بحران تریلیون دلاری توکن‌های هوش مصنوعی و آینده بازار

صورت حساب تریلیون دلاری هوش مصنوعی؛ وقتی توکن ها آینده بازار را تعیین می کنند

تب هوش مصنوعی فعلاً حسابی بالاست، اما پشت این هیجان یک سؤال سنگین پنهان شده: چه کسی قرار است هزینه این مهمانی را بدهد؟ بحران توکن های هوش مصنوعی، رشد سریع بازار هوش مصنوعی و افزایش هزینه پردازش هوش مصنوعی نشان می دهد که رقابت آینده فقط بر سر مدل های باهوش تر نیست؛ ماجرا به تولید، مصرف و قیمت گذاری توکن ها هم گره خورده است.

هر پاسخ یک چت بات، هر تصویر ساخته شده با هوش مصنوعی و حتی هر خلاصه ساده از یک ایمیل، به پردازش توکن نیاز دارد. یک درخواست به تنهایی چیز خاصی نیست، ولی وقتی میلیون ها کاربر و هزاران شرکت هم زمان از این سرویس ها استفاده کنند، اعداد خیلی زود وحشتناک می شوند. اینجاست که اقتصاد توکن از یک اصطلاح فنی به مسئله ای چندصد میلیارد دلاری تبدیل می شود.

مطالعه مقاله قبلی در دسته بندی علم و دانش با عنوان پوست الکترونیکی لمسی فناوری جدید برای ربات های هوشمند.

توکن دقیقاً چیست و چرا این قدر اهمیت دارد؟

مدل های زبانی متن را مثل ما یک تکه نمی خوانند. آن ها جمله ها را به واحدهای کوچک تری به نام توکن تقسیم می کنند. یک توکن ممکن است یک کلمه، بخشی از کلمه، علامت نگارشی یا حتی ترکیبی کوتاه از چند حرف باشد.

وقتی چیزی از یک مدل هوش مصنوعی می پرسید، هم متن ورودی شما توکن دارد و هم پاسخ تولیدشده. مدل باید این توکن ها را در چند مرحله پردازش کند، ارتباط میان آن ها را بفهمد و توکن بعدی را حدس بزند. این فرایند ساده به نظر می رسد، اما در مقیاس بزرگ به توان پردازشی، حافظه، برق و تجهیزات خنک کننده زیادی نیاز دارد.

نکته بامزه ــ و البته کمی ترسناک ــ این است که کاربران معمولاً توکن را نمی بینند. ما فقط یک کادر گفتگو و یک پاسخ روان می بینیم. پشت همان پاسخ چندخطی، کارت های گرافیکی گران قیمت در مراکز داده مشغول انجام میلیاردها محاسبه اند.

به همین دلیل توکن را می توان واحد مصرف در دنیای هوش مصنوعی مولد دانست. درست مثل مصرف برق که با کیلووات ساعت اندازه گیری می شود، استفاده از مدل های هوش مصنوعی هم به تعداد توکن های ورودی و خروجی وابسته است. هرچه مدل ها بیشتر وارد نرم افزارها، موتورهای جست وجو و فرایندهای اداری شوند، اهمیت اقتصاد توکن هم بیشتر می شود.

تریلیون ها توکن، میلیاردها دلار هزینه

شرکت های بزرگ فناوری برای ساخت زیرساخت هوش مصنوعی سرمایه گذاری عظیمی انجام داده اند. خرید پردازنده های تخصصی، ساخت مراکز داده، تأمین برق و توسعه شبکه های پرسرعت اصلاً ارزان نیست. صحبت از چند سرور گوشه یک اتاق نیست؛ با مجموعه هایی روبه رو هستیم که گاهی به اندازه یک شهر کوچک انرژی مصرف می کنند.

بخش مهمی از سرمایه گذاری های فعلی صرف آموزش مدل ها می شود. آموزش یک مدل پیشرفته ممکن است هفته ها یا ماه ها طول بکشد و هزاران پردازنده را درگیر کند. بااین حال، هزینه واقعی و مداوم معمولاً بعد از عرضه مدل شروع می شود؛ یعنی همان زمانی که کاربران هر روز درخواست های تازه می فرستند.

