وقتی مدل خندق را می برد

در چهار سال گذشته محصولاتی با هوش مصنوعی عرضه شده‌اند که بیشتر آنها بر روی مدل‌های پیشرو فونداسیون ساخته شده‌اند. استارت‌آپ‌ها، فروشندگان نرم‌افزار سازمانی و حتی شرکت‌های بزرگ، هوش اصلی خود را از طریق APIهای آزمایشگاه‌های پیشرو هوش مصنوعی، و مجموعه‌ای در حال رشد اما همچنان محدود از جایگزین‌های با وزن باز هدایت می‌کنند.

این ترتیب مطمئنا یک انفجار واقعی از محصولات هوش مصنوعی را امکان‌پذیر کرده است، اما شکنندگی ساختاری را نیز ایجاد کرده است که می‌توان آن را از طریق دموکراتیک ساختن مدل و آموزش اصلاح کرد.

تعریف لفاف

در ساده‌ترین شکل آن، یک بسته‌بندی هوش مصنوعی محصولی است که عملکرد اصلی آن رابطی است که در بالای API یک مدل پایه شخص ثالث قرار دارد، بدون فناوری انحصاری در زیر آن لایه.

این رویکرد می تواند عمر کوتاهی داشته باشد و جاسپر می تواند آن را نشان دهد. زمانی که رونق نوشتن هوش مصنوعی با اوج ارزش گذاری 1.5 میلیارد دلاری برجسته شد، جاسپر با معرفی ویژگی های نوشتاری رایگان و بومی ChatGPT، بازار اصلی خود را تبخیر کرد. درآمد آن از حدود 120 میلیون دلار در سال 2023 به تقریبا 55 میلیون دلار در سال 2024 کاهش یافت. جاسپر با هدایت مجدد تلاش های خود به سمت گردش کار سازمانی و آموزش های خاص برند زنده ماند.

به طور کلی، تجزیه و تحلیل نشان می‌دهد که در میان استارت‌آپ‌های هوش مصنوعی که در سال ۲۰۲۵ در ایالات متحده از کار افتاده‌اند، ۸۱ درصد از آن‌ها «برنامه‌ها و اپلیکیشن‌ها» بودند. خلبان‌ها و دستیاران روی مدل‌های پایه، ابزارهای بهره‌وری هوش مصنوعی، تولیدکننده‌های محتوا و محصولات SaaS عمودی که تمایز اصلی آن‌ها به جای داده‌ها یا زیرساخت‌های اختصاصی LLM بود، لایه‌بندی کردند.

در مورد جاسپر و در بسیاری موارد دیگر، چیزی که شرکت را تحت فشار قرار داد این نبود که رقیب آنها را اجرا کند. این پلتفرمی بود که آنها بر روی آن ساختند تا به سادگی ویژگی هایی را که شرکت خود در اطراف آن ساخته بودند جذب کند.

همه لفاف ها برابر نیستند

تعمیم ناخالصی است اگر بگوییم همه بسته‌بندی‌های هوش مصنوعی یکسان هستند. یک لفاف سریع و نمایش نازک با محصولی که بازیابی سنگین، هماهنگ سازی ابزار، گردش کار عاملی یا تنظیم دقیق دامنه خاص را انجام می دهد، متفاوت است. دومی می تواند قابلیت دفاعی واقعی داشته باشد حتی در حالی که بر روی یک مدل پایه شخص ثالث نشسته است. فراخوانی مدل یک جزء است، اما مطمئنا کل محصول نیست.

برخی از شرکت‌ها همچنین از چندین مدل پایه استفاده می‌کنند یا مدل‌های کوچک‌تر خود را برای کارهای خاص پس از نمونه‌سازی در یک API مرزی تنظیم/تطبیق دقیق می‌کنند. مدل‌های با وزن باز نیز تنوع را اضافه می‌کنند، زیرا همه لفاف‌ها مدل مرزی منبع بسته نامیده نمی‌شوند.

مشکل لفاف

صرف نظر از جایی که یک محصول هوش مصنوعی در مقیاس پیچیدگی بسته بندی قرار دارد، همه آنها مشکل یکسانی دارند. وقتی پیشنهاد ارزش اصلی یک شرکت به طور کامل به فراخوانی API به شخص ثالث بستگی دارد، آن شرکت به طور کامل محصول خود را کنترل نمی کند.

