مدل‌های متن‌باز آیا تقاضای محاسباتی را از بین می‌برند؟ پیش‌بینی سه آینده AI توسط مورگان استنلی

گزارش اصلی: تحقیق مورگان استنلی «وزن‌سنجی: مدل‌های وزن باز و 3 حالت جهان»، 3 اوت 2026

ترجمه و تنظیم: دای‌دای، فرانک، موسسه تحقیقاتی MSX

مرور کلی

• مدل‌های وزن باز هزینه‌های هر بار فراخوانی و موانع استقرار را کاهش می‌دهند، اما لزوماً تقاضای کل محاسباتی را کاهش نمی‌دهند. با ورود AI به شرکت‌ها، جریان‌های کاری و دستگاه‌های بیشتر، افزایش فراخوانی ممکن است از بهبود کارایی پیشی بگیرد و پارادوکس «جوانس» را به وجود آورد؛
• شرکت‌ها به عصر چندمدلی وارد شده‌اند، مدل‌های وزن باز عمدتاً وظایف برنامه‌نویسی، پردازش اسناد، فراخوانی‌های مکرر و وظایف خاص را انجام می‌دهند، در حالی که بارهای کاری پیچیده و عامل‌ها هنوز بیشتر به مدل‌های بسته پیشرفته وابسته هستند؛
• وزن باز به معنای رایگان بودن نیست، شرکت‌ها ممکن است هزینه‌های مجوز مدل یا بخشی از هزینه‌های API را صرفه‌جویی کنند، اما هنوز باید هزینه‌های GPU، خدمات ابری، مراکز داده محلی، تنظیمات، نیروی انسانی، امنیت و هزینه‌های عملیاتی را بپردازند؛
• چه مدل‌های بسته، ترکیبی یا وزن باز در نهایت غالب شوند، NVIDIA، برق محلی و نرم‌افزار امنیتی از جمله جهات مشخصی هستند که از این تغییرات بهره‌مند خواهند شد؛
• هر چه مدل‌های وزن باز بیشتر رواج یابند، زنجیره ارزش AI احتمالاً از لایه‌های مدل‌های پایه به سمت استنتاج، مسیریابی، ارکستراسیون، قابلیت مشاهده، زیرساخت‌های محلی، دستگاه‌های لبه و برنامه‌های عمودی گسترش می‌یابد؛

هر از چند گاهی، بازار AI به نظر می‌رسد که یک «هراس از کارایی» را تجربه می‌کند.

زمانی که پارامترهای مدل کوچک‌تر می‌شوند، هزینه‌های استنتاج کاهش می‌یابد، یا یک شرکت مدل با استفاده از چیپ‌های کمتر به عملکرد نزدیک به پیشرفته دست می‌یابد، بازار به سرعت حس می‌کند که با توجه به اینکه منابع محاسباتی مورد نیاز برای انجام همان وظیفه کمتر می‌شود، آیا تقاضای GPU، مراکز داده و برق نیز به اوج خود خواهد رسید؟

ظهور نسل جدید مدل‌های وزن باز مانند Kimi K3 و DeepSeek V4 Flash این سوال را دوباره به بازار مطرح کرده است. این مدل‌ها نه تنها سعی در کاهش فاصله توانایی با مدل‌های بسته پیشرفته دارند، بلکه به شرکت‌ها اجازه می‌دهند مدل‌ها را دانلود، تغییر و به طور مستقل مستقر کنند و توانایی‌هایی که قبلاً به شدت متمرکز بر روی تعداد کمی از آزمایشگاه‌های مدل آمریکایی بود، به طیف وسیع‌تری از توسعه‌دهندگان و فناوری‌های شرکتی گسترش یابد.

اما پاسخ مورگان استنلی در گزارش اخیرش دقیقاً با این حس متضاد است:

افزایش کارایی مدل لزوماً تقاضای محاسباتی را از بین نمی‌برد، بلکه بیشتر احتمال دارد که AI را به اندازه کافی ارزان کند تا به صحنه‌هایی وارد شود که قبلاً استفاده از AI توجیه‌پذیر نبود و در نهایت کل فراخوانی‌ها را افزایش دهد.

