تفسیر مرحله بعدی AI: همگرایی مدل‌ها، ارزش به سمت جریان‌های کاری منتقل می‌شود

عنوان اصلی: خطر IPO Anthropic، ظهور Muse متا، کاهش قیمت توکن‌ها، افزایش سهم منبع باز، شکست هم‌راستایی برنامه: پادکست All-In شرکت‌کنندگان: چامات پالیهاپیتیا، جیسون کلاکانیس، دیوید ساکس، دیوید فریدبرگ

یادداشت سردبیر: در دو سال گذشته، رقابت در صنعت AI تقریباً حول یک متغیر اصلی شکل گرفته است: چه کسی دارای قوی‌ترین مدل پایه است. GPT، کلاود، جمینی و سپس مدل‌های به سرعت در حال ظهور مانند DeepSeek و Qwen، به طور مداوم معیارها را به روز کرده و «توانایی‌های پیشرفته» را به مهم‌ترین پایه قیمت‌گذاری شرکت‌های مدل تبدیل کرده‌اند. اما با افزایش سرعت تکرار مدل‌ها و کاهش مداوم هزینه‌های استدلال، بحث به سمت «وقتی که مدل‌های کافی خوب بیشتر می‌شوند، قوی‌ترین مدل چقدر ارزش دارد» تغییر کرده است. وقتی که توانایی مدل به تدریج از یک کالای کمیاب به یک توانایی پایه‌ای که به راحتی در دسترس است تبدیل می‌شود، یک سوال کلیدی‌تر شروع به ظهور می‌کند: واقعاً چه چیزی در صنعت AI به طور طولانی‌مدت کمیاب است، خود مدل یا محصولات، جریان‌های کاری و توانایی‌های توزیع شده بر اساس مدل؟

در آخرین قسمت پادکست All-In، کارآفرینان فناوری جیسون کلاکانیس، بنیان‌گذار Social Capital چامات پالیهاپیتیا، دیوید فریدبرگ CEO Ohalo و دیوید ساکس، بنیان‌گذار مشترک Craft Ventures، در مورد انتشار مدل‌های اخیر، گسترش مدل‌های با وزن باز، کاهش قیمت توکن‌ها و مدل‌های تجاری شرکت‌های پیشرفته مانند Anthropic و OpenAI بحث کردند. به جای اینکه «مدل نسل بعدی چقدر عملکرد را بهبود می‌بخشد» مورد توجه قرار گیرد، نکته‌ای که در این گفتگو بیشتر قابل توجه است، تلاش برای پاسخ به این سوال است که پس از گسترش سریع توانایی مدل، احتمالاً حوضچه سود صنعت AI به کجا منتقل می‌شود.

چهار میزبان پادکست All-In در مورد تجاری‌سازی مدل‌های AI، مدل‌های با وزن باز و مدل‌های تجاری پیشرفته بحث می‌کنند.

در این گفتگو، چندین میزبان واقعاً «قوی‌تر شدن مدل» را به یک سری سوالات ساختاری عمیق‌تر تجزیه کردند: وقتی که فاصله عملکرد بین مدل‌ها کاهش می‌یابد، چرا شرکت‌ها هنوز باید برای مدل‌های پیشرفته هزینه بالایی بپردازند؟ وقتی که مدل‌های با وزن باز می‌توانند بارهای کاری روزمره بیشتری را به عهده بگیرند، آیا خود توکن در حال تبدیل شدن به یک کالای تجاری است؟ و وقتی که «مغز» ارزان‌تر می‌شود، آیا ارزش دوباره به سمت عامل‌ها، جریان‌های کاری شرکتی و کاربردهای عمودی متمرکز می‌شود؟

نخست، رقابت مدل‌ها در حال انتقال از کمبود توانایی به کارایی هزینه است. در گذشته، معمولاً فاصله قابل توجهی بین مدل‌های پیشرفته و مدل‌های رده دوم وجود داشت و شرکت‌ها برای به دست آوردن دقت بالاتر، استدلال قوی‌تر و خروجی‌های پایدارتر، حاضر بودند هزینه‌های قابل توجهی بپردازند. تغییر فعلی این است که انتشار مدل‌ها به طور فزاینده‌ای متراکم شده و عملکرد مدل‌های با وزن باز به طور مداوم به مدل‌های پیشرفته بسته می‌شود، در حالی که خود ارائه‌دهندگان API نیز به طور مداوم قیمت‌ها را کاهش می‌دهند. این بدان معناست که برای بسیاری از وظایفی که به توانایی‌های حداکثری نیاز ندارند، «بهترین» در حال تبدیل شدن به انتخابی است که می‌توان نسبت هزینه به فایده آن را محاسبه کرد. عملکرد مدل هنوز هم مهم است، اما نسبت قیمت به عملکرد، شروع به اهمیت بیشتری نسبت به رتبه‌بندی‌های صرفاً معیارها کرده است.

