ساتیا نادلا ، مدیرعامل مایکروسافت ، اخیراً با بیان اینکه مدل های پیشرفته هوش مصنوعی در مسیر کالایی سازی هستند ، بحث و گفتگو را برانگیخت. در پادکست ، نادلا مشاهده کرد که مدلهای بنیادی به طور فزاینده ای در حال شبیه سازی و به طور گسترده در دسترس هستند ، تا جایی که “مدل ها به خودی خود کافی نیستند” برای یک لبه رقابتی ماندگار. او به این موضوع اشاره کرد Openai -علی رغم شبکه های عصبی برجسته- “یک شرکت مدل نیست. این یک شرکت محصول است که به نظر می رسد مدل های خارق العاده ای داشته باشد، “تأکید می کند که مزیت واقعی از ساخت محصولات اطراف مدل ها ناشی می شود.
به عبارت دیگر ، صرفاً داشتن پیشرفته ترین مدل ممکن است دیگر رهبری بازار را تضمین کند ، زیرا هر سرب عملکرد می تواند کوتاه مدت در میان سرعت سریع نوآوری هوش مصنوعی باشد.
دیدگاه نادلا در صنعتی که غول های فنی برای آموزش مدل های همیشه بیشتر در حال مسابقه هستند ، وزن دارد. استدلال او به معنای تغییر تمرکز است: به جای وسواس بر برتری مدل ، شرکت ها باید انرژی را به سمت ادغام هوش مصنوعی هدایت کنند “یک سیستم کامل سیستم و محصولات موفق عالی.”
این احساسات گسترده تری را نشان می دهد که پیشرفت های هوش مصنوعی امروز به سرعت به ویژگی های پایه فردا تبدیل می شود. هرچه مدل ها استاندارد تر و در دسترس تر می شوند ، کانون توجه به نحوه استفاده هوش مصنوعی در خدمات دنیای واقعی حرکت می کند. شرکت هایی مانند مایکروسافت و گوگل ، با اکوسیستم های گسترده محصول، ممکن است به بهترین وجه برای سرمایه گذاری در این روند از هوش مصنوعی کالا با تعبیه مدل ها در پیشنهادات کاربر پسند قرار گیرد.
گسترش دسترسی و مدل های باز
چندی پیش ، فقط تعداد معدودی از آزمایشگاه ها می توانند مدل های پیشرفته AI را بسازند ، اما این انحصار سریع در حال محو شدن است. قابلیت های هوش مصنوعی به طور فزاینده ای در دسترس سازمانها و حتی افراد است و باعث مفهوم مدل ها به عنوان کالا می شود. اندرو نگ ، محقق هوش مصنوعی در اوایل سال 2017 پتانسیل AI را به “برق جدید ،” با بیان اینکه درست همانطور که برق به یک کالای همه جا که زیربنای زندگی مدرن است ، تبدیل می شود ، مدل های هوش مصنوعی می توانند به خدمات اساسی در دسترس بسیاری از ارائه دهندگان تبدیل شوند.
تکثیر اخیر از مدل های منبع باز این روند را تسریع کرده است. به عنوان مثال ، متا (شرکت مادر فیس بوک) با انتشار مدل های زبانی قدرتمند مانند امواج ساخته شده است للاما بدون هیچ هزینه ای برای محققان و توسعه دهندگان آشکارا. استدلال استراتژیک است: با استفاده از منابع هوش مصنوعی خود ، متا می تواند پذیرش گسترده تری داشته باشد و مشارکت های جامعه را بدست آورد ، در حالی که مزایای اختصاصی رقبا را کم می کند. و حتی اخیراً ، جهان هوش مصنوعی با انتشار مدل چینی Deepseekبشر
در قلمرو تولید تصویر ، پایداری AI انتشار پایدار مدل نشان داد که چقدر سریع یک دستیابی به موفقیت می تواند کالایی شود: طی چند ماه از انتشار باز 2022 ، این نام خانوادگی در AI تولیدی شد ، که در برنامه های بی شماری موجود است. در حقیقت ، اکوسیستم منبع باز در حال انفجار است-ده ها هزار مدل AI وجود دارد که به طور عمومی در مخازن مانند بغل کردن صورت در دسترس است.