بر این اساس، آنچه واقعاً نیاز به بحث مجدد دارد این است که محاسبات کجا انجام می‌شود، چه کسی آن را تأمین می‌کند و کدام شرکت‌ها می‌توانند از این گسترش درآمد کسب کنند.

1. مدل‌های ارزان‌تر، چرا ممکن است بیشتر محاسبات را مصرف کنند؟

یکی از سوءتفاهم‌های رایج در مورد مدل‌های وزن باز این است که «کاهش هزینه مدل» را مستقیماً معادل «کاهش تقاضای زیرساخت» می‌دانند.

اما برای اکثر شرکت‌ها، اینکه آیا AI را به کار می‌گیرند، تنها به این بستگی ندارد که یک مدل برای انجام یک وظیفه چقدر محاسبات نیاز دارد، بلکه به این بستگی دارد که آیا درآمدی که ایجاد می‌کند می‌تواند هزینه‌های مدل، مهندسی و زیرساخت را پوشش دهد.

محاسبات مورگان استنلی نشان می‌دهد که یک وظیفه AI در یک شرکت به طور متوسط می‌تواند حدود 55 دلار درآمد ایجاد کند، در حالی که هزینه مستقیم حدود 2 تا 5 دلار است. حتی با در نظر گرفتن هزینه‌های داده، مهندسی، امنیت و مدیریت، این نسبت درآمد به هزینه هنوز به این معناست که بسیاری از جریان‌های کاری شرکت‌ها هنوز به AI تبدیل نشده‌اند.

در این شرایط، نتیجه کاهش قیمت مدل ممکن است نه کاهش هزینه‌های AI شرکت‌ها، بلکه انجام بیشتر وظایف باشد که از آستانه اقتصادی عبور می‌کنند.

در گذشته، شرکت‌ها ممکن بود تنها مهم‌ترین و با ارزش‌ترین وظایف را به AI بسپارند؛ اما با ادامه کاهش قیمت استنتاج، دسته‌بندی سوابق خدمات مشتری، بررسی قراردادها، تست کد، توصیف محصولات، جستجوی شرکتی، مواد بازاریابی، پاک‌سازی داده‌ها و حتی تأیید داخلی ممکن است به جریان‌های کاری مدل وارد شوند.

هر وظیفه ممکن است به منابع محاسباتی کمتری نیاز داشته باشد، اما تعداد وظایف، فراوانی اجرا و مقیاس کاربران ممکن است به طور همزمان افزایش یابد.

این دقیقاً همان چیزی است که گزارش به طور مکرر به آن اشاره می‌کند: پارادوکس جوانس، زمانی که کارایی استفاده از یک منبع افزایش می‌یابد و هزینه واحد کاهش می‌یابد، به دلیل گسترش سریع دامنه کاربرد، ممکن است مصرف کل آن افزایش یابد.

به عنوان مثال، خودروهای با مصرف سوخت کمتر، تقاضای جهانی نفت را به طور خودکار از بین نمی‌برند؛ پهنای باند اینترنت که روز به روز ارزان‌تر می‌شود، نیز باعث کاهش ترافیک داده نمی‌شود. به طور مشابه، مدل‌های کارآمدتر لزوماً استفاده از GPU را کاهش نمی‌دهند، بلکه ممکن است AI را از وظایف با ارزش بالا به یک توانایی پایه درون شرکتی تبدیل کنند.

در حال حاضر، این گسترش در حال وقوع است.

تحقیقات مورداشاره در گزارش نشان می‌دهد که 63 درصد از شرکت‌های مورد بررسی در فناوری خود از مدل‌های باز استفاده می‌کنند، اما اکثر شرکت‌ها به طور کامل از مدل‌های بسته صرف‌نظر نکرده‌اند، بلکه از ترکیب هر دو استفاده می‌کنند. مدل‌های وزن باز عمدتاً برای برنامه‌نویسی، تجزیه و تحلیل اسناد، فراخوانی‌های مکرر و وظایف خاص استفاده می‌شوند، در حالی که مدل‌های بسته پیشرفته همچنان وظایف پیچیده، نیازهای بالای قابلیت اطمینان و کارهایی که استانداردسازی آنها دشوار است را بر عهده دارند.