دوم، توکن ممکن است در حال تبدیل شدن از یک محصول با حاشیه سود بالا به یک ورودی پایه‌ای استاندارد باشد. منطق دور قبلی تجاری‌سازی AI نسبتاً مستقیم بود: شرکت‌های مدل هوش را ارائه می‌دادند، توسعه‌دهندگان توکن را خریداری می‌کردند و سپس آن را در خارج به عنوان برنامه بسته‌بندی می‌کردند. اما وقتی که یک نوع وظیفه می‌تواند بین چندین مدل منتقل شود و فاصله قیمت به چندین برابر یا حتی ده‌ها برابر برسد، شرکت‌ها به طور طبیعی وظایف مختلف را به مدل‌های با سطوح هزینه متفاوت اختصاص می‌دهند. خلاصه‌سازی ساده، خدمات مشتری، فرآیندهای داخلی و وظایف کد معمولی می‌توانند به مدل‌های ارزان‌تر واگذار شوند، در حالی که تنها وظایف کمی مانند تحقیقات علمی، مهندسی پیچیده و تصمیم‌گیری مالی با ارزش بالا همچنان از قوی‌ترین مدل‌ها استفاده می‌کنند. آنچه واقعاً به چالش کشیده می‌شود، این نیست که آیا مدل‌های پیشرفته ارزش دارند، بلکه این است که واقعاً چه مقدار درآمد باید به توانایی‌های پیشرفته وابسته باشد تا وجود داشته باشد.

سوم، مرزهای رقابت شرکت‌های مدل به طور اجبار به سمت بالا حرکت می‌کند. چامات مدل‌های پایه را به «مغز» تشبیه می‌کند و ابزارهای اطراف مدل، مرورگر، حافظه، مجوزها و سیستم‌های برنامه‌ریزی وظایف را «هارنس» می‌نامد. این تمایز بسیار مهم است: وقتی که فاصله بین «مغزها» به طور مداوم کاهش می‌یابد، ممکن است در نهایت تجربه محصول به مدل بستگی نداشته باشد، بلکه به این بستگی داشته باشد که آیا آن «دست و پا» دارد و آیا می‌تواند واقعاً وظیفه را انجام دهد. بنابراین محصولات نوع Agent مانند Meta Muse دارای یک لایه دیگر از معنا هستند - کاربران به این موضوع اهمیت نمی‌دهند که کدام مدل در پس‌زمینه فراخوانی می‌شود، بلکه به این اهمیت می‌دهند که آیا می‌تواند ایمیل‌ها را مرتب کند، بلیط هواپیما رزرو کند، اسناد را پردازش کند و کارها را انجام دهد. هر چه مدل‌های پایه ارزان‌تر شوند، اقتصادی بودن این نوع محصولات به راحتی بیشتر می‌شود.

چهارم، مدل‌های تجاری مدل‌های پیشرفته ممکن است به این ترتیب به دو قطبی شدن برسند. یک طرف هوش عمومی با مقیاس بزرگ اما حساس به قیمت بالا است که توسط مدل‌های با وزن باز و مدل‌های کم‌هزینه پشتیبانی می‌شود؛ طرف دیگر هوش پیشرفته است که تعداد کمتری دارد، اما حاضر به پرداخت حاشیه سود بسیار بالا است، مانند تحقیقات پیچیده، ریاضیات، مهندسی، بیوتکنولوژی و صحنه‌های حرفه‌ای با رقابت بالا. بنابراین سوال کلیدی شرکت‌های مانند OpenAI و Anthropic دیگر فقط «آیا می‌توانیم مدل را بهبود دهیم» نیست، بلکه آیا می‌توانند ارزش افزوده‌ای که مدل‌های پیشرفته ایجاد می‌کنند را به اندازه کافی برای پوشش هزینه‌های بالای آموزش، استدلال و سرمایه‌گذاری ثابت کنند.

