مصطفی سلیمان، مدیرعامل بخش هوش مصنوعی مایکروسافت، انتظار دارد که اجراهای آموزش هوش مصنوعی به‌صورت فردی در آینده‌ای نزدیک ۱۰۰ میلیارد دلار هزینه داشته باشند؛ رقمی که توسعه مدل‌های پیشرو را از دسترس همه به‌جز تعداد انگشت‌شماری از شرکت‌ها خارج می‌کند. سلیمان جدول زمانی‌ای برای زمان استاندارد شدن این اجراها ارائه نداد، اما پیش‌بینی او به شکاف رو به گسترش میان تعداد معدودی از شرکت‌هایی اشاره دارد که توانایی مالی ساخت در این مقیاس را دارند و بقیه.
پیامد این موضوع، تثبیت و ادغام است. اگر آموزش یک مدل واحد به اندازه یک برنامه زیرساختی بزرگ هزینه داشته باشد، تعداد سازمان‌هایی که قادر به انجام آن هستند به‌سرعت کاهش می‌یابد — و با آن، تعداد شرکت‌هایی که تعیین می‌کنند این سیستم‌ها چگونه به نظر برسند، چگونه رفتار کنند و چه کسی به آن‌ها دسترسی داشته باشد.
برچسب قیمت روی یک مدل پیشرو
هزینه‌های آموزش با بزرگ‌تر شدن مدل‌ها و افزایش نیاز به داده، به‌طور پیوسته بالا رفته است. رقم ۱۰۰ میلیارد دلاری سلیمان که به‌صورت عمومی بیان شده، واضح‌ترین نشانه تاکنون است که این هزینه‌ها به‌زودی تثبیت نخواهند شد. اجرایی با این قیمت فقط صورت‌حساب بزرگ‌تر برای توان محاسباتی نیست — بلکه نوع متفاوتی از کسب‌وکار است. این امر نیازمند تعهدات سرمایه‌ای بلندمدت، ظرفیت اختصاصی برق و مرکز داده، و تحمل هزینه در مقیاسی است که بیشتر شرکت‌های فناوری هرگز مجبور به اندیشیدن به آن نبوده‌اند.
این محاسبات طبیعتاً میدان رقابت را محدود می‌کند. شرکت‌هایی که زیرساخت ابری موجود، روابط تأمین تراشه و ترازنامه‌ای برای جذب سال‌ها هزینه ندارند، حفظ جایگاه در سطح برتر برایشان دشوار خواهد بود. برخی شراکت خواهند کرد. برخی تخصصی خواهند شد. دیگران به‌کلی از توسعه پیشرو خارج شده و بر روی مدل‌های آموزش‌دیده توسط دیگران ساخته خواهند کرد.
بازیگران کمتر، نفوذ بیشتر
تثبیت در آموزش هوش مصنوعی، نفوذ زیادی را متمرکز می‌کند. شرکت‌هایی که می‌توانند اجراهای ۱۰۰ میلیارد دلاری را تحمل کنند، عملاً جهت‌گیری فنی صنعت را تعیین خواهند کرد — معماری مدل‌ها، شیوه‌های ایمنی، قیمت‌گذاری API و سرعت رسیدن قابلیت‌های جدید به عموم. این چشم‌انداز رقابتی متفاوتی از آن چیزی است که سال‌های گذشته را تعریف کرده بود، زمانی که طیف گسترده‌تری از آزمایشگاه‌ها، استارتاپ‌ها و گروه‌های تحقیقاتی هنوز می‌توانستند به‌طور معتبر ادعا کنند که در حال پیشبرد مرزهای فناوری هستند.
میدان کوچک‌تر لزوماً برای کاربران بدتر نیست. اما به این معناست که صداهای مستقل کمتری درباره نحوه آموزش و استقرار توانمندترین سیستم‌ها تصمیم می‌گیرند. تنظیم‌کنندگان و پژوهشگرانی که توسعه هوش مصنوعی را دنبال می‌کنند، مدتی است این تمرکز را زیر نظر دارند؛ پیش‌بینی سلیمان به آن‌ها یک عدد مشخص می‌دهد تا حول آن سازماندهی کنند.
استنتاج ارزان‌تر نیمه دیگر داستان است
آموزش و استنتاج در جهت‌های مخالف عمل می‌کنند. سلیمان همچنین به استنتاج ارزان‌تر به‌عنوان نیرویی اشاره کرد که می‌تواند استفاده از هوش مصنوعی را دموکراتیک کند — حتی اگر خود مدل‌ها توسط گروه کوچک‌شونده‌ای از شرکت‌ها ساخته شوند. استنتاج چیزی است که وقتی یک مدل به پرسشی پاسخ می‌دهد، تصویری تولید می‌کند یا یک عامل را اجرا می‌کند، رخ می‌دهد. با ارزان‌تر شدن آن، محصولات، کسب‌وکارها و توسعه‌دهندگان بیشتری می‌توانند هوش مصنوعی را به کار بگیرند بدون نیاز به آموزش چیزی.
نتیجه می‌تواند یک صنعت دو لایه باشد: تعداد کمی عملیات آموزش بسیار گران‌قیمت در بالا، و اکوسیستم بسیار گسترده‌تری از برنامه‌های کاربردی که بر روی آن‌ها ساخته شده‌اند. مانع ورود برای کاربران کاهش می‌یابد، حتی در حالی که برای آزمایشگاه‌های پیشرو افزایش می‌یابد.
آنچه باید تماشا کرد
سؤال اکنون این است که اجرای ۱۰۰ میلیارد دلاری با چه سرعتی فرا می‌رسد و چه کسی هنوز سرپا خواهد بود. مایکروسافت پیش‌تر تعهد سنگینی به زیرساخت هوش مصنوعی داده است و اظهارات سلیمان نشان می‌دهد که شرکت انتظار دارد منحنی هزینه‌ها همچنان به سمت بالا خم شود. رقبایی با منابع قابل مقایسه، شرط‌بندی‌های مشابهی می‌کنند. برای دیگران، تصمیم عملی این است که آیا در مرزهای فناوری رقابت کنند، با کسانی که توانایی دارند شریک شوند، یا بر روی مدل‌های حاصل بسازند.
هیچ برنامه زمان‌بندی منتشرشده‌ای برای اجرایی با آن قیمت وجود ندارد. پیش‌بینی سلیمان یک پیش‌بینی است، نه یک تعهد — اما از آن دست پیش‌بینی‌هایی است که بودجه‌ها، استخدام‌ها و استراتژی را در سراسر صنعت، مدت‌ها پیش از واقعی شدن آن عدد، شکل می‌دهد.