از فوریه تا ژوئیه 2026، نسبت توکن‌های مدل‌های باز چین به مدل‌های باز آمریکا از طریق OpenRouter به بیش از 30 درصد رسید. این داده ممکن است بیشتر به توسعه‌دهندگان و شرکت‌های نوپا مربوط باشد و نتواند به طور مستقیم نمایانگر هزینه‌های شرکت‌های بزرگ باشد، اما حداقل نشان می‌دهد که مدل‌های وزن باز از یک مفهوم آزمایشگاهی به محیط‌های واقعی فراخوانی و استقرار وارد شده‌اند.

البته، مدل‌های وزن باز به معنای «مدل‌های رایگان» نیستند.

شرکت‌ها در زمان خودمیزبانی می‌توانند دیگر به تأمین‌کنندگان مدل هزینه‌های API بر اساس توکن پرداخت نکنند، اما هنوز باید GPU خریداری یا اجاره کنند و هزینه‌های مراکز داده، خدمات ابری، تنظیمات، تیم‌های مهندسی، امنیت و هزینه‌های روزمره را بپردازند. این به این معناست که استفاده از مدل‌های وزن باز از طریق API‌های میزبانی شده توسط تأمین‌کنندگان مدل یا پلتفرم‌های ابری، ممکن است همچنان بر اساس توکن یا مقدار محاسباتی هزینه داشته باشد.

بنابراین، آنچه که وزن باز تغییر می‌دهد، این نیست که آیا هزینه‌های محاسباتی وجود دارد، بلکه این است که شرکت‌ها چگونه هزینه‌های محاسباتی را پرداخت می‌کنند و ارزش از کجا به دست می‌آید: از تأمین‌کنندگان مدل، پلتفرم‌های ابری یا زیرساخت‌های داخلی شرکت.

تحقیقات مورگان استنلی به یک مطالعه MIT اشاره می‌کند که تخمین می‌زند انتقال از مدل‌های بسته به مدل‌های باز ممکن است به طور متوسط قیمت را حدود 70 درصد کاهش دهد و سالانه حدود 25 میلیارد دلار برای مصرف‌کنندگان صرفه‌جویی کند. اما گزارش همچنین به‌ویژه اشاره می‌کند که زمان تکمیل این مطالعه نسبتاً زود بوده و توانایی‌های مدل‌های مختلف به طور کامل قابل مقایسه نیستند و همچنین ممکن است هزینه‌های پنهان مانند مهندسی، تنظیمات و عملیات را به طور کامل در نظر نگرفته باشند.

یک مطالعه دیگر از Carnegie Mellon نشان می‌دهد که دوره بازگشت سرمایه برای استقرار مدل‌های باز ممکن است از حدود 3 ماه به 6 سال افزایش یابد. مدل‌هایی که پارامترهای کوچکتری دارند، وظایف ثابتی انجام می‌دهند و فراوانی فراخوانی بالایی دارند، می‌توانند هزینه‌های سخت‌افزاری را سریع‌تر کاهش دهند؛ در حالی که مدل‌های بزرگ و برنامه‌های پیچیده شرکتی ممکن است به دلیل عدم استفاده کافی، به‌روزرسانی‌های مکرر و هزینه‌های بالای تنظیمات، برای مدت طولانی نتوانند ثابت کنند که خودمیزبانی ارزان‌تر از API است.

بنابراین، اقتصادی بودن مدل‌های وزن باز پاسخ واحدی ندارد.

این به مقیاس مدل، فراوانی استفاده، نرخ استفاده از زیرساخت، توانایی‌های مهندسی شرکت و اینکه آیا داده‌ها باید در محلی باقی بمانند بستگی دارد. هر چه مدل‌ها بازتر باشند، انتخاب‌های بیشتری برای شرکت‌ها وجود دارد، اما مسئولیت‌های فنی بیشتری نیز بر عهده خواهند داشت.

2. مرحله بعدی، محاسبات کجا انجام می‌شود؟

اگر آینده AI تنها تحت سلطه تعداد کمی از مدل‌های بسته باشد، آموزش و استنتاج همچنان در پلتفرم‌های ابری بزرگ و مراکز داده فوق‌العاده متمرکز خواهد بود.