به این مرحله «استنتاج» گفته می شود. مدل آموزش دیده باید برای هر کاربر پاسخ جداگانه تولید کند. اگر یک سرویس محبوب روزانه صدها میلیون درخواست داشته باشد، حتی کاهش بسیار کوچک در هزینه هر پاسخ هم می تواند میلیون ها دلار صرفه جویی ایجاد کند.

اینجا اصل ماجرای بحران توکن های هوش مصنوعی خودش را نشان می دهد. شرکت ها باید قیمت استفاده از خدمات را آن قدر پایین نگه دارند که مشتری جذب شود، اما هم زمان باید درآمد کافی برای پرداخت قبض سنگین زیرساخت داشته باشند. پایین آوردن قیمت بدون کاهش واقعی هزینه، فقط ضرر را بزرگ تر می کند.

از طرف دیگر، بالا بودن قیمت هم استفاده عمومی را محدود می کند. بسیاری از کسب وکارها عاشق ایده هوش مصنوعی هستند، ولی وقتی قبض واقعی سرویس می رسد، ناگهان پروژه آزمایشی شان دیگر آن قدر جذاب به نظر نمی رسد.

ارزان تر شدن هر توکن لزوماً قبض نهایی را کم نمی کند

یکی از امیدهای بزرگ صنعت این است که هزینه تولید هر توکن به مرور کاهش پیدا کند. تراشه های جدید سریع تر می شوند، مدل ها بهینه تر کار می کنند و روش هایی مثل فشرده سازی، کوانتیزه سازی و استفاده از مدل های کوچک تر، مصرف منابع را پایین می آورند.

رقابت میان ارائه دهندگان هم قیمت ها را کاهش داده است. امروز اجرای بسیاری از مدل ها نسبت به چند سال قبل بسیار ارزان تر شده و در بعضی وظایف، مدل های کوچک با کسری از هزینه مدل های بزرگ نتیجه قابل قبولی می دهند.

اما یک پیچ مهم وجود دارد: وقتی چیزی ارزان تر می شود، معمولاً مصرف آن بالا می رود. اگر تولید یک میلیون توکن نصف قیمت قبلی تمام شود، شرکت ها احتمالاً فقط پول ذخیره نمی کنند؛ آن ها دو برابر یا حتی ده برابر بیشتر از مدل استفاده خواهند کرد.

مثلاً یک فروشگاه آنلاین ممکن است ابتدا هوش مصنوعی را فقط برای پاسخ گویی به مشتریان به کار بگیرد. بعد که هزینه پایین آمد، همان سیستم را وارد تولید توضیحات محصول، تحلیل رفتار مشتری، مدیریت موجودی، تبلیغات و بررسی بازخوردها می کند. پس قیمت هر توکن کم شده، ولی تعداد توکن های مصرفی منفجر می شود.

این اتفاق می تواند هزینه پردازش هوش مصنوعی را در سطح کلان همچنان بالا نگه دارد. به زبان خودمانی، ممکن است موتور خودرو کم مصرف تر شود، اما اگر ده برابر بیشتر رانندگی کنیم، قبض سوخت پایین نمی آید.

بازار هوش مصنوعی به دنبال درآمد واقعی است

تا امروز بخش زیادی از ارزش گذاری شرکت های هوش مصنوعی بر اساس رشد آینده بوده است. سرمایه گذاران انتظار دارند دستیارهای هوشمند به بخش ثابتی از کار، آموزش، سلامت، برنامه نویسی و سرگرمی تبدیل شوند. مسئله این است که این انتظار باید بالاخره به درآمد پایدار برسد.

اشتراک ماهانه یکی از ساده ترین مدل هاست. کاربر مبلغ مشخصی می دهد و به امکانات حرفه ای دسترسی پیدا می کند. این روش قابل فهم است، اما اگر مصرف یک کاربر خیلی بیشتر از حد معمول باشد، اشتراک ثابت ممکن است هزینه زیرساخت او را پوشش ندهد.

مدل پرداخت بر اساس مصرف شفاف تر است. مشتری به اندازه تعداد توکن های استفاده شده پول می دهد. این روش برای توسعه دهندگان و شرکت ها منطقی تر به نظر می رسد، ولی پیش بینی بودجه را سخت می کند. یک خطای نرم افزاری یا افزایش ناگهانی درخواست ها می تواند صورتحساب آخر ماه را حسابی سنگین کند.

تبلیغات هم گزینه دیگری است، به خصوص برای موتورهای جست وجو و دستیارهای عمومی. بااین حال، ترکیب تبلیغ با پاسخ های تولیدشده توسط هوش مصنوعی حساس است. کاربر باید بداند پیشنهاد مدل واقعاً مفید است یا چون یک برند بابت نمایش آن پول داده.

برای همین، آینده بازار هوش مصنوعی احتمالاً به یک روش درآمدی محدود نمی شود. اشتراک، پرداخت بر اساس مصرف، تبلیغات، قراردادهای سازمانی و اجرای مدل روی زیرساخت اختصاصی، همگی کنار هم قرار می گیرند.

مدل های بزرگ همیشه بهترین انتخاب نیستند

مدتی این تصور شکل گرفته بود که هرچه مدل بزرگ تر باشد، حتماً بهتر است. پارامتر بیشتر، داده بیشتر و پردازنده بیشتر به نماد پیشرفت تبدیل شده بود. ولی حالا شرکت ها آرام آرام متوجه شده اند که استفاده از بزرگ ترین مدل برای هر کار، شبیه رفتن تا سوپرمارکت با کامیون است؛ شدنی است، اما منطقی نیست.

بسیاری از وظایف روزمره مثل دسته بندی پیام ها، استخراج اطلاعات از فرم، ترجمه متن های ساده یا نوشتن پاسخ های کوتاه، به مدل غول پیکر نیاز ندارند. مدل های کوچک تر سریع ترند، حافظه کمتری مصرف می کنند و گاهی می توان آن ها را روی لپ تاپ یا گوشی اجرا کرد.

اجرای محلی مدل ها مزیت دیگری هم دارد: بخشی از پردازش از مرکز داده به دستگاه کاربر منتقل می شود. این کار تأخیر را کاهش می دهد، حریم خصوصی را بهتر می کند و فشار روی زیرساخت ابری را پایین می آورد.

البته مدل های کوچک قرار نیست مدل های پیشرفته را کاملاً کنار بزنند. احتمالاً سیستم های آینده درخواست ها را هوشمندانه مسیریابی می کنند. کار ساده به مدل کوچک می رود و مسئله پیچیده به مدل قدرتمندتر سپرده می شود. این ترکیب می تواند هزینه پردازش هوش مصنوعی را بدون افت جدی کیفیت کنترل کند.

جنگ اصلی بر سر بهره وری است، نه فقط قدرت

تا مدت ها شرکت ها با تعداد پارامترها، اندازه خوشه های پردازشی و نتایج آزمون ها به هم فخر می فروختند. ولی در بازار واقعی، معیار مهم تری وجود دارد: مدل با هر واحد هزینه چقدر ارزش ایجاد می کند؟

یک مدل ممکن است در آزمون ها چند درصد بهتر باشد، اما اگر اجرای آن پنج برابر هزینه داشته باشد، برای بسیاری از شرکت ها انتخاب مناسبی نیست. مدیران دنبال نمایشی جذاب برای چند دقیقه نیستند؛ آن ها سیستمی می خواهند که هر روز کار کند، قابل اعتماد باشد و بودجه را نترکاند.

بهره وری فقط به تراشه مربوط نیست. طراحی نرم افزار، مدیریت حافظه، ذخیره سازی پاسخ های تکراری، کوتاه کردن ورودی ها و انتخاب درست مدل، همگی روی قیمت نهایی اثر می گذارند. حتی آموزش کاربران برای نوشتن درخواست های دقیق تر می تواند مصرف بیهوده توکن را کاهش دهد.

در نتیجه، برندگان آینده شاید الزاماً سازندگان بزرگ ترین مدل نباشند. شرکت هایی برنده می شوند که بهترین توازن را میان کیفیت، سرعت، قیمت و اعتماد ایجاد کنند. این همان نقطه ای است که اقتصاد توکن از قدرت خام پردازشی مهم تر می شود.

برق و تراشه؛ دو محدودیت جدی پشت پرده

رشد مصرف توکن فقط یک مسئله مالی نیست. مراکز داده برای فعالیت به برق پایدار نیاز دارند و در بسیاری از مناطق، شبکه برق آماده چنین تقاضایی نیست. ساخت نیروگاه، خطوط انتقال و تجهیزات خنک کننده هم زمان بر است.

از سوی دیگر، تولید تراشه های پیشرفته در اختیار تعداد محدودی از شرکت ها و کارخانه ها قرار دارد. هر اختلال در زنجیره تأمین می تواند برنامه توسعه مراکز داده را عقب بیندازد. حتی اگر پول کافی وجود داشته باشد، همیشه نمی توان پردازنده موردنیاز را فوری خرید.

مصرف آب برای خنک سازی و اثرات زیست محیطی هم بیشتر زیر ذره بین قرار گرفته اند. کاربران شاید هزینه واقعی یک پاسخ هوش مصنوعی را نبینند، اما منابع فیزیکی مصرف شده کاملاً واقعی اند.

به همین خاطر، بحران توکن های هوش مصنوعی فقط درباره قیمت API یا سود شرکت ها نیست. این بحران با سیاست انرژی، محیط زیست، تولید نیمه رساناها و زیرساخت ملی ارتباط مستقیم دارد.

آیا حباب هوش مصنوعی در راه است؟

هر موج فناوری با هیجان، سرمایه گذاری افراطی و وعده های عجیب همراه می شود. هوش مصنوعی هم استثنا نیست. بعضی شرکت ها فقط نام AI را به محصولشان اضافه می کنند، بدون اینکه ارزش واقعی تازه ای بسازند.

اگر درآمد حاصل از سرویس های هوشمند نتواند هزینه سرمایه گذاری های عظیم را توجیه کند، احتمال اصلاح شدید بازار وجود دارد. پروژه های کم کاربرد تعطیل می شوند، استارتاپ های ضعیف کنار می روند و سرمایه گذاران سخت گیرتر خواهند شد.

اما این لزوماً به معنی نابودی هوش مصنوعی نیست. اینترنت هم دوره حباب و سقوط را تجربه کرد، ولی بعد از آن به زیرساخت اصلی اقتصاد دیجیتال تبدیل شد. احتمال دارد بازار هوش مصنوعی نیز مسیر مشابهی را طی کند: هیجان کمتر، تمرکز بیشتر و کاربردهای واقعاً سودآور.

شرکت هایی که فقط روی رشد تعداد کاربران حساب کرده اند، ممکن است به مشکل بخورند. در مقابل، کسب وکارهایی که می توانند نشان دهند هر توکن چگونه باعث افزایش درآمد، کاهش هزینه یا صرفه جویی در زمان می شود، شانس بیشتری برای ماندن دارند.

آینده توکن ها؛ بیشتر، ارزان تر و هوشمندانه تر

تقاضا برای توکن احتمالاً کاهش پیدا نمی کند. دستیارهای صوتی، عامل های خودکار، تولید ویدئو، برنامه نویسی هوشمند و ابزارهای پژوهشی همگی مصرف پردازشی بالایی دارند. با ورود هوش مصنوعی به زندگی روزمره، حجم استفاده می تواند چندین برابر شود.

در عوض، روش مصرف توکن ها هوشمندانه تر خواهد شد. مدل ها فقط زمانی فعال می شوند که لازم باشد، پاسخ های تکراری دوباره تولید نمی شوند و وظایف ساده روی دستگاه های شخصی انجام خواهند شد. سیستم ها همچنین یاد می گیرند برای هر درخواست، ارزان ترین مدل مناسب را انتخاب کنند.

قیمت هر توکن احتمالاً پایین می آید، اما ارزش کل این بازار همچنان رشد می کند. درست همان طور که ارزان تر شدن اینترنت باعث کاهش مصرف داده نشد، ارزان تر شدن هوش مصنوعی نیز می تواند کاربردهای بیشتری بسازد.

صورت حساب تریلیون دلاری این صنعت بالاخره باید جایی تسویه شود. بخشی را شرکت ها، بخشی را کاربران و بخشی را تبلیغ دهندگان پرداخت خواهند کرد. برنده کسی نیست که صرفاً توکن بیشتری تولید کند؛ برنده واقعی شرکتی است که از هر توکن، ارزش بیشتری بیرون بکشد.

برای دریافت جدیدترین اخبار تکنولوژی با مجله هوش مصنوعی با ما همراه باشید