ابر هوش مصنوعی میلیاردها دلار می سوزاند و بیشترش هدر می رود

در ماه ژانویه امسال، استارت آپ هوش مصنوعی DeepSeek دو پیشرفت را از طریق مدل جدید خود R1 منتشر کرد، که به آرامی اقتصاد هوش مصنوعی را دوباره تعریف کرد.این مدل با یک چهارم از قیمت مدل قبلی به عملکرد عالی می رسد.از دسامبر 2024، مدل زبان بزرگ V3 DeepSeek هزینه های آموزش را بیش از 90٪ کاهش داده است.

دو تا از پیشرفت های دیپ سیک توجه گسترده ای را به خود جلب کرد: اول،DeepSeek نشان داد که درخواست از مدل های هوش مصنوعی برای توضیح بیشتر در مورد فرآیندهای استدلال خود - یک رویکرد تحقیقاتی که به عنوان زنجیره ای از تفکر شناخته می شود - دقت و کارایی را بهبود می بخشد.دوم، DeepSeek از هوش مصنوعی برای تولید مجموعه داده های خود استفاده می کند، کاملا مستقل از برچسب گذاری دستی داده ها.در حالی که استدلال هایی وجود دارد که "دیپ سیک" به قدری ارزان نیست که ادعا می کند، این پیشرفت ها قطعاً به عصر جدیدی از اقتصاد هوش مصنوعی منجر شده است.

ساختار هزینه هوش مصنوعی به طور چشمگیری در حال تغییر است. هر دلار افزایش عملکرد تاثیر عمیقی بر شرکت های نوپا، برنامه های کاربردی سازمانی،و سرمایه گذاری در زیرساختاین تغییر می تواند نیروهای بازار را تغییر دهد و در نهایت به استارت آپ های چابک کمک کند تا در کوتاه مدت با غول های فناوری مقابله کنند در حالی که حاشیه سود را افزایش می دهند.

غول های فناوری در حال حاضر بیش از ۱۰۰ میلیارد دلار در توسعه زیرساخت های هوش مصنوعی سرمایه گذاری کرده اند و این رقم همچنان در حال افزایش است.حالا باید در نظر بگیرند که چگونه از این سرمایه گذاری های بزرگ بهره برداری کنند و از الگوریتم های سریع تر در برابر آنها استفاده کنند.، رقبای بازار کوچکتر. در مواجهه با یک محیط به سرعت در حال تغییر، هم غول های فناوری و هم شرکت های نوپا با یک سیگنال روشن روبرو هستند: از فرصت پیشرفت تکنولوژیک به سرعت استفاده کنید.یا حذف بشه.

چشم انداز بازار هوش مصنوعی قبل و بعد از DeepSeek

قبل از ظهور دیپ سیک، شرکت های نوپا برای رقابت با هزینه های زیرساخت توسط غول های فناوری تلاش می کردند،که هر سه ماهه میلیاردها دلار برای ساخت مراکز داده ی بزرگ خرج می کرد و از پیشرفت های تکنولوژی هوش مصنوعی سود زیادی می برد.. این غول ها نه تنها منابع داده عظیم دارند، بلکه تعداد زیادی از استعدادهای دکترا را جمع آوری می کنند، و پیشرفت الگوریتم ها نیز به قدرت فنی قوی آنها بستگی دارد.شبکه های توزیع طولانی مدت به آنها امکان می دهد محصولات را به سرعت به مشتریان موجود منتقل کنند و پیشرفت تکنولوژیکی را از طریق حلقه های بازخورد تسریع کنند.

اما امروزه استارتاپ ها به اندازه کافی بزرگ هستند که بتوانند با غول های تکنولوژی رقابت کنند. تنها تا سال 2025، هزینه های مدل های آموزشی 95 درصد کاهش خواهد یافت.کاهش قابل توجهی از مزیت زیرساخت های غول های فناوریهزینه های استدلال در سه سال گذشته تقریباً هزار برابر کاهش یافته است و انتظار می رود در آینده بیشتر کاهش یابد.مدت زمان مزیت الگوریتمی به 45 تا 100 روز کاهش یافته و ممکن است همچنان کاهش یابد..

هنگامی که هزینه های آموزش دیگر یک خنک کلیدی نیستند، عملکرد استنباط (یعنی عملکرد مدل های هوش مصنوعی در برنامه های کاربردی در زمان واقعی) به یک تمرکز جدید تبدیل می شود.مدل های ارزان تر که قدرت قابل مقایسه با مدل های بزرگتر را ارائه می دهند و می توانند بر روی Gpus با عملکرد پایین تر کار کننداگر محصولات هوش مصنوعی هوشمندتر را با هزینه بسیار پایین عرضه کنیم، شرکت های نوپا بالاخره فرصتی برای برتری از غول های فناوری در حالی که سود خود را افزایش می دهند، دارند.