این همه جا به این معنی است که سازمانها دیگر با انتخاب باینری برای پرداخت مدل مخفی یک ارائه دهنده واحد یا اصلاً چیزی روبرو نیستند. درعوض ، آنها می توانند از میان منویی از مدل ها (باز یا تجاری) یا حتی خوب خود را انتخاب کنند ، دقیقاً مانند انتخاب کالاها از یک کاتالوگ. تعداد بسیار زیاد گزینه ها نشانه ای قوی است که AI AI AI به جای یک امتیاز از نزدیک محافظت شده ، به یک منبع گسترده مشترک تبدیل می شود.
غول های ابری هوش مصنوعی را به یک سرویس ابزار تبدیل می کنند
ارائه دهندگان اصلی ابر از طریق کالاهای اصلی – و رانندگان – کالاهای اصلی AI بوده اند. شرکت هایی مانند مایکروسافت ، آمازون و گوگل مدل های هوش مصنوعی را به عنوان خدمات تقاضا ارائه می دهند ، شبیه به برنامه های ارائه شده از طریق ابر. نادلا خاطرنشان كرد كه “مدل ها در حال بدست آوردن کالا هستند [the] ابر ، “ برجسته کردن چگونگی ابر باعث می شود هوش مصنوعی قدرتمند به طور گسترده ای در دسترس باشد.
در واقع ، Azure Cloud مایکروسافت با OpenAI همکاری دارد و به هر توسعه دهنده یا مشاغل اجازه می دهد تا از طریق تماس API ، بدون ایجاد هوش مصنوعی خود از ابتدا ، به GPT-4 یا سایر مدل های برتر وارد شود. خدمات وب آمازون (AWS) با سکوی بستر خود ، که به عنوان یک بازار مدل عمل می کند ، قدم فراتر رفته است. AWS Bedrock مجموعه ای از مدل های بنیادی را از چندین شرکت پیشرو در زمینه هوش مصنوعی ارائه می دهد – از مدل های خود آمازون گرفته تا آنهایی که از آزمایشگاه های Anthropic ، AI21 ، پایداری AI و دیگران – همه از طریق یک سرویس مدیریت شده قابل دسترسی هستند.
این رویکرد “بسیاری از مدل ها ، یک پلت فرم” نمونه ای از کالاها را نشان می دهد: مشتریان می توانند مدلی را انتخاب کنند که متناسب با نیازهای آنها باشد و ارائه دهندگان را با سهولت نسبی تغییر دهد ، گویی خرید کالا.
از نظر عملی ، این بدان معناست که مشاغل می توانند به سیستم عامل های ابری اعتماد کنند تا همیشه یک مدل پیشرفته در دسترس داشته باشند ، دقیقاً مانند برق از یک شبکه-و اگر یک مدل جدید عناوین را بدست آورد (می گویند دستیابی به موفقیت یک استارتاپ) ، ابر فوراً آن را ارائه می دهد.
تمایز فراتر از خود مدل
اگر همه به مدلهای مشابه هوش مصنوعی دسترسی داشته باشند ، شرکتهای هوش مصنوعی چگونه خود را متمایز می کنند؟ این بحث بحث کالایی است. اجماع رهبران صنعت این است که ارزش در کاربرد از AI ، نه فقط الگوریتم. استراتژی خود Openai منعکس کننده این تغییر است. تمرکز این شرکت در سالهای اخیر بر ارائه یک محصول جلا (ChatGPT و API آن) و اکوسیستم پیشرفت ها-مانند خدمات تنظیم دقیق ، افزونه های افزونه و رابط های کاربر پسند-به جای انتشار کد مدل خام بوده است.
در عمل ، این به معنای ارائه عملکرد قابل اعتماد ، گزینه های سفارشی سازی و ابزارهای توسعه دهنده در اطراف مدل است. به همین ترتیب ، تیم های DeepMind و Brain Google ، اکنون بخشی از Google DeepMind، تحقیقات خود را در مورد محصولات Google مانند جستجو ، برنامه های اداری و API های ابری انجام می دهند – AI را جاسازی می کنند تا این سرویس ها باهوش تر شوند. پیچیدگی فنی مدل مطمئناً مهم است ، اما گوگل می داند که کاربران در نهایت به تجربیات فعال شده توسط هوش مصنوعی (یک موتور جستجوی بهتر ، یک دستیار دیجیتال مفیدتر و غیره) اهمیت می دهند ، نه نام یا اندازه مدل.
