به نظر میرسد اکنون هر ارائه هیئتمدیره در شرکتهای بزرگ، شامل یک دستورالعمل مربوط به هوش مصنوعی است. شرکتها در حال تزریق سوابق مشتریان، اسناد استراتژی داخلی و تحلیلهای اختصاصی خود به مدلهای زبانی بزرگ با سرعتی هستند که تا همین سه سال پیش، بیپروا و بیمهابا به نظر میرسید. بیشتر این ترافیک به سیستمهای منبعبسته (closed-source) سرازیر میشود. این سیستمها راحت، قدرتمند و توسط شخص دیگری میزبانی میشوند. آرتور منش (Arthur Mensch)، بنیانگذار Mistral AI، معتقد است که این راحتی، هزینهی پنهانی به همراه دارد که میتواند از هرگونه حق اشتراک فراتر رود.
منش درباره یک خطر خاص صراحتاً صحبت کرده است: وقتی کسبوکار خود را از طریق یک مدل اختصاصی اجرا میکنید، صرفاً در حال اجارهی توان پردازشی نیستید؛ بلکه در حال دادن یک نقشهی دقیق از عملیات خود به آزمایشگاهی هستید که آن مدل را ساخته است. این ارائهدهندگان حجم عظیمی از دادههای تعامل با مشتری را برای بهبود سیستمهای خود ذخیره میکنند. با گذشت زمان، آن دادهها الگوها را آشکار میکنند. آنها میبینند که شما چگونه محصولات را قیمتگذاری میکنید، چگونه مخاطبان را بخشبندی میکنید، چگونه ریسک را شناسایی میکنید و چگونه فرصتها را مییابید. منش هشدار میدهد که برخی از آزمایشگاهها پیش از این تمایل خود را برای استفاده از این هوشمندی جهت هدف قرار دادن مشتریان خود نشان دادهاند؛ یعنی به محض اینکه دقیقاً متوجه شوند سود کجاست، وارد بازارها میشوند.
توصیه او صریح است: «اگر کنترل آن در دست شما نباشد، رشد شما نخواهد بود.» راه حلی که او پیشنهاد میدهد، حاکمیت (sovereignty) است: انتقال دادهها به سیستمهای باز، اعمال قوانین دسترسی سختگیرانه و سرمایهگذاری در خطوط تولید (pipelines) آموزشی اختصاصی. این یک خیالپردازی پارانوئید نیست؛ بلکه امنیت زنجیره تأمین است که در حوزه شناخت (cognition) به کار گرفته شده است. شما نقشههای کارخانهی خود را به تأمینکنندهتان نمیدهید. منش استدلال میکند که نباید معادلِ دستورالعملهای سازمانی خود را در اختیار ارائهدهنده هوش مصنوعی قرار دهید.
چرا وزنهای مدل، حافظه سازمانی شما هستند
این ایده از گوشهای غیرمنتظره در صنعت فناوری حمایت میشود. الکس کارپ (Alex Karp)، مدیرعامل Palantir، این مسئله را با عبارتی بیان میکند که هماکنون در محافل دفاعی و مالی در حال چرخش است: «کنترل وزنهای خود، کنترل سرنوشت خود است.»
برای درک اهمیت این موضوع، بهتر است به این فکر کنیم که وزنهای مدل واقعاً نشاندهنده چه چیزی هستند. در یادگیری ماشین، وزنها همان میلیاردها پارامتر تنظیمشدهای هستند که دادههای خام را به پیشبینیهای مفید تبدیل میکنند. وقتی مدلی را با دادههای خودتان آموزش میدهید یا آن را تنظیم دقیق (fine-tune) میکنید — مانند تاریخچه ریزش مشتریان، تصاویر تشخیصی یا موارد بهینهسازی لجستیک — آن دانش در وزنها فشرده میشود. آنها به نوعی حافظه سازمانی تبدیل میشوند که تصمیمات و تخصصهایی را که جمعآوریشان سالها زمان برده است، کدگذاری میکنند.
اگر یک مدل پیشرو (frontier model) را اجاره کنید و صرفاً با اسرار خود از آن پرسوجو (prompt) کنید، هرگز مالک آن دانش استخراجشده نخواهید بود. بدتر از آن، ارائهدهنده شما هر سیگنالی را جذب میکند. هر پرسوجو، سیستم آنها را کمی بیشتر درباره حوزه فعالیت (vertical) شما آموزش میدهد. بهروزرسانی بعدی مدل آنها میتواند دقیقاً همان مزیتی را که باعث موفقیت شما شده، درونیسازی کند. کارپ این را «آلفای» شما مینامد؛ همان مزیت عملکردی منحصربهفردی که شما را از بقیه متمایز میکند. برونسپاری وزنهای خود به معنای برونسپاری آلفای شماست. در آن نقطه، هوش مصنوعی از یک ابزار خارج شده و به مجرایی برای انتقال تخصص شما به یک رقیب تبدیل میشود.
مزیت تنظیم دقیق (Fine-Tuning)
آزمایش Bridgewater نشان میدهد که راه دیگری نیز وجود دارد. این صندوق پوشش ریسک (hedge fund) با Thinking Machines Lab همکاری کرد تا مدل منبعباز Qwen3-235B را تنظیم دقیق کند. آنها به جای ارسال ارزیابیهای اختصاصی سرمایهگذاران به یک API جعبهسیاه (black-box)، دادهها را در داخل سازمان نگه داشتند و مدل را با نیازهای خاص خود تطبیق دادند. نتایج خیرهکننده بود. در تحلیل اسناد مالی، مدل تنظیمشدهی آنها به دقت ۸۴.۷ درصدی رسید، در حالی که بهترین مدل منبعبسته پیشرو تنها به دقت ۷۸.۲ درصد دست یافت.
این شکاف در امور مالی، جایی که a