اگر این گفتگو را به یک قضاوت فشرده کنیم، این است: تناقض اصلی AI در حال انتقال از «آیا هوش کافی قوی است» به «چگونه هوش قیمت‌گذاری، توزیع و محصول می‌شود» است.

در این معنا، موضوع بحث در این مقاله دیگر فقط OpenAI، Anthropic یا یک مدل جدید نیست، بلکه یک بازنگری در زنجیره ارزش صنعت AI است: وقتی که مدل‌ها به طور فزاینده‌ای در دسترس می‌شوند، دارایی واقعی کمیاب ممکن است دوباره به کاربران، صحنه‌ها، جریان‌های کاری و توانایی تبدیل هوش به ارزش واقعی تبدیل شود.

TL؛ DR

رقابت مدل‌های AI از «چه کسی قوی‌تر است» به «چه کسی با هزینه کمتر به سطح کافی می‌رسد» تغییر می‌کند، در واقع توانایی مدل‌ها در حال حرکت از کالای کمیاب به تأمین استاندارد است.

کاهش مداوم قیمت توکن‌ها به این معنی است که فضای سود مدل‌های پایه ممکن است فشرده شود و زنجیره ارزش AI در حال انتقال از «فروش هوش» به «فروش نتایج» است.

بزرگ‌ترین تأثیر مدل‌های با وزن باز نه در جایگزینی مدل‌های پیشرفته، بلکه در تصاحب بارهای کاری عمومی است که شرکت‌ها را مجبور به محاسبه مجدد «حاشیه سود مدل قوی‌ترین» می‌کند.

مدل‌های پیشرفته در آینده بیشتر احتمالاً بر روی وظایف پیچیده با ارزش بالا مانند تحقیقات علمی، مهندسی و مالی متمرکز خواهند شد، کلید در پوشش همه صحنه‌ها نیست، بلکه در اثبات غیرقابل جایگزینی آن‌هاست.

هر چه توانایی مدل‌ها همگرا شود، مزیت رقابتی بیشتر به سمت عامل‌ها، فراخوانی ابزار، حافظه، مجوزها و جریان‌های کاری منتقل می‌شود، در واقع ارزش از «مغز» به «سیستم‌های اجرایی» منتقل می‌شود.

ساختار هزینه AI شرکت‌ها از «فراخوانی یکسان قوی‌ترین مدل» به مسیریابی لایه‌ای تغییر خواهد کرد، به طوری که وظایف مختلف با مدل‌های با قیمت و سطح توانایی متفاوت مطابقت دارند.

خطر تجاری اصلی OpenAI و Anthropic این نیست که مدل‌ها متوقف می‌شوند، بلکه این است که درآمدهای موجود به طور نهایی توسط مدل‌های ارزان‌تر تجاری‌سازی می‌شوند.

مرحله بعدی صنعت AI ممکن است دیگر مدل‌ها نباشند، بلکه کاربران، صحنه‌ها، توزیع و توانایی تبدیل هوش به خروجی واقعی باشند.

اینجا باید تأکید کرد: این داده‌های ترافیک تولیدی Vercel AI Gateway است و نمی‌توان به‌طور مستقیم آن را به «۵۶٪ از توکن‌های هوش مصنوعی جهانی از مدل‌های باز ناشی می‌شود» تعمیم داد. اما حداقل یک نمونه واقعی از محیط تولید را ارائه می‌دهد: توسعه‌دهندگان به‌طور فزاینده‌ای بارهای کاری را به مدل‌های ارزان‌تر منتقل می‌کنند.

چاماث این تغییر را به‌عنوان «مدل‌ها شروع به خوشه‌بندی کرده‌اند» خلاصه می‌کند. قضاوت او این است که تعداد فزاینده‌ای از مدل‌ها در انجام وظایف زیاد به حدی نزدیک شده‌اند که می‌توانند یکدیگر را جایگزین کنند. بنابراین، سؤال دیگر فقط این نیست که «کدام مدل بالاترین نمره را دارد»، بلکه این است: برای آن تفاوت اندک در عملکرد، چقدر حاضر به پرداخت هزینه هستید؟

مدل‌های پیشرفته ناپدید نخواهند شد، اما باید ثابت کنند که «کجا گران هستند»

این همچنین مشکل تجاری واقعی است که OpenAI و Anthropic با آن مواجه هستند.