اما اگر مدل‌های وزن باز به طور گسترده‌تری مورد استفاده قرار گیرند، محاسبات AI ناپدید نخواهد شد، بلکه از چندین گره مرکزی به سمت ابرهای خصوصی، مراکز داده شرکتی، مراکز داده حاکمیتی، سرورهای لبه و دستگاه‌های شخصی گسترش خواهد یافت.

این به این معناست که متغیرهایی که بازار باید به آنها توجه کند، از «چند GPU نیاز داریم» به «GPU کجا مستقر است، چه کسی آن را مدیریت می‌کند و چگونه فراخوانی می‌شود» تغییر خواهد کرد.

در عصر مدل‌های بسته، شرکت‌ها می‌توانند بیشتر پیچیدگی‌ها را به شرکت‌های مدل واگذار کنند: یک API را متصل کنند، بر اساس توکن پرداخت کنند و تأمین‌کننده مسئول به‌روزرسانی مدل، زیرساخت، هم‌راستایی امنیتی و بخشی از مسئولیت‌های قانونی باشد.

با ورود به عصر چندمدلی، این ساختار ساده شروع به شکستن می‌کند.

شرکت‌ها ممکن است پیچیده‌ترین وظایف را به مدل‌های بسته پیشرفته بسپارند و وظایف با فراوانی بالا و حساس به هزینه را به مدل‌های وزن باز واگذار کنند؛ داده‌های حساس در محلی باقی می‌مانند و بارهای کاری عمومی در ابر عمومی اجرا می‌شوند؛ برخی درخواست‌ها در مراکز داده پردازش می‌شوند و برخی درخواست‌ها به طور مستقیم در کامپیوتر، تلفن همراه یا سایر دستگاه‌های لبه انجام می‌شوند.

هر چه تعداد مدل‌ها بیشتر و مکان‌های استقرار پراکنده‌تر باشد، فناوری AI شرکت‌ها نیز پیچیده‌تر خواهد شد:

• اولاً، لایه دروازه: شرکت‌ها به یک ورودی یکپارچه نیاز دارند تا هویت‌های مختلف مدل‌ها، مجوزهای فراخوانی، محدودیت‌های نرخ، ثبت سوابق و تغییرات تأمین‌کننده را مدیریت کنند؛
• ثانیاً، لایه مسیریابی: سیستم نیاز دارد که بر اساس دقت، تأخیر، هزینه، حساسیت داده و دشواری وظیفه، هر درخواست را به مناسب‌ترین مدل تخصیص دهد؛
• سپس لایه ارکستراسیون: جریان‌های کاری پیچیده عامل‌ها معمولاً به همکاری چندین مدل، پایگاه داده و ابزارهای خارجی نیاز دارند و یک درخواست کاربر ممکن است به ده‌ها مرحله و فراخوانی تقسیم شود؛
• در نهایت، لایه قابلیت مشاهده و ارزیابی: شرکت‌ها باید به طور مداوم کیفیت خروجی مدل، تأخیر پاسخ، استفاده از توکن، هزینه‌های اجرایی، دلایل شکست و خطرات امنیتی را پیگیری کنند.

این نیز دلیلی است که چرا گسترش مدل‌های وزن باز تنها به نفع تأمین‌کنندگان مدل نیست.

زمانی که مدل‌های پایه خود به راحتی در دسترس‌تر می‌شوند، شرکت‌ها بیشتر تمایل دارند برای «چگونه مدل را به طور پایدار به تولید برسانند» هزینه کنند. دروازه‌های مدل، مسیریابی وظایف، ارکستراسیون عامل‌ها، حاکمیت داده، قابلیت مشاهده و نرم‌افزار امنیتی ممکن است به بخش‌هایی از زنجیره ارزش تبدیل شوند که فشرده‌سازی آنها دشوارتر است.

