جنگ برای تسلط بر هوش مصنوعی وزن‌باز در سیلیکون‌ولی

از احتمال تصاحب ۱۳ میلیارد دلاری Hugging Face تا خریدهای استراتژیک انویدیا؛ غول‌های فناوری در حال بازنویسی قوانین بازی با هدف تسلط بر اکوسیستم هوش مصنوعی وزن‌باز هستند.

همه منتظر تأیید انویدیا (Nvidia) درباره جالب‌ترین معامله فناوری این هفته هستند: گزارش‌هایی مبنی بر تصاحب ۱۳ میلیارد دلاری Hugging Face، پلتفرمی که برای اشتراک‌گذاری مدل‌های هوش مصنوعی وزن‌باز و بنچمارک‌ها شناخته می‌شود.

Hugging Face که اخیرا به عنوان هدفی برای گروهی از عوامل هوش مصنوعی OpenAI (که در تلاش برای «هک پاداش» یا reward-hacking بودند) شناخته شده است، اکنون در مرکز اکوسیستم توسعه‌دهندگانی قرار دارد که مدل‌های زبانی بزرگ (LLM) را بدون وابستگی به آزمایشگاه‌های پیشرو (frontier labs) می‌سازند و پیاده‌سازی می‌کنند. می‌توان آن را نوعی «گیت‌هاب برای عصر هوش مصنوعی» دانست.

شایعات مربوط به این معامله پس از آن مطرح شده که انویدیا توافقی ۶ میلیارد دلاری با Poolside، یکی از سازندگان مدل‌های وزن‌باز، منعقد کرد؛ توافقی که طی آن اکثر کارکنان این شرکت به غول تولید تراشه خواهند پیوست. دو هفته پیش نیز، استرایپ (Stripe) شرکت OpenRouter را که بزرگترین تأمین‌کننده مدل‌های وزن‌باز برای کسب‌وکارهاست، با قیمتی بیش از ۷ میلیارد دلار خریداری کرد.

ورود این حجم عظیم از سرمایه به بخشی که مبتنی بر مدل عرضه رایگان است، بازتاب‌دهنده آخرین روندها در بخش هوش مصنوعی است.

اهمیت استراتژیک اکوسیستم هوش مصنوعی وزن‌باز برای انویدیا

برای انویدیا، نیاز مبرمی به کاهش وابستگی بیشتر به قراردادهای خود با ابرمقیاس‌ها (hyperscalers) و آزمایشگاه‌های پیشرو وجود دارد. این موضوع زمانی اهمیت می‌یابد که سازندگان بزرگ مدل‌های هوش مصنوعی مانند OpenAI و گوگل نیز در حال ساخت تراشه‌های استنتاج (inference) اختصاصی خود هستند؛ مانند تراشه Jalapeño متعلق به OpenAI که قابلیت‌های آن همین هفته معرفی شد. اگر سازندگان مدل‌ها خودشان وارد تولید تراشه شوند، انویدیا می‌خواهد سهمی از بازار مدل‌سازی داشته باشد.

انویدیا در حال حاضر خانواده مدل‌های وزن‌باز خود یعنی Nemotron را توسعه می‌دهد، اما میزان استقبال از آن‌ها چندان چشمگیر نبوده است. این شرکت با به دست گرفتن کنترل بزرگترین فضای توسعه‌دهندگان مدل‌های باز در ایالات متحده، به انبوهی از کاربران دسترسی پیدا می‌کند که می‌تواند آن‌ها را به سمت استفاده از تراشه‌ها و استانداردهای خود سوق دهد.

همچنین سوالات فزاینده‌ای درباره هزینه استنتاج (inference) هوش مصنوعی مطرح شده که باعث شده شرکت‌ها به دنبال مدل‌های ارزان‌تر ساخته شده توسط شرکت‌های چینی مانند Moonshot، DeepSeek و Alibaba باشند. در حال حاضر، میزان پذیرش این مدل‌ها نسبتا کم اما رو به رشد است؛ طبق نظرسنجی از داده‌های هزینه‌کرد شرکت Ramp، تنها ۶ درصد از شرکت‌ها از مدل‌های وزن‌باز استفاده می‌کنند و طبق آمار Jellyfish (شرکتی که ابزارهای توسعه‌دهندگان را می‌سازد)، این رقم در میان مهندسان نرم‌افزار تنها ۲ درصد است.