دیوید ساکس در برنامه نظر خوشبینانه‌تری نسبت به سایر مجریان دارد. او معتقد است که مدل‌های با وزن باز حتی اگر اکثریت توکن‌ها را بگیرند، به این معنا نیست که هوش پیشرفته (Frontier Intelligence) ارزش تجاری خود را از دست می‌دهد.

دلیل این است که همیشه یک دسته از وظایف وجود دارد که برای «بهترین» حاضر به پرداخت هزینه بسیار بالایی هستند. به‌عنوان مثال، تحقیق دارویی، ریاضیات پیچیده، مهندسی پیشرفته، امنیت سایبری یا صحنه‌های معاملاتی مالی بسیار رقابتی. برای این وظایف، اگر مدل‌های قوی‌تر بتوانند کمی نرخ موفقیت را افزایش دهند، ارزش اقتصادی که ایجاد می‌کنند ممکن است به‌مراتب بیشتر از هزینه توکن باشد.

فریدبرگ نیز نظر مشابهی دارد. سازمان تحقیق و توسعه علوم زیستی که او در آن فعالیت می‌کند، از مدل‌های Anthropic استفاده می‌کند زیرا در برخی از وظایف علمی دشوار، تفاوت‌های توانایی مدل‌ها هنوز به اندازه کافی بزرگ است.

بنابراین، واقعاً چیزی که باید به آن توجه کرد این نیست که «آیا مدل‌های باز می‌توانند کلود یا GPT را از بین ببرند»، بلکه یک سؤال خاص‌تر است: چه مقدار از درآمد OpenAI و Anthropic از وظایف واقعاً غیرقابل جایگزین ناشی می‌شود و چه مقدار از وظایف عادی که در نهایت می‌توانند به مدل‌های ارزان‌تر منتقل شوند؟

اگر اکثریت درآمد از دسته اول باشد، شرکت‌های مدل هنوز قدرت قیمت‌گذاری قوی دارند. اما اگر درآمد زیادی فقط به این دلیل باشد که شرکت‌ها به‌طور موقت عادت به استفاده از قوی‌ترین مدل‌ها دارند، با بهینه‌سازی هزینه‌های هوش مصنوعی، این بخش از درآمد ممکن است با فشار قیمت بیشتری مواجه شود.

این نیز دلیلی است که ساختار مشتریان و کیفیت درآمد شرکت‌های مدل در آینده ممکن است از رشد صرف توکن‌ها بیشتر مورد توجه قرار گیرد.

از منظر بازار سرمایه، این نکته به‌ویژه مهم است. آنچه سرمایه‌گذاران واقعاً باید ارزیابی کنند، تنها این نیست که «آیا کلود یا GPT می‌توانند به رشد ادامه دهند»، بلکه این است که حاشیه هوش پیشرفته پشت این رشد چقدر پایدار است.

وقتی «مغز» ارزان‌تر می‌شود، ارزش به «دست و پا» منتقل می‌شود

چاماث در برنامه یک قضاوت دیگر را مطرح کرد که بیشتر قابل توجه است. اگر مدل‌ها را به‌عنوان «مغز» در نظر بگیریم، آنچه واقعاً تجربه نهایی محصول را تعیین می‌کند، به‌طور فزاینده‌ای به عامل‌های اجرایی (agent harness) که در خارج از مغز قرار دارند، تبدیل می‌شود.

به‌عبارتی، harness می‌تواند به‌عنوان مجموعه‌ای از سیستم‌ها که به مدل اجازه می‌دهد واقعاً «کار انجام دهد» در نظر گرفته شود، شامل مرورگر، فراخوانی ابزار، حافظه، برنامه‌ریزی وظایف، مدیریت مجوزها، اجرای کد و توانایی اتصال به نرم‌افزارهای مختلف. یک مدل مشابه، وقتی در harness‌های مختلف قرار می‌گیرد، ممکن است در نهایت عملکرد کاملاً متفاوتی داشته باشد.

این بدان معناست که وقتی مدل‌های پایه به‌تدریج به هم نزدیک می‌شوند، رقابت شرکت‌های هوش مصنوعی ممکن است به‌تدریج به سطح بالاتری منتقل شود.

سؤال اصلی در گذشته این بود: چه کسی هوشمندترین مدل را دارد؟ اکنون ممکن است به‌تدریج به این تبدیل شود: چه کسی می‌تواند این مدل را واقعاً به کار بگیرد؟

موس از متا نماینده‌ای از این روند است.

متا در ۸ سپتامبر موس را منتشر کرد و آن را به‌عنوان عامل هوش مصنوعی شخصی (personal AI agent) معرفی کرد: این فقط به سؤالات پاسخ نمی‌دهد، بلکه می‌تواند از طریق یک محیط محاسباتی مجازی مستقل، مرورگر و برنامه‌ها را کنترل کرده و وظایفی مانند ارسال ایمیل و برنامه‌ریزی سفر را انجام دهد.

در برنامه، چاماث به این اشاره کرد که خود از موس برای ساماندهی ایمیل‌های شخصی‌اش استفاده می‌کند و همچنین سعی کرده تا بلیط و هتل رزرو کند. او معتقد است که مهم‌ترین معنی این نوع محصولات این نیست که کدام مدل در سطح پایه استفاده شده است، بلکه این است که توانایی‌های پیچیده هوش مصنوعی که قبلاً دشوار بودند، به نرم‌افزاری تبدیل شده‌اند که کاربران عادی می‌توانند به‌طور مستقیم از آن استفاده کنند.

این همچنین توضیح می‌دهد که چرا کاهش قیمت توکن‌ها لزوماً به این معنا نیست که ارزش صنعت هوش مصنوعی کاهش یافته است. برعکس، هوش ارزان‌تر ممکن است باعث شود محصولات بیشتری اقتصادی شوند. درآمد مدل‌ها ممکن است کمتر شود، اما این به این معنا نیست که کل ساختار هوش مصنوعی کمتر درآمد دارد. ارزش ممکن است از خود مدل به شرکت‌هایی که کاربران، جریان‌های کاری و محصولات نهایی را دارند، دوباره توزیع شود.

دور بعدی رقابت هوش مصنوعی، ممکن است دیگر به این بستگی نداشته باشد که کدام مدل اول است

این تغییر هنوز در مراحل اولیه است.

هنوز تفاوت‌های توانایی بین مدل‌های پیشرفته و مدل‌های با وزن باز وجود دارد و معیارهای مختلف نمی‌توانند همه وظایف واقعی شرکت‌ها را نمایندگی کنند. آنچه All-In مطرح کرده است که «مدل‌ها در حال همگرا شدن هستند»، در حال حاضر بیشتر به‌عنوان یک قضاوت تجاری قابل درک است تا یک واقعیت صنعتی که به‌طور کامل تحقق یافته است.

اما تغییرات قیمت به‌طور واضح‌تر شده است. مدل‌های با وزن باز در حال ورود به تعداد بیشتری از محیط‌های تولیدی هستند، قیمت واحد API به‌طور مداوم در حال کاهش است و تولیدکنندگان مدل‌های بسته نیز به‌طور فعال قیمت‌ها را کاهش می‌دهند. در عین حال، محصولاتی مانند متا موس در حال تلاش برای انتقال هوش مصنوعی از پنجره چت به عامل‌هایی هستند که واقعاً می‌توانند وظایف را انجام دهند.

آنچه واقعاً باید به آن توجه کرد، دیگر فقط این نیست که نسل بعدی GPT یا کلود در معیارها چند نمره بالاتر رفته‌اند.

مهم‌تر از آن چهار متغیر است:

اول، آیا سهم مدل‌های با وزن باز در توکن‌های تولید واقعی می‌تواند همچنان افزایش یابد؛ دوم، هزینه هوش واحد می‌تواند چقدر سریع‌تر کاهش یابد؛ سوم، مدل‌های پیشرفته با قیمت بالا چقدر از وظایف پیچیده غیرقابل جایگزین را حفظ می‌کنند؛ چهارم، آیا عامل‌ها واقعاً می‌توانند فرکانس استفاده پایدار و درآمد تجاری را تشکیل دهند.

اگر سه روند اول ادامه یابد، مدل‌های هوش مصنوعی ممکن است به‌طور فزاینده‌ای شبیه به قدرت محاسباتی پایه در رایانش ابری شوند: هنوز هم مهم، اما قیمت‌ها به‌طور مداوم شفاف و استانداردها به‌طور مداوم یکسان می‌شوند.

و آنچه واقعاً ارزش شرکت‌ها را در مرحله بعدی تعیین می‌کند، ممکن است دیگر فقط به این بستگی نداشته باشد که «چه کسی هوشمندترین مغز را دارد». بلکه این است که چه کسی می‌تواند مغزهای ارزان‌تر را به محصولاتی تبدیل کند که واقعاً مردم مایل به استفاده و پرداخت هزینه هستند.