اهمیت امنیت به ویژه بارز است. زمانی که مدل‌های بسته به طور متمرکز اجرا می‌شوند، بخشی از مسئولیت‌های امنیتی بر عهده آزمایشگاه‌های مدل و پلتفرم‌های ابری است؛ اما زمانی که مدل‌های باز به محلی، ابرهای خصوصی و دستگاه‌های لبه وارد می‌شوند، هویت، داده‌ها، نقاط پایانی، وزن‌های مدل و محیط‌های اجرایی نیاز به حفاظت مستقل دارند.

شرکت‌ها نه تنها باید از ارسال داده‌های حساس به مدل‌های اشتباه جلوگیری کنند، بلکه باید مدیریت کنند که کدام مدل‌ها به کدام پایگاه‌های داده دسترسی دارند، چه ابزارهایی را می‌توانند فراخوانی کنند و آیا ممکن است تحت تأثیر حملات تزریق کلمات کلیدی، تقطیر مدل، تغییر وزن یا سوءاستفاده از مجوز قرار بگیرند.

هر چه استقرار مدل‌ها پراکنده‌تر باشد، سطح حمله بزرگ‌تر خواهد بود؛ هر چه تعداد مدل‌ها بیشتر باشد، هزینه‌های حاکمیت بالاتر خواهد بود.

بنابراین، آنچه که مدل‌های وزن باز واقعاً به ارمغان می‌آورند، ناپدید شدن ارزش زیرساخت‌های AI نیست، بلکه انتقال ارزش از یک مدل پایه و لایه API به تدریج به سمت کل پشته سیستم است.

هزینه‌های AI در آینده ممکن است دیگر تنها به شکل ساخت خوشه‌های آموزشی فوق‌العاده توسط چند غول فناوری نمایان نشود، بلکه به شکل خرید سرورها، ارتقاء شبکه و ذخیره‌سازی، استقرار سیستم‌های امنیتی، ساخت پلتفرم‌های AI خصوصی و پیکربندی قدرت محاسباتی قوی‌تر در گوشی‌ها و رایانه‌ها نیز نمایان شود.

تقاضای محاسباتی از تمرکز به توزیع منتقل می‌شود، اما به معنای کاهش کل تقاضا نیست، بلکه به این معناست که ذینفعان دیگر تنها به آزمایشگاه‌های مدل و تأمین‌کنندگان ابری بزرگ محدود نمی‌شوند.

3. سه دنیای AI: چه کسی برنده شود، همه نمی‌توانند از محاسبات، برق و امنیت فرار کنند

شرکت مورگان استنلی به جای تخصیص احتمال مشخصی به سه سناریو آینده، به بررسی نحوه توزیع ارزش در زنجیره صنعت هوش مصنوعی در صورت پیروزی مدل‌های بسته، همزیستی معماری‌های ترکیبی و پیروزی مدل‌های با وزن باز پرداخته است.

سناریو اول: مدل‌های بسته همچنان تسلط بر قابلیت‌های پیشرفته

در این سناریو، عملکرد، قابلیت اطمینان و امنیت مدل‌های پیشرفته همچنان دشوار به کپی‌برداری است و تعداد کمی از آزمایشگاه‌های مدل با سرمایه‌گذاری قوی، پیشتاز باقی می‌مانند.

شرکت‌ها بیشتر به دقت، سهولت پیاده‌سازی، جبران خسارت مالکیت معنوی و اعتبار برند توجه دارند و نه به کنترل کامل وزن مدل، بنابراین مایلند همچنان برای API‌های بسته و اشتراک‌های شرکتی هزینه پرداخت کنند.

بارهای کاری آموزش و استنتاج بیشتر بر روی پلتفرم‌های هایپر اسکیلر مانند AWS و Google Cloud متمرکز خواهد شد و خوشه‌های آموزشی فوق‌العاده به تقاضا برای GPU، شبکه‌های پرسرعت، ارتباطات نوری و ASIC‌های سفارشی ادامه خواهند داد.

پلتفرم‌هایی مانند Google و Amazon که دارای زیرساخت‌های ابری و قابلیت‌های مدل هستند، در موقعیت بهتری قرار دارند و تولیدکنندگان چیپ و شبکه مانند Broadcom، Arista Networks، Lumentum و Coherent نیز ممکن است بهره‌مند شوند.