ما همچنین شاهد هستیم که شرکت ها از طریق تخصص متمایز می شوند. به جای یک مدل برای حاکم کردن همه آنها ، برخی از شرکت های هوش مصنوعی مدل های متناسب با حوزه ها یا وظایف خاص را می سازند ، جایی که می توانند حتی در یک منظره کالایی از کیفیت عالی استفاده کنند. به عنوان مثال ، استارتاپ های هوش مصنوعی وجود دارد که منحصراً روی تشخیص مراقبت های بهداشتی ، امور مالی یا قانون متمرکز شده اند – مناطقی که داده های اختصاصی و تخصص دامنه می توانند به دست بیاورند بهتر مدل برای آن طاقچه نسبت به یک سیستم با هدف کلی. این شرکت ها برای ایستادگی کردن ، تنظیم دقیق مدل های باز یا مدل های کوچکتر از مدلهای کوچکتر ، همراه با داده های اختصاصی ، استفاده می کنند.
رابط chatgpt Openai و مجموعه مدلهای تخصصی (Unite AI/Alex McFarland)
شکل دیگر تمایز ، کارآیی و هزینه است. مدلی که عملکرد برابر را در کسری از هزینه محاسباتی ارائه می دهد می تواند یک حاشیه رقابتی باشد. این با ظهور برجسته شد مدل R1 Deepseek، که طبق گزارش ها ، برخی از قابلیت های GPT-4 Openai با هزینه آموزش کمتر از 6 میلیون دلار مطابقت دارد ، به طرز چشمگیری پایین تر از 100+ میلیون دلار تخمین زده شده برای GPT-4. چنین دستاوردهای بهره وری نشان می دهد که در حالی که بازده از مدل های مختلف ممکن است مشابه شوند ، یک ارائه دهنده می تواند با دستیابی به این نتایج ارزان تر یا سریعتر ، خود را متمایز کند.
سرانجام ، مسابقه ای برای ایجاد وفاداری و اکوسیستم های کاربر در اطراف خدمات هوش مصنوعی وجود دارد. هنگامی که یک تجارت یک مدل خاص هوش مصنوعی را عمیقاً در گردش کار خود (با ارسال های سفارشی ، ادغام و داده های تنظیم شده خوب) ادغام کرد ، تغییر به مدل دیگری بدون اصطکاک نیست. ارائه دهندگان مانند OpenAI ، مایکروسافت و دیگران در تلاشند با ارائه سیستم عامل های جامع-از SDK های توسعه دهنده گرفته تا بازارهای پلاگین های AI-این باعث افزایش این چسبندگی شوند و این باعث می شود طعم AI آنها بیشتر از یک راه حل تمام پشته باشد تا یک کالای مبادله ای.
شرکت ها در حال افزایش زنجیره ارزش هستند: هنگامی که خود مدل خندق نیست ، تمایز از همه چیز پیرامون مدل – داده ها ، تجربه کاربر ، تخصص عمودی و ادغام در سیستم های موجود حاصل می شود.
اثرات موج اقتصادی AI کالا
کالایی سازی مدل های هوش مصنوعی پیامدهای اقتصادی قابل توجهی دارد. در کوتاه مدت ، هزینه توانایی های هوش مصنوعی را پایین می آورد. با داشتن چندین رقبای و گزینه های باز ، قیمت گذاری برای خدمات AI در مارپیچ رو به پایین یادآور بازارهای کالاهای کلاسیک بوده است.
در طی دو سال گذشته ، Openai و سایر ارائه دهندگان قیمت های دسترسی به مدل های زبانی را به طرز چشمگیری کاهش داده اند. به عنوان مثال ، قیمت گذاری نشانه OpenAi برای سری GPT خود بیش از 80 ٪ از سال 2023 به 2024 کاهش یافته است ، کاهش ناشی از افزایش رقابت و سودآور.