نمی‌تواند تغییرات قیمت‌گذاری، محدودیت‌های نرخ، کاهش قیمت‌ها، تغییرات در رفتار مدل یا این احتمال را که ارائه‌دهنده پلت‌فرم تصمیم می‌گیرد مستقیما در همان عمودی رقابت کند را کنترل کند.

این یک ریسک تئوری نیست، اگرچه میزان تاثیر آن بر هر شرکتی به احتمال زیاد بستگی به مقداری از ارزش آن بالاتر از لایه مدل دارد.

اقتصاد لفاف

بنابراین قابلیت دفاع یک لفاف AI در عمل چیست؟

پاسخ کوتاه این است که به مالکیت معنوی برمی گردد.

در جایی که یک شرکت از مزیت توزیع موجود، روابط مستقر با مشتری، مجوزهای نظارتی، اثرات شبکه یا سال‌ها اعتماد انباشته به برند سود می‌برد، تمایز لایه مدل ممکن است چندان مهم نباشد. اما اگر چیزی که یک لفاف را متمایز می کند، از خارج از سازمان قابل مشاهده باشد و توسط یک رقیب ذیصلاح در یک دوره محدود قابل تکرار باشد، به نظر منطقی می رسد که انتظار داشته باشیم در نهایت تکرار شود.

این حقیقت اقتصادی ناگوار در زیر مدل لفاف است. هزینه تکرار برای پلتفرمی که مدل اصلی را کنترل می‌کند نزدیک به صفر است و برای راه‌اندازی که این کار را نمی‌کند، تقریبا کل هزینه است. خندق لفافی، اگر خندقی داشته باشد، باید از چیزی غیر از خود مدل باشد. در غیاب آنها، بعید است که یک لفاف دارای مزیت رقابتی پایدار باشد.

سد راه حل

در این مرحله، ممکن است تمایل داشته باشید که بپذیرید که مالکیت مدل یک راه حل برای این مشکل است. اما گفتن این کار آسان تر از انجام آن است.

دلیل اینکه تعداد کمی از شرکت‌ها مدل‌های خود را دارند، فقدان میل نیست. منطقی تر، مالی است. آموزش یک مدل رقابتی مرزی به بودجه محاسباتی عظیم، استعدادهای تخصصی، خطوط لوله داده اختصاصی یا دارای مجوز گران قیمت و زیرساختی برای اجرای یادگیری تقویتی در مقیاس نیاز دارد. این هزینه ها ایجاد مدل را برای همه به جز شرکت هایی که دارای بهترین بودجه هستند دور از دسترس قرار می دهد.

برای اینکه شرکت ها به عنوان یک هنجار بر روی مدل های خود بنا کنند، این مانع باید به طور معنی داری از بین برود. چندین نیرو در حال حاضر به این سمت فشار می آورند که مدل های وزن باز یکی از آنهاست. اما حتی در این صورت، میزبانی و تنظیم دقیق یک مدل وزن باز کار کوچکی نیست. هنوز نیازمند استعدادهای فنی و زیرساخت های محاسباتی است که اکثر استارتاپ ها به آن دسترسی ندارند.

دموکراتیزاسیون واقعی مالکیت مدل

دموکراسی‌سازی، در این زمینه، به این معنا نیست که هر شرکتی یک مدل در مقیاس مرزی را از ابتدا آموزش دهد. آن هدف نه واقع بینانه است و نه ضروری. این بدان معناست که دموکراسی‌سازی به لایه آموزشی می‌رسد همانطور که دسترسی به هوش مصنوعی برای کاربران نهایی دموکراتیک شده است.

دموکراتیزه کردن آموزش و مالکیت مدل می تواند چیزی باشد که به بنیانگذاران فرصتی پایدار برای تبدیل یک ایده به کسب و کار می دهد که در نهایت توسط یک ارائه دهنده مدل به عنوان یک ویژگی ساده جذب نمی شود. و اگر این اتفاق بیفتد، خطرات ممکن است فراتر از دوام کسب و کار فردی باشد.

همانطور که همه چیز وجود دارد، دسترسی به مدل ها ارزان است. دسترسی به آموزش نیست. این باید تغییر کند. توانایی آموزش یک مدل هوش مصنوعی باید کاملا دموکراتیک شود تا ارزش، کنترل و مسئولیت به جای متمرکز شدن، توزیع شود.

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