تخصیص کارآمد نیروی انسانی، مزیت رقبا را بیشتر تقویت می کند. با نیاز به استخدام تعداد زیادی از استعدادهای سطح دکترا برای جمع آوری یک تیم رقابتی هوش مصنوعی، استارت آپ ها می توانند توسعه یابند،بهینه سازی، و مدل ها را با هزینه ای بسیار پایین تر از غول های فناوری توزیع می کنند.شرکت های رقیب می توانند از حاشیه سود بالاتری برخوردار باشند، به همان روشی که استارتاپ های ابری 15 سال پیش با بهبود اقتصاد واحد، از یک مزیت برخوردار شدند..

این روند نه تنها برای استارتاپ ها خوب است. بلکه شرکت هایی مانند Nvidia را در معرض خطر بیشتری قرار می دهد. پس از اعلام DeepSeek، قیمت سهام Nvidia 12٪ کاهش یافت، اگرچه از آن زمان به بعد بهبود یافته است.خطرات برای سازندگان تراشه افزایش می یابد زیرا تقاضا از سخت افزار متمرکز بر آموزش به راه حل های نتیجه گیری کارآمدتر تغییر می کندافزایش واحدهای پردازش عصبی (Npus) در سطح مصرف کننده می تواند این تغییر را تسریع کند و به مدل های هوش مصنوعی اجازه می دهد که به طور بومی در دستگاه هایی مانند تلفن های هوشمند و لپ تاپ اجرا شوند.

هزینه های هوش مصنوعی

چیزی که برای رقیب ها خوب است برای غول های فناوری بد است.غول های هوش مصنوعی تقریبا به طور غریزی تسلط DeepSeek را به پیامدهای امنیت ملی در تلاش برای حمایت از توسعه فناوری مشابه خود مرتبط کرده اند.، و این واقعیت را نادیده می گیرند که محققان آمریکایی از جمله در دانشگاه استنفورد توانسته اند تکنولوژی DeepSeek را تکرار کنند و حتی از آن فراتر بروند.شرکت هایی که مبالغ زیادی را در پروژه های زیرساخت داده سرمایه گذاری می کنند ممکن است بپرسند: آیا هزینه های زیادی برای تحقیق و توسعه مدل های هوش مصنوعی هدر رفته است؟ اگر تکنولوژی ارزان به همان اندازه تکنولوژی گران قیمت کار می کند، چرا اینقدر پول خرج می کنیم؟

گرایش های تاریخی نشان می دهد که اکثر پیشرفت های هوش مصنوعی در واقع به سرمایه گذاری بیش از حد در مقیاس وابسته است. معماری ترانسفورم موفق بود زیرا بیش از حد آموزش داده شده است،بیش از آن چیزی که در آن زمان از نظر الگوریتمی بهینه تلقی می شدپیشرفت های تکنولوژیکی جدید نشان می دهد که ما می توانیم عملکرد مشابهی را با هزینه کمتری به دست آوریم.گسترش ارائه دهندگان ابر ابر هنوز نیاز به مراکز داده بزرگتر دارد و باید هزینه های نتیجه گیری را تحمل کند.

با این حال، غول های فناوری در حال نشستن نیستند. ما در حال حاضر شاهد مسابقه تسلیحاتی برای دستاوردهای DeepSeek هستیم،مایکروسافت Azure AI Foundry و متای Open Source LLaMA همه برای تسلط رقابت می کنند. مدل های منبع باز می توانند نقش کلیدی ایفا کنند. مارک زاکربرگ، مدیر عامل Meta، بر اهمیت هوش مصنوعی شخصی سازی شده تاکید کرد - یعنی مدل هایی که با نیازهای، فرهنگ و ترجیحات کاربران فردی متناسب هستند.این چشم انداز با یک روند گسترده تر در توسعه هوش مصنوعی مطابقت دارد: مدل های کوچکتر و تخصصی تر قادر به ارائه عملکرد بالا بدون نیاز به زیرساخت ابر عظیم.

استارتاپ ها تراشه های جدید برنده می شوند

در عین حال، غول های منبع باز و منبع بسته اهداف متفاوتی دارند، که مزایای رقیب را بیشتر می کند.مدل های منبع باز ایجاد شده توسط شرکت هایی مانند Meta همچنان رقابت و کاهش هزینه ها در سراسر اکوسیستم را ادامه خواهند داد، در حالی که مدل های منبع بسته تلاش می کنند هزینه های بالاتری را از طریق فناوری بهتر دریافت کنند. استارتاپ ها می توانند از رقابت بین دو اردوگاه برای دستیابی به بهترین نسبت قیمت / عملکرد برای هر استفاده استفاده کنند.در حالی که حاشیه سود را افزایش می دهد.

صرف نظر از اندازه کسب و کار، پیام روشن است: از مزایای خاص در دسترس آنها - پویایی بازار، قدرت محاسباتی و استعداد - به سرعت استفاده کنید یا با شکست روبرو شوید.چرخه پیشرفت تکنولوژیک کوتاه تر می شود، از ماه ها و حتی سالها که برای تعیین استانداردهای عملکرد جدید استفاده می شد تا پیشرفت تکنولوژیکی DeepSeek که نشان می دهد اکنون می تواند به مدت 41 روز طول بکشد.نوآوری با سرعت بی سابقه ای در حال پیشرفت است، و فضای تحمل خطا به سرعت در حال کوچک شدن است.