به همین ترتیب ، متقاضیان جدیدتر که مدل های ارزان تر یا باز را ارائه می دهند ، مأمورین را مجبور می کنند که کمتر برای کمتر ارائه دهند-چه از طریق ردیف های رایگان ، انتشار منبع باز یا معاملات بسته نرم افزاری. این خبر خوبی برای مصرف کنندگان و مشاغل اتخاذ هوش مصنوعی است ، زیرا قابلیت های پیشرفته هر چه بیشتر مقرون به صرفه تر می شوند. این همچنین بدان معنی است که فناوری هوش مصنوعی در سراسر اقتصاد سریعتر گسترش می یابد: وقتی چیزی ارزان تر و استاندارد تر شود ، صنایع بیشتر آن را در بر می گیرند ، نوآوری را تقویت می کنند (به همان اندازه سخت افزار رایانه ای ارزان قیمت در دهه 2000 منجر به انفجار نرم افزار و خدمات اینترنتی می شود).
ما در حال حاضر شاهد موجی از پذیرش هوش مصنوعی در بخش هایی مانند خدمات به مشتری ، بازاریابی و عملیات هستیم که توسط مدل ها و خدمات به راحتی در دسترس هدایت می شوند. در نتیجه دسترسی گسترده تر می تواند بازار کلی راه حل های هوش مصنوعی را گسترش دهد ، حتی اگر حاشیه سود در خود مدل ها کوچک شوند.
پویایی اقتصادی AI کالا (Unite AI/Alex McFarland)
با این حال ، کالایی سازی همچنین می تواند منظره رقابتی را به روش های چالش برانگیز تغییر شکل دهد. برای آزمایشگاه های AI مستقر که میلیارد ها دلار در توسعه مدل های مرزی سرمایه گذاری کرده اند ، چشم انداز آن مدلهایی که تنها مزایای گذرا دارند ، سؤالاتی را در مورد ROI ایجاد می کند. آنها ممکن است نیاز به تنظیم مدل های تجاری خود داشته باشند – به عنوان مثال ، با تمرکز بر روی خدمات سازمانی ، مزایای داده های اختصاصی یا محصولات اشتراک ساخته شده در بالای مدل ها ، نه اینکه به تنهایی دسترسی API را بفروشند.
همچنین یک عنصر مسابقه تسلیحاتی وجود دارد: هنگامی که هرگونه دستیابی به موفقیت در عملکرد به سرعت توسط دیگران (یا حتی توسط جوامع منبع باز) برآورده می شود یا از آن فراتر می رود ، پنجره برای کسب درآمد از یک مدل جدید باریک. این پویا شرکت ها را به سمت در نظر گرفتن خنگ های اقتصادی جایگزین سوق می دهد. یکی از این گونه ها ادغام با داده های اختصاصی (که کالایی نیست)-هوش مصنوعی تنظیم شده بر روی داده های غنی یک شرکت می تواند برای آن شرکت از هر مدل خارج از قفسه با ارزش تر باشد.
ویژگی دیگر ویژگی های نظارتی یا انطباق است ، جایی که یک ارائه دهنده ممکن است مدل هایی با حریم خصوصی تضمین شده یا انطباق برای استفاده از شرکت ها را ارائه دهد ، و به روشی فراتر از فناوری خام متمایز شود. در مقیاس کلان ، اگر مدل های AI بنیادی به اندازه پایگاه داده یا سرورهای وب همه جا همه جا شوند ، ممکن است ما یک تغییر در آنجا مشاهده کنیم خدمات در اطراف هوش مصنوعی (میزبانی ابر ، مشاوره ، سفارشی سازی ، تعمیر و نگهداری) به عنوان تولید کننده درآمد اصلی تبدیل می شوند. در حال حاضر ، ارائه دهندگان ابر از افزایش تقاضا برای محاسبات زیرساخت (CPU ، GPU و غیره) برای اجرای همه این مدل ها بهره مند می شوند – کمی شبیه به چگونگی سود برق از استفاده حتی اگر لوازم خانگی باشد.
در اصل ، اقتصاد هوش مصنوعی می تواند از سایر کالاهای IT آینه کند: هزینه های پایین تر و دسترسی بیشتر به استفاده گسترده ، ایجاد فرصت های جدیدی که در بالای لایه کالایی ساخته شده است ، حتی به عنوان ارائه دهندگان آن لایه با حاشیه های محکم تر و نیاز به نوآوری مداوم یا تمایز در جای دیگر.
