متا سالانه صدها میلیون دلار برای خدمات هوش مصنوعی Microsoft Azure هزینه می‌کند و این امر این غول رسانه‌های اجتماعی را به یکی از بزرگ‌ترین مشتریان هوش مصنوعی-ابری مایکروسافت تبدیل کرده است. این هزینه نشان‌دهنده یک پارادوکس است: سازندگان پیشرو هوش مصنوعی در جهان همچنان برای توان پردازشی مورد نیاز جهت پیشبرد مدل‌های خود، از ابرهای رقیب استفاده می‌کنند.

چرا همکاری متا و مایکروسافت اهمیت دارد

سری Llama متا، این شرکت را به یک بازیگر سنگین‌وزن در حوزه هوش مصنوعی مولد متن‌باز تبدیل کرده است، اما آموزش و آزمایش این مدل‌ها نیازمند مقیاسی است که تنها بزرگ‌ترین ابرهای عمومی می‌توانند فراهم کنند. بلومبرگ گزارش می‌دهد که مهندسان متا مدل‌های اختصاصی خود را روی Azure اجرا می‌کنند و هر هفته تریلیون‌ها توکن را پردازش می‌کنند. بخش اعظم این فعالیت‌ها شامل مقایسه خروجی Llama با GPT-4 شرکت OpenAI و مدل‌های مرتبط است که مایکروسافت آن‌ها را از طریق بازار Foundry عرضه می‌کند.

این بنچمارک یک آزمایش یک‌باره نیست؛ بلکه یک چرخه مداوم و داده‌محور است. هر مقایسه توکن، چرخه‌های GPU، پهنای باند ذخیره‌سازی و ظرفیت شبکه را مصرف می‌کند که سخت‌افزار تخصصی هوش مصنوعی Azure با قیمتی تأمین می‌کند که تنها یک ارائه‌دهنده بزرگ قادر به تحمل آن است. نتیجه، یک صورت‌حساب سالانه چندصد میلیون دلاری است که به رقابت متا برای کاهش شکاف عملکردی با پیشرفته‌ترین سیستم‌های صنعت سرعت می‌بخشد.

بازار Foundry: عرصه‌ای مشترک برای رقبا

بازار Foundry مایکروسافت مدل‌های هوش مصنوعی را از ارائه‌دهندگان مختلف تجمیع می‌کند و به مشتریان سازمانی اجازه می‌دهد از طریق یک رابطه پرداخت واحد به آن‌ها دسترسی داشته باشند. OpenAI تقریباً ۷۰ درصد از درآمد هوش مصنوعی مایکروسافت را تولید می‌کند، اما این پلتفرم به شرکت‌هایی مانند ByteDance، Adobe، Perplexity و Sierra نیز خدمات ارائه می‌دهد.

حضور متا در Foundry نشان‌دهنده یک تنش رقابتی گسترده‌تر است. متا با استفاده از مدل‌های OpenAI به عنوان مرجع عملکرد، هم فناوری خود را تأیید می‌کند و هم جریان درآمدی رقیب را تغذیه می‌نماید. این پویایی یادآور لحظات پیشین در تاریخ فناوری است: متا پیش از ساخت موتور جستجوی داخلی خود، برای جستجو به Bing متکی بود. امروزه، متا در حال ساخت یک سرویس API است که مدل‌های Llama را مستقیماً در اختیار توسعه‌دهندگان قرار می‌دهد؛ اقدامی که می‌تواند این شرکت را از یک مشتری به یک رقیب در همان بازاری تبدیل کند که در حال حاضر از آن استفاده می‌کند.

مخاطرات برای اکوسیستم هوش مصنوعی

جریان نقدی از متا به مایکروسافت، یک واقعیت ساختاری در عصر فعلی هوش مصنوعی را برجسته می‌کند: توان پردازشی، و نه فقط کدنویسی، مانع اصلی ورود به این حوزه است. شرکت‌هایی که توان اجاره خوشه‌های عظیم GPU را دارند، سریع‌تر فرآیند توسعه خود را تکرار می‌کنند، در برابر بهترین مدل‌ها بنچمارک می‌گیرند و محصولات خود را زودتر عرضه می‌کنند. استارتاپ‌های کوچک‌تر که سرمایه کافی ندارند، یا باید با یک ارائه‌دهنده ابر همکاری کنند یا راه‌های خلاقانه‌ای برای اشتراک‌گذاری منابع بیابند.

برای ارائه‌دهندگان ابر، مزیت روشن است. حجم بالای بارهای کاری هوش مصنوعی به قراردادهای بلندمدت، بهره‌وری بالاتر از سخت‌افزارهای گران‌قیمت و جای پایی در بازار نوظهور «هوش مصنوعی به عنوان سرویس» (AI-as-a-service) منجر می‌شود. برای سازندگان مدل، این وابستگی یک آسیب‌پذیری استراتژیک ایجاد می‌کند. اگر یک ارائه‌دهنده ابر قیمت‌ها را افزایش دهد، شرایط خدمات را تغییر دهد یا مدل‌های خود را در اولویت قرار دهد، مشتریانی مانند متا ممکن است شاهد اختلال در خطوط پژوهشی خود باشند.

سرویس API برنامه‌ریزی‌شده‌ی متا، نشانه‌ای از یک تغییر احتمالی به سمت جداسازی (decoupling) است: حرکت از APIهای ابری شخص ثالث به سمت زیرساخت‌های خودمیزبانی‌شده یا اختصاصی. هدف، بازپس‌گیری حاشیه سود، کنترل دقیق‌تر بر جریان داده‌ها و کاهش وابستگی به پلتفرم یک رقیب است. ساخت یک API جهانی با تأخیر کم (low-latency) که با شبکه Azure رقابت کند، هزینه‌بر و از نظر فنی دشوار خواهد بود؛ این یک چالش مهندسی چندساله است.

دیدگاه مقابل: چرا این مشارکت ممکن است تداوم یابد

حتی با وجود اینکه متا در حال ساخت لایه سرویس‌دهی خود است، حجم عظیم توان پردازشی مورد نیاز برای آموزش نسل بعدی مدل‌ها بعید است که به این زودی‌ها کاهش یابد. فرآیندهای آموزش می‌توانند از توان پردازشی در سطح exa-flops استفاده کنند که بسیار فراتر از آن چیزی است که یک شرکت واحد بتواند در داخل سازمان خود تأمین کند. همچنین Azure ابزارهای یکپارچه‌ای برای مدیریت داده‌ها، انطباق امنیتی و مشاهده‌پذیری (observability) ارائه می‌دهد که کپی‌برداری از آن‌ها بسیار پرهزینه خواهد بود.

از دیدگاه مایکروسافت، حفظ یک بازیگر سنگین‌وزن مانند متا به عنوان مشتری، یک پایه درآمدی پایدار و یک مشتری نمونه فراهم می‌کند که می‌تواند سایر شرکت‌ها را نیز جذب کند. مدل دسترسی آزاد بازار Foundry به این معناست که API یک رقیب، به‌طور خودکار خدمات مایکروسافت را حذف نمی‌کند؛ بلکه در عوض، طیف خدماتی را که می‌توان از طریق Azure مصرف کرد، گسترش می‌دهد.

آنچه باید در آینده زیر نظر داشت

  • عرضه API متا – جدول زمانی و قیمت‌گذاری Llama API نشان خواهد داد که متا با چه سرعتی می‌تواند حجم کاری خود را از Azure منتقل کند.
  • روندهای قیمت‌گذاری Azure – هرگونه تغییر قابل توجه در نرخ‌های محاسبات هوش مصنوعی می‌تواند اقتصاد شراکت متا را تغییر دهد.
  • نظارت‌های رگولاتوری – تمرکز محاسبات هوش مصنوعی در چند ارائه‌دهنده ابری ممکن است توجه نهادهای ضد انحصار را جلب کند و پتانسیل بازتعریف پویایی‌های میان ارائه‌دهنده و مشتری را داشته باشد.
  • اقدامات رقبا – سایر سازندگان مدل ممکن است از الگوی متا پیروی کنند و پارادوکسِ رقبا که از یک زیرساخت ابری مشترک استفاده می‌کنند را عمیق‌تر کنند.

نتیجه‌گیری

هزینه‌های چند صد میلیون دلاری متا در Azure ثابت می‌کند که حتی پیشرفته‌ترین توسعه‌دهندگان هوش مصنوعی نیز نمی‌توانند از وابستگی به غول‌های ابری رقیب فرار کنند. این توافق ضمن تقویت نوآوری سریع، بذرهای رقابت در آینده را نیز می‌کارد؛ دوگانگی‌ای که اکوسیستم هوش مصنوعی را برای سال‌های پیش رو شکل خواهد داد.