همه منتظر تایید خبر مهم این هفته در حوزه فناوری هستند: گزارشها حاکی از آن است که انویدیا قصد دارد پلتفرم هوش مصنوعی متنباز Hugging Face را به مبلغ ۱۳ میلیارد دلار خریداری کند. Hugging Face، که به اشتراکگذاری مدلها و معیارهای هوش مصنوعی متنباز شهرت دارد، در حال حاضر مرکز اکوسیستم توسعهدهندگانی است که مدلهای زبان بزرگ (LLM) را خارج از کنترل آزمایشگاههای پیشرو میسازند.
روندهای داغ خرید در حوزه هوش مصنوعی متنباز
این شایعات در حالی منتشر میشوند که انویدیا پیش از این با Poolside، سازنده مدلهای متنباز، قراردادی ۶ میلیارد دلاری امضا کرده است. طبق این قرارداد، بیشتر کارکنان Poolside به غول تراشهسازی خواهند پیوست. همچنین، دو هفته پیش استرایپ (Stripe) شرکت OpenRouter، ارائهدهنده برتر مدلهای متنباز به کسبوکارها، را به بیش از ۷ میلیارد دلار خرید.
این حجم از سرمایهگذاری در بخشی که اساس آن بر اشتراکگذاری رایگان است، نشاندهنده روندهای جدید در حوزه هوش مصنوعی است. انویدیا با این خریدها قصد دارد وابستگی خود را به قراردادهایش با شرکتهای بزرگ و آزمایشگاههای پیشرو کاهش دهد. این موضوع بهویژه اهمیت مییابد زیرا سازندگان بزرگ مدلهای هوش مصنوعی مانند OpenAI و گوگل، تراشههای استنتاج (inference chips) خود را توسعه میدهند.
چرا شرکتهای بزرگ به مدلهای متنباز علاقهمند شدهاند؟
انویدیا خود خانوادهای از مدلهای متنباز به نام Nemotron دارد، اما موفقیت چشمگیری کسب نکرده است. با کنترل بزرگترین فضای توسعهدهندگان مدلهای متنباز در آمریکا، انویدیا به انبوهی از کاربران دسترسی پیدا میکند که میتواند آنها را به سمت تراشهها و استانداردهای خود هدایت کند.
همچنین، نگرانیها در مورد هزینه استنتاج هوش مصنوعی افزایش یافته است. شرکتها به دنبال مدلهای ارزانتر توسعهیافته توسط شرکتهای چینی مانند Moonshot، DeepSeek و Alibaba هستند. در حال حاضر، استفاده از مدلهای متنباز نسبتاً کم است، اما در حال رشد است. طبق نظرسنجی Ramp، تنها ۶ درصد از شرکتها از مدلهای متنباز استفاده میکنند.
کاربرد مدلهای متنباز برای کسبوکارها
نیک آلباران، مدیر محصول هوش مصنوعی در Jellyfish، معتقد است مدلهای متنباز عمدتاً توسط شرکتهایی استفاده میشوند که محصولاتشان به حجم بالایی از استنتاج نیاز دارد، مانند سرویسهای چت مشتریان. از آنجایی که این وظایف تکراری و پرحجم هستند، مدل متنباز میتواند با هزینه کمتری برای پاسخگویی تنظیم شود.
استرایپ نیز خرید OpenRouter را با همین رویکرد توجیه کرده است. پاتریک کالیسون، همبنیانگذار و مدیرعامل استرایپ، گفته است: «توکنها ارز اصلی شرکتهای فعال در حوزه هوش مصنوعی هستند و پتانسیل اقتصادی واقعی به استفاده بهینه از منابع محاسباتی محدود بستگی دارد.»
با این حال، برای وظایف کدنویسی و وظایف عاملمحور، مدلهای پیشرو اغلب برتری دارند. دلیل این امر دسترسی آسانتر و گاهی یارانههای توکن است. آلباران میگوید با بالغ شدن گردش کار هوش مصنوعی در شرکتها، استفاده از مدلهای متنباز آسانتر خواهد شد. اما در حال حاضر، دلیل اصلی روی آوردن شرکتها به این مدلها، کنترل و قابلیت سفارشیسازی است، نه صرفاً نگرانیهای مالی.
آلباران پیشبینی میکند: «اگر قیمتها از سوی آزمایشگاههای پیشرو همچنان افزایش یابد، شرکتهای بیشتری مجبور به بررسی مدلهای متنباز خواهند شد. زمانی که گردش کار مبتنی بر هوش مصنوعی شما بسیار بالغتر شد، سرمایهگذاری بر روی میزبانی مدلها منطقی خواهد بود.»
آینده هوش مصنوعی تخصصی
لین کیائو، مدیرعامل Fireworks، شرکتی که بهعنوان مسیریاب و میزبان مدلهای متنباز برای کاربران سازمانی شناخته میشود و خود هدف احتمالی خرید غولهای فناوری است، میگوید شرکتش روزانه ۴۰ تریلیون توکن را پردازش میکند که از APIهای Gemini یا OpenAI بیشتر است.
Fireworks بر تنوع مدلها شرط بسته است: با افزایش و بهبود LLMها، آموزش آنها برای نیازهای خاص شرکتها آسانتر خواهد شد. کیائو معتقد است: «هر شرکت برنامهای باید استخدام یک محقق داخلی را در نظر بگیرد. آنها میتوانند از محصول و دادههای خود برای ساخت مدل اختصاصی استفاده کنند. آینده متعلق به هوش تخصصی است. واقعاً هر شرکتی باید برای هر مورد استفاده، مدل مخصوص به خود را داشته باشد و این به طور خودکار اتفاق خواهد افتاد.»
با وجود سلطه فعلی OpenAI و Anthropic، این وضعیت قطعی نیست. در حالی که غولهای فناوری به دنبال کاهش ریسک خود با آزمایشگاههای بزرگ هستند، جذابیت فناوری متنباز مقاومتناپذیر است.