گزارش تخمین می‌زند که اگر Google بتواند با استفاده از مدل پیشرفته خود، API جیمنای خود را بر روی زیرساخت‌های خود اجرا کند، بازده سرمایه‌گذاری آن می‌تواند به حدود 45 درصد برسد؛ حتی اگر مدل در موقعیت پیشتاز مطلق نباشد و فقط به عنوان یک ارائه‌دهنده زیرساخت عمل کند، بازده مربوطه نیز ممکن است به 30 درصد نزدیک شود.

این نشان می‌دهد که مهم‌ترین دارایی در دنیای بسته تنها مدل نیست، بلکه مالکیت قدرت محاسباتی است که مدل به آن وابسته است. هر کس که دارای چیپ، مرکز داده و ورودی مشتری باشد، توانایی بیشتری برای حفظ سود ناشی از فراخوانی مدل خواهد داشت.

سناریو دوم: همزیستی طولانی‌مدت بین باز و بسته

این سناریو نزدیک‌ترین حالت به وضعیت واقعی استفاده شرکت‌ها است.

مدل‌های پیشرفته بسته مسئول استنتاج‌های پیچیده، ایجنت‌های طولانی و وظایف با قابلیت اطمینان بالا هستند، در حالی که مدل‌های با وزن باز و مدل‌های کوچک وظایف با فرکانس بالا، حساس به هزینه، تأخیر کم یا تخصصی را انجام می‌دهند.

شرکت‌ها تنها یک مدل را انتخاب نمی‌کنند، بلکه بر اساس وظیفه به طور مداوم بین مدل‌ها جابجا و مسیریابی می‌کنند، این همچنین به این معنی است که پیاده‌سازی هوش مصنوعی به طور همزمان در ابر عمومی، ابر خصوصی، زیرساخت‌های محلی و دستگاه‌های لبه وجود دارد.

در این سناریو، یک تولیدکننده مدل به سختی می‌تواند قدرت قیمت‌گذاری انحصاری کامل را به دست آورد، اما کل بازار نرم‌افزار و زیرساخت هوش مصنوعی به تقاضای گسترده‌تری دست خواهد یافت.

• مایکروسافت، آمازون و گوگل همچنان از بارهای کاری ابری بهره‌مند خواهند شد؛
• شرکت‌های نرم‌افزاری زیرساخت و جریان کاری مانند Datadog، Palantir و Appian ممکن است از نیاز به ترتیب مدل، اتصال داده و قابلیت مشاهده بهره‌مند شوند؛
• شرکت‌های امنیتی مانند Palo Alto Networks، CrowdStrike، Fortinet، Zscaler، Netskope و Okta نیز از گسترش سطح حمله و مرز هویتی شرکت‌ها بهره‌مند خواهند شد؛

در عین حال، تولیدکنندگان تجهیزات شبکه مانند Cisco و F5 و همچنین شرکت‌های زیرساختی شرکتی مانند Dell، HPE و NetApp نیز ممکن است از پیاده‌سازی‌های محلی و ترکیبی تقاضای جدیدی کسب کنند.

معنی بزرگ‌ترین سرمایه‌گذاری در معماری ترکیبی این است که هزینه‌های هوش مصنوعی تنها بر روی خوشه‌های آموزشی متمرکز نخواهد شد، بلکه به تدریج در طول زنجیره فناوری شرکت گسترش خواهد یافت و هر چه رقابت در سطح مدل‌ها شدیدتر باشد، شرکت‌ها به نرم‌افزار و زیرساخت‌های بی‌طرف بیشتری نیاز خواهند داشت تا به آنها در جابجایی بین مدل‌ها و محیط‌های پیاده‌سازی کمک کند.

سناریو سوم: مدل‌های با وزن باز به جریان اصلی تبدیل می‌شوند

در این سناریو، مدل‌های با وزن باز به تدریج به مدل‌های پیشرفته بسته نزدیک می‌شوند و هوش مدل‌های پایه به طور گسترده در دسترس قرار می‌گیرد و قیمت API به شدت کاهش می‌یابد.

شرکت‌ها دیگر مایل نیستند برای قابلیت‌های مدل عمومی هزینه‌های اضافی پرداخت کنند، بلکه از داده‌های خصوصی خود برای تنظیم دقیق استفاده کرده و عمده بودجه خود را به بهینه‌سازی استنتاج، ایجنت‌ها، ابزارهای صنعتی و پیاده‌سازی برنامه‌ها اختصاص می‌دهند.

تمرکز نوآوری از پیش‌آموزش به پس‌آموزش و لایه‌های کاربردی تغییر می‌کند و زیرساخت‌های هوش مصنوعی نیز بیشتر پراکنده می‌شوند. دولت‌ها و شرکت‌های بزرگ ممکن است به دلیل حاکمیت داده، حریم خصوصی، تأخیر و جلوگیری از قفل شدن تأمین‌کننده، مدل‌های بیشتری را در ابرهای حاکمیتی، مراکز داده خصوصی و محیط‌های محلی مستقر کنند.

• مایکروسافت ممکن است با استفاده از Azure، GitHub، نرم‌افزارهای شرکتی و اکوسیستم مدل‌های باز موقعیت قوی‌تری به دست آورد؛
• MiniMax، Zhihua/Z.ai و همچنین ارائه‌دهندگان مدل‌های باز مانند Alibaba و Tencent ارزش استراتژیک بیشتری پیدا می‌کنند؛
• تولیدکنندگان زیرساخت‌های محلی مانند Dell، HPE و NetApp، شرکت‌های دستگاه‌های انتهایی مانند HP و Apple و همچنین کانال‌های توزیع سیستم و IT نیز تقاضای بیشتری خواهند داشت؛

اما دنیای باز به این معنی نیست که پلتفرم‌های ابری ارزش خود را از دست می‌دهند.

اکثر شرکت‌ها هنوز به طور کامل زیرساخت‌های خود را نمی‌سازند و مدل‌های باز همچنان ممکن است بر روی Azure، AWS یا Google Cloud اجرا شوند و نقش هایپر اسکیلر از ورودی مدل منحصر به فرد به ارائه‌دهنده میزبانی مدل‌های باز، منابع محاسباتی، خدمات داده و پلتفرم‌های هوش مصنوعی شرکتی تغییر می‌کند.

بنابراین، چالش‌هایی که شرکت‌های ابری با آن مواجه هستند، تنها برنده یا بازنده بودن نیست، بلکه تغییر در ساختار سود است. به عنوان مثال، اجاره مدل‌های پایه ممکن است کاهش یابد، اما درآمد از محاسبات، ذخیره‌سازی، پایگاه‌های داده، امنیت و خدمات شرکتی ممکن است همچنان افزایش یابد.

برندگان مشترک در سه سناریو

در ماتریس دارایی‌های ارائه شده توسط مورگان استنلی، آنچه بیشتر قابل توجه است، نه شرکت‌های منحصر به فرد در هر سناریو، بلکه نام‌هایی است که در هر سه ستون به طور مکرر ظاهر می‌شوند.

اول از همه NVIDIA است.

پیروزی مدل‌های بسته به معنای تمرکز بیشتر قدرت محاسباتی در خوشه‌های آموزشی و استنتاج فوق‌العاده است؛ پیروزی مدل‌های با وزن باز به معنای گسترش گره‌های استنتاج به محیط‌های شرکتی، محلی و لبه است.

اشکال چیپ، ساختار مشتری و اندازه هر خوشه ممکن است متفاوت باشد، اما هر دو نیاز به افزایش مداوم قدرت محاسباتی دارند. در نهایت، آنچه مدل‌های باز کاهش می‌دهند، آستانه استفاده از مدل است، نه حذف فرآیند محاسباتی.

دومین برنده، انرژی است.

دنیای بسته به انرژی پایدار GW نیاز دارد تا مراکز داده فوق‌العاده را پشتیبانی کند، در حالی که دنیای باز نیاز به تأمین انرژی برای مراکز داده شرکتی، ابرهای حاکمیتی و تأسیسات استنتاج محلی را افزایش می‌دهد. افزایش کارایی مدل ممکن است مصرف انرژی هر وظیفه را کاهش دهد، اما همچنین ممکن است باعث شود وظایف و دستگاه‌های بیشتری به طور مداوم هوش مصنوعی را اجرا کنند.

شرