مدلهای هوش مصنوعی با وزن باز (open-weight) اکنون ۶۳٪ از ترافیک توکن در OpenRouter را به خود اختصاص دادهاند، در حالی که این رقم تا دو سال پیش کمتر از ۵٪ بود. این جهش پس از کاهش ۵۰ برابری در هزینه هر توکن و کاهش شکاف عملکردی رخ داده است که توسعهدهندگان را مجبور میکند در وابستگی خود به APIهای منبعبسته بازنگری کنند.
آمارهای پشت این تحول
تحلیل ترافیک Mozilla نشان میدهد که مدلهای با وزن باز به منبع اصلی محاسبات در پلتفرم OpenRouter تبدیل شدهاند. شمارش ترافیک توکن، هر قطعه از متن پردازششده توسط یک مدل را محاسبه میکند و همین امر آن را به شاخصی قابل اعتماد برای میزان استفاده در دنیای واقعی تبدیل میکند. جهش از زیر ۵٪ به ۶۳٪ در چنین بازه زمانی کوتاهی، نشاندهنده یک تغییر ساختاری است و نه یک روند گذرا.
چرا معادلات اقتصادی تغییر کرد
در سال ۲۰۲۳، اجرای یک مدل با عملکرد بالا تقریباً ۲۰ دلار برای هر میلیون توکن پردازششده هزینه داشت. امروز این قیمت به ۰.۴۰ دلار رسیده است؛ یعنی کاهش ۵۰ برابری که طی ۳۶ ماه گذشته محقق شده است.
کاهش شکاف عملکردی
مدلهای باز پیش از این در بنچمارکهای استاندارد حدود ۸٪ از همتایان انحصاری خود عقب بودند. اندازهگیریهای اخیر این شکاف را به ۳.۳٪ رساندهاند؛ کاهشی که تنها در عرض چند ماه و از طریق مدیریت بهتر دادهها و اصلاحات معماری حاصل شده است. این شکاف اکنون آنقدر کوچک شده است که بسیاری از توسعهدهندگان، بهویژه زمانی که هزینه عامل تعیینکننده باشد، جایگزینی یک مدل بسته با یک مدل باز را بدون ضرر میبینند.
مهاجرت گسترده توسعهدهندگان
دادههای Mozilla نشان میدهد که ۷۹٪ از توسعهدهندگانی که در حال افزودن قابلیتهای هوش مصنوعی هستند، کار خود را با یک مدل با وزن باز شروع میکنند. این انتخاب فقط مربوط به قیمت نیست؛ مدلهای باز به تیمها دید کاملی نسبت به وزنها، مجوزها و گزینههای استقرار میدهند که این امر به چرخههای تکرار (iteration) سریعتر منجر میشود.
حاکمیت، فوریت ایجاد میکند
اخیراً چهل و هفت کشور، پردازش حجمهای کاری حساس با سرویسهای هوش مصنوعی خارجی را محدود کردهاند. مدلهای باز را میتوان روی زیرساختهای داخلی میزبانی کرد و به این کشورها اجازه داد تا کنترل دادهها را حفظ کرده و با مقررات نوظهور مطابقت داشته باشند. فشارهای سیاستگذاری در حال تسریع پذیرش این مدلها در حوزههای مالی، سلامت و مدیریت دولتی است.
مزیت رقابتی واقعی، «ابزارهای جانبی» (harness) است
تحلیل Mozilla همچنین تأکید میکند که ابزارهای جانبی — از جمله چارچوبهای مهندسی پرامپت، فیلترهای ایمنی و خطلولههای ارکستراسیون — اغلب نسبت به جایگزینی با یک مدلِ کمی بهتر، منجر به بهبود عملکرد بزرگتری میشوند.
خطرات محدود ماندن به APIهای بسته
- ریسک تأمینکننده – تغییرات سیاستگذاری، بازنگری در قیمتگذاری یا دستورات دولتی میتواند فوراً دسترسی را قطع کند و باعث شود سرویسها تا زمان مذاکره برای قراردادی جدید، از دسترس خارج شوند.
یک پشته (stack) عملگرایانه برای توسعهدهندگان امروز
- استفاده پیشفرض از مدلهای با وزن باز برای بخش عمدهای از حجمهای کاری در محیط عملیاتی (production).
- سرمایهگذاری روی ابزارهای جانبی (harness): ساخت مجموعههای ارزیابی، توسعه کتابخانههای پرامپت قابل استفاده مجدد و ادغام لایههای ایمنی.
- طراحی برای قابلیت جابهجایی (portability): انتزاع فراخوانیهای مدل در پشت یک رابط (interface) که بتواند بدون تغییر در کد، درخواستها را به چندین ارائهدهنده هدایت کند.
- رزرو کردن مدلهای بسته برای حدود ۱۰٪ از وظایفی که نیازمند استدلالهای بسیار پیشرفته یا دادههای انحصاری هستند که مدلهای باز هنوز قادر به رقابت با آنها نیستند.
آنچه باید در آینده زیر نظر داشت
مدلهای با وزن باز اکنون بر بازار توکنهای هوش مصنوعی تسلط دارند، زیرا بهطور چشمگیری ارزانتر و تقریباً به اندازه جایگزینهای بسته توانمند هستند. تیمهایی که یک زیرساخت ابزاری (harness) قوی بسازند و پشتههای خود را قابلیت جابهجایی ببخشند، ضمن صرفهجویی در هزینهها، خود را در برابر شوکهای تأمینکننده و سیاستگذاری محافظت خواهند کرد. مدلهای بسته به عنوان ابزارهای تخصصی باقی خواهند ماند، اما بخش عمدهای از فعالیتهای هوش مصنوعی هماکنون در حال حرکت به سمت دنیای باز است.