نیک آلباران، مدیر محصول هوش مصنوعی در Jellyfish، به TechCrunch گفت که شرکت‌هایی از مدل‌های وزن‌باز استفاده می‌کنند که محصولاتشان متکی بر حجم بالایی از عملیات استنتاج مکرر است؛ مانند شرکت‌هایی که خدمات چت پشتیبانی مشتری ارائه می‌دهند. از آنجایی که این‌ها وظایف پرحجم و تکراری هستند، می‌توان یک مدل وزن‌باز را برای پاسخگویی ارزان به سوالات تنظیم (tune) کرد.

استرایپ نیز دقیقا همین رویکرد را در توجیه خرید OpenRouter اتخاذ کرده است. پاتریک کالیسون، هم‌بنیان‌گذار و مدیرعامل Stripe، در بیانیه‌ای گفت: «توکن‌ها ارز اصلی شرکت‌هایی هستند که با هوش مصنوعی کار می‌کنند و واضح است که پتانسیل اقتصادی واقعی به استفاده بهینه از منابع محاسباتی محدود بستگی دارد.»

با این حال، برای کارهای مربوط به کدنویسی و وظایف مبتنی بر عامل‌ها (agentic tasks)، تنوع درخواست‌ها و نیاز به استدلال بیشتر باعث می‌شود که مدل‌های پیشرو (frontier models) همچنان برتری داشته باشند؛ بخشی از این موضوع به دلیل دسترسی آسان‌تر توسط آزمایشگاه‌های انحصاری و در برخی موارد، ارائه یارانه‌های توکن (token subsidy) است. آلباران می‌گوید با تثبیت جریان‌های کاری هوش مصنوعی در شرکت‌ها، چرخش به سمت مدل‌های باز آسان‌تر خواهد شد. با این حال، دلیل اصلی توجه شرکت‌ها به این مدل‌ها در حال حاضر کنترل‌پذیری و قابلیت پیکربندی آن‌هاست، نه لزوما نگرانی از هزینه‌ها.

آلباران به TechCrunch گفت: «هنوز شرکت‌های زیادی نیستند که با این چالش روبرو باشند… اما اگر قیمت‌ها در آزمایشگاه‌های پیشرو همچنان افزایش یابد، شرکت‌های بیشتری مجبور خواهند شد حداقل این گزینه را بررسی کنند. زمانی که جریان‌های کاری مبتنی بر هوش مصنوعی شما بسیار بالغ‌تر شوند، سرمایه‌گذاری روی خودمیزبانی (self-hosting) مدل‌ها منطقی خواهد بود.»

لین کیائو (Lin Qiao) مدیرعامل Fireworks است؛ شرکتی که به‌عنوان یکی از پیشروترین مسیریاب‌ها و میزبان‌های مدل‌های با وزن‌باز برای کاربران سازمانی شناخته می‌شود و اغلب به عنوان یک هدف بالقوه برای تملک توسط غول‌های فناوری مطرح است. کیائو می‌گوید شرکت او روزانه ۴۰ تریلیون توکن پردازش می‌کند که این رقم از حجم پردازش در رابط‌های برنامه‌نویسی (APIs) هر دو سرویس Gemini و OpenAI فراتر می‌رود.

راهبرد اصلی Fireworks بر پایه تنوع مدل‌ها استوار است: با گسترش و بهبود روزافزون مدل‌های زبانی بزرگ (LLMs)، آموزش آن‌ها به‌صورت اختصاصی برای نیازهای خاص هر شرکت، آسان‌تر خواهد شد. او هفته گذشته در گفتگو با TechCrunch اظهار داشت: «هر شرکت توسعه‌دهنده اپلیکیشن باید به استخدام یک پژوهشگر داخلی فکر کند. آن‌ها می‌توانند از محصول و داده‌های مربوط به آن برای ساخت مدل اختصاصی خود استفاده کنند. آینده در واقع متعلق به “هوش تخصصی” است. به‌طور دقیق‌تر، هر شرکت باید برای هر مورد استفاده (use case) مدل مخصوص به خود را داشته باشد و این فرآیند به‌صورت خودکار رخ خواهد داد.»

از نظرها دور نمی‌ماند که ما در مراحل اولیه توسعه هوش مصنوعی به‌عنوان یک ابزار و یک حوزه تجاری قرار داریم. با این حال، سلطه OpenAI و Anthropic امری اجتناب‌ناپذیر نیست. در حالی که غول‌های فناوری تلاش می‌کنند با سرمایه‌گذاری روی بزرگ‌ترین آزمایشگاه‌ها، ریسک‌های خود را مدیریت کنند (hedge their bets)، جذابیت فناوری‌های باز به‌سختی قابل مقاومت است.