مصنوعی، پرطرفدارترین شتاب‌دهنده‌ها و سریع‌ترین مسیر از مرحله آزمایشی تا پیاده‌سازی را داشته باشند.

اما با انتقال هوش مصنوعی از مرحله آزمایشی به تولید، هزینه های جدیدی در حال ظهور است که عمدتا با استفاده از آن مرتبط است. اثبات مفهومی که توسط افراد معدودی استفاده می‌شود ممکن است ارزان به نظر برسد، اما اجرای یک برنامه مشابه هزاران بار در روز، یا توسط نمایندگانی که چندین مدل را برای یک کار فراخوانی می‌کنند، یک پیشنهاد کاملا متفاوت است.

اشتباه این است که «فراری» ندارید، بلکه از همان مدل استفاده می‌کنید، بسته به انتخاب‌های سخت‌افزاری یکسان یا انتخاب مسیر استقرار یکسان برای هر پروژه. اینجاست که مرحله بعدی هوش مصنوعی سازمانی جالب می‌شود، با کارایی‌های جدیدی که از تطبیق هر حجم کاری با مناسب‌ترین مدل و شتاب‌دهنده به‌جای پیش‌فرض کردن بزرگ‌ترین «موتور» شما به دست می‌آید.

هر مدلی نقش متفاوتی دارد

در میان برخی از شرکت ها یک ایده رایج وجود دارد که هوش مصنوعی یک تمرین رتبه بندی است که در آن باید تا حد امکان بر روی هوشمندترین مدل موجود استانداردسازی کنید. از نظر تئوری مرتب به نظر می رسد، اما تفاوت های پیچیده بین هر کار هوش مصنوعی و حجم کاری را نادیده می گیرد.

به عنوان مثال، یک کمک خلبان خدمات مشتری باید آنقدر سریع پاسخ دهد که کاربر هرگز متوجه ماشین آلات پشت آن نشود. یک کار خلاصه‌سازی اسناد بزرگ می‌تواند مدت بیشتری منتظر بماند، و کاربر انتظار دارد که هوش مصنوعی با دقت بیشتری «فکر کند». برنامه‌های دولتی هوش مصنوعی احتمالا به جای آن، حاکمیت و مالکیت را در اولویت قرار می‌دهند و مکان و نحوه اجرای حجم کاری را به اندازه عملکرد مهم می‌سازند.

این منطق از اندازه مدل به زیرساخت زیر آن اعمال می شود. مدل‌های کوچک‌تر اغلب می‌توانند کارهای معمولی طبقه‌بندی، استخراج و مسیریابی را سریع‌تر و با هزینه کمتر انجام دهند، در حالی که مدل‌های متوسط ​​حجم زیادی از کار استدلال روزمره را پشتیبانی می‌کنند. بزرگ‌ترین و قدرتمندترین مدل‌ها مهم هستند، اما زمانی که توانایی و هزینه‌شان توجیه‌پذیر باشد، ممکن است به صورت انتخابی‌تری مورد استفاده قرار گیرند - برای مثال، در استدلال پیچیده، برنامه‌ریزی استراتژیک عمیق و وظایف پرمخاطره که دقت و تفاوت‌های ظریف بسیار مهم است.

به همین ترتیب، برای به حداکثر رساندن کارایی توکن، شرکت‌ها باید نحوه رفتار بارهای کاری مختلف را در نظر بگیرند و چرا همه آنها به یک نوع شتاب دهنده نیاز ندارند. با استفاده از تنوع سیلیکونی، می‌توان ترکیب‌های مختلفی از مدل‌ها و سخت‌افزار را متناسب با نیازهای مختلف انتخاب کرد، خواه اولویت سرعت، توان عملیاتی، هزینه یا کنترل باشد.

به این ترتیب، به جای تطبیق هر حجم کاری حول یک اولویت مفروض، تیم های سازمانی باید با نتیجه دلخواه شروع کنند. خرده‌فروشی که یک دستیار خدمات مشتری را اداره می‌کند، اولویت‌های بسیار متفاوتی با بخش دولتی که اطلاعات حساس را مدیریت می‌کند، خواهد داشت.

اولی احتمالا زمان پاسخگویی، تجربه کاربر و هزینه را در مقیاس اولویت قرار می دهد، در حالی که دومی وزن بیشتری را بر حاکمیت، امنیت و محل اجرای حجم کار می گذارد. زیرساخت باید انتخاب کافی برای تطابق با حجم های کاری مختلف و نیازهای متغیر بدون قفل شدن در یک مسیر داشته باشد.

ساخت بر روی تنوع سیلیکون

اگر یک سازمان سرمایه گذاری زیادی روی یک نوع شتاب دهنده انجام دهد، اجرای هر حجم کاری از طریق آن می تواند وسوسه انگیز باشد. اینجاست که مفروضات اشتباه در مقیاس سازمانی می تواند هزینه ها را به سرعت افزایش دهد. استفاده از یک قطعه سخت افزاری برای هر کار می تواند به معنای پرداخت بیش از حد برای عملکرد با حداقل یا بدون منفعت برای کاربر باشد.

برنامه‌های با تأخیر کم برای پاسخ‌دهی به سخت‌افزار بهینه‌سازی شده نیاز دارند، در حالی که حجم‌های کاری زیاد ممکن است از توان عملیاتی و کارایی هزینه بیشتر بهره ببرند. اجرای هر دو روی یک زیرساخت می تواند به معنای پرداخت هزینه برای عملکردی باشد که یکی از آنها هرگز از آن استفاده نمی کند.

در بیشتر موارد، ساخت بر روی تنوع سیلیکون - شتاب دهنده های ناهمگن که می توانند با هر بار کاری همسو شوند - شرکت ها را قادر می سازد تا تصمیمات زیرساختی هوشمندانه تری بگیرند. در برخی سناریوها، سازمان‌ها حتی ممکن است ترجیح دهند سخت‌افزارهای ارائه‌دهنده‌های مختلف را که مکمل یکدیگر هستند، ترکیب کنند. پردازنده‌های گرافیکی NVIDIA برای بسیاری از سناریوهای سازمانی منطقی هستند، اما انتخاب مهم است.

امکان انتخاب ارائه دهندگان مختلف مانند AMD، Qualcomm، Microsoft، Cerebras و سایرین به شرکت ها اجازه می دهد زیرساخت ها را با نیازهای خاص خود هماهنگ کنند و کارایی را بهبود بخشند. به عنوان مثال، Cerebras gpt-oss-120b OpenAI را با سرعتی در حدود 3000 توکن در ثانیه اجرا کرده است - سطحی از سرعت که به ویژه برای برنامه هایی که زمان پاسخگویی در آنها حیاتی است، ارزشمند است.

محیط استقرار نیز مهم است، به ویژه در شرکت های بزرگ مقیاس یا در سطح دولتی، جایی که مقدار زیادی از اطلاعات حساس باید در یک حوزه قضایی خاص باقی بماند. در اروپا، تقاضای زیادی برای زیرساخت های توسعه یافته در بازار وجود دارد و بر اساس نیازهای محلی عمل می کند.

برای شرکت‌هایی که در سراسر بازارها فعالیت می‌کنند، این بدان معناست که انتخاب‌های زیرساختی را نمی‌توان از مسائل مربوط به محل اقامت داده و کنترل محلی جدا کرد. به طور فزاینده‌ای، پاسخ زیرساخت‌هایی است که دارای قدرت مستقل هستند - با شتاب‌دهنده‌های داخل کشور، قیمت‌گذاری مبتنی بر مصرف و بدون تعهد سرمایه اولیه - به جای یک تصمیم سخت‌افزاری که یک بار گرفته شده و سال‌ها با آن زندگی می‌شود. قفل شدن در یک مسیر، زمانی که این الزامات تغییر می کند، فضای کمی برای پاسخگویی باقی می گذارد.

درک توکن های هوش مصنوعی و کارایی

ملاحظات دیگر این است که هزینه‌های هوش مصنوعی متفاوت از نرم‌افزارهای سازمانی سنتی است، جایی که مجوز هزینه نسبتا قابل پیش‌بینی دارد. زمانی که یک نماینده گام‌های بیشتری بردارد یا یک مدل قدرتمند به وظایفی بیش از حد لازم کشیده شود، کسب‌وکارها با یک صورت‌حساب هوش مصنوعی بزرگ‌تر مواجه خواهند شد، که این خود استفاده را به یک پروکسی ضعیف برای ارزش تبدیل می‌کند.

شرکت ها در حال حاضر شروع به بازاندیشی کرده اند که چگونه کارمندان می توانند آزادانه توکن ها را مصرف کنند، به ویژه در نقش های کدنویسی. به عنوان مثال، بنا بر گزارش‌ها، اوبر از کل بودجه هوش مصنوعی 2026 خود در چهار ماه، عمدتا بر روی Claude Code استفاده کرده است. درسی که از این نوع مثال می‌آید این است که دادن توکن‌های بیشتر به افراد بیشتر لزوما معادل ارزش بیشتر نیست.

Agentic AI مثال دیگری ارائه می دهد. برخلاف کارمندی که گهگاه یک سوال مستقل از خود می پرسد، یک عامل هوش مصنوعی می تواند مراحل طولانی را طی کند، فایل ها را بخواند، کد تولید کند، آن را آزمایش کند و خروجی ها را برای اشتباهات بررسی کند. هوش مصنوعی عاملی، به ویژه در کدنویسی، در مقایسه با استدلال و چت، با استفاده از توکن بسیار متغیر که در آن افزایش مصرف همیشه دقت را بهبود نمی بخشد، می تواند به طور منحصر به فردی گران باشد.

از آنجایی که شمارش توکن ها تصویر کاملی را ارائه نمی دهد، شرکت ها باید به جای اینکه بر اساس عملکرد یا قابلیت ها به تنهایی، موفقیت را بر اساس نتایج اندازه گیری کنند. استفاده از مدل‌های هوش مصنوعی سریع‌تر، سخت‌افزار قوی‌تر یا عامل‌های طولانی‌تر می‌تواند مفید باشد، اما تنها زمانی که نتیجه مصرف آن‌ها را توجیه کند.

برای یک نماینده خدمات مشتری که می تواند هزینه حل یک پرونده باشد یا برای یک خلبان کارمند، اینکه آیا کارکنان انسانی در کار معنی دار پیشرفت سریع یا کامل تری دارند یا خیر.

با این حال، هدف نباید به طور کلی کاهش استفاده از توکن باشد. رهبران فناوری اطلاعات باید به دنبال درک این موضوع باشند که دقیقا برای چه چیزی پول می پردازند و اینکه آیا یک مورد تجاری واضح دارد یا خیر. این همان تعریف کارایی هوش مصنوعی است که باید به سمت آن حرکت کنیم. به جای جستجوی حداکثر استفاده یا حداقل هزینه، CIOها و تیم‌هایشان باید اطمینان حاصل کنند که ارزش کافی از هر بار کاری را برای توجیه سرمایه‌گذاری که برای اجرای آن انجام می‌شود، برمی‌گردانند.

نجات فراری برای پیست مسابقه

همیشه حجم کاری هوش مصنوعی وجود خواهد داشت که به بزرگترین، قدرتمندترین مدل، سریع ترین شتاب دهنده یا گران ترین گزینه استقرار نیاز دارد. نکته این است که به طور پیش فرض این انتخاب ها را متوقف کنید. مرحله بعدی تولید گسترده هوش مصنوعی مستلزم رویکردی سنجیده تر برای هر بار کاری است.

کار را شروع کنید، مدلی را انتخاب کنید که به اندازه کافی توانایی انجام آن را داشته باشد، آن را بر روی شتاب دهنده مناسب با نیازهای عملکرد آن اجرا کنید، و مطمئن شوید که محیط استقرار الزامات امنیتی و حاکمیتی پیرامون آن را برآورده می کند. سپس اندازه گیری کنید که آیا نتیجه به چه قیمتی ارزش دارد یا خیر.

این رویکرد ممکن است کمتر خبرساز باشد، اما چیزی است که استقرار شرکت‌های انعطاف‌پذیر، در مقیاس تولید و دولت را از آزمایش جدا می‌کند. از آنجایی که هوش مصنوعی بخشی از جریان های کاری روزمره می شود، بهره وری به طور فزاینده ای ناشی از انتخاب های هوشمندانه تر در مورد جایی که هر قابلیتی مورد نیاز است - و از داشتن تنوع مدل ها، سیلیکون و گزینه های استقرار برای عمل بر روی آنها نشات می گیرد.

ما بهترین ابزار هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit