ساتیا نادلا هشدار میدهد: شرکتها دوبار هزینه هوش مصنوعی را میپردازند
ساتیا نادلا، مدیرعامل مایکروسافت، هشدار تکاندهندهای به کسبوکارها داده و خاطرنشان کرده است که مدل فعلی مصرف هوش مصنوعی اختصاصی (proprietary AI)، شامل هزینهای پنهان و پرخطر است. فراتر از هزینههای اشتراک، شرکتها ناخواسته ارزشمندترین دارایی خود یعنی هوش سازمانیشان را از دست میدهند.
هزینه پنهان: پرداخت با دانش اختصاصی
نادلا در یک پست وبلاگی بحثبرانگیز اخیر استدلال کرد که «خریداران» هوش مصنوعی در واقع دو بار برای هوش هزینه میپردازند. اولین پرداخت، پولی است؛ یعنی توکنها و هزینههای اشتراکی که به آزمایشگاههایی مانند OpenAI و Anthropic پرداخت میشود. دومین پرداخت که بسیار خطرناکتر است، دانش اختصاصیای است که برای کاربردی کردن مدلها فاش میشود.
نادلا تأکید میکند که وقتی شرکتها برای بهبود عملکرد مدلها تلاش میکنند، دادههای حساس خود را به آنها تزریق میکنند. از آن مهمتر، مدلها از «پسماندها» (exhaust) یاد میگیرند؛ یعنی پرامپتها، ابزارهای خاصی که عاملها (agents) استفاده میکنند و اصلاحات انسانی که هنگام بروز خطا توسط مدل انجام میشود. این حلقه بازخورد، باعث تقطیر دانش فنی سازمانی میشود که یک رقیب هرگز نمیتواند آن را بخرد، اما در حال حاضر مستقیماً به ارائهدهندگان مدل تحویل داده میشود.
بحث تقطیر و ریاکاری در آموزش
یکی از تنشهای اصلی در فضای هوش مصنوعی، مفهوم «تقطیر» (distillation) است؛ یعنی استفاده از خروجیهای یک مدل برای آموزش یک مدل جدید و کارآمدتر. نادلا به یک ریاکاری آشکار در این صنعت اشاره کرد: در حالی که آزمایشگاههای هوش مصنوعی ادعای حق «استفاده منصفانه» (fair use) برای استخراج داده از کل اینترنت جهت آموزش مدلهای پایه خود را دارند، همزمان شرایط محدودی را اعمال میکنند که مانع از آن میشود که شرکتها از مدلهای اختصاصی آنها تقطیر یا یادگیری انجام دهند.
این بحث صرفاً تئوری نیست. بازیگران این صنعت مانند Anthropic پیش از این نگرانیهایی را در مورد مدلهای متنباز چینی مطرح کردهاند که گفته میشود میلیونها پرامپت از Claude را برای بهبود قابلیتهای خود به کار میگیرند؛ موضوعی که منجر به درخواستهایی برای کنترلهای صادراتی سختگیرانهتر توسط دولتها شده است.
تغییر جهت به سمت ارکستراسیون و مدلهای On-Premise
برای کاهش این ریسکها، نادلا یک تغییر استراتژیک در نحوه معماری پشتههای (stacks) هوش مصنوعی توسط شرکتها پیشنهاد میکند. او از دو دفاع اصلی حمایت میکند:
- محیطهای یادگیری اختصاصی: شرکتها باید با ساخت محیطهای اختصاصی در فضای ابری (مانند Microsoft Azure)، مالکیت مطلق دادهها، پرامپتها و بازخوردهای خود را حفظ کنند.
- لایههای ارکستراسیون (Orchestration Layers): کسبوکارها به جای اینکه در بند یک ارائهدهنده واحد بمانند، باید از «درگاههای هوش مصنوعی» (AI gateways) برای جابجایی بیوقفه بین مدلهای مختلف استفاده کنند.
این تغییر معماری از هماکنون در بازار در حال ظهور است. کارشناسان صنعت، مانند Idit Levine از Solo.io، از روند رو به رشد حرکت شرکتها به سمت مدلهای متنباز «on-prem» (در محل) خبر میدهند. این مدلها میتوانند تا ۹۰ درصد از وظایف غولهای اختصاصی را با کسری از هزینهها انجام دهند، در حالی که تضمین میکنند دادهها در کنترل فیزیکی یا مجازی شرکت باقی میمانند.
دادهها این روند را تأیید میکنند؛ پلتفرمهایی مانند Vercel گزارش دادهاند که مدلهای باز، ۲۹ درصد از کل ترافیک هدایتشده از طریق درگاه آنها را در یک ماه واحد به خود اختصاص دادهاند. همانطور که نادلا نتیجهگیری میکند: «شما در هنگام مصرف هوش، در حال خلق هوش هستید. و آنچه خلق میکنید باید متعلق به خودتان باشد.»
نکات کلیدی
- تله پرداخت دوگانه: شرکتها فقط با پول نقد پرداخت نمیکنند؛ آنها با «پسماندِ» منطق تجاری اختصاصی و اصلاحات خود هزینه میپردازند.
- ظهور ارکستراسیون مدل: برای جلوگیری از وابستگی به فروشنده (vendor lock-in) و نشت دادهها، شرکتها بهطور فزایندهای در حال استفاده از درگاههای هوش مصنوعی و لایههای ارکستراسیون برای مدیریت مدلهای متعدد هستند.
- چرخش به سمت متنباز: جنبش قابلتوجهی به سمت استفاده از مدلهای متنباز و on-premise برای حفظ حاکمیت دادهها و کاهش هزینههای بلندمدت در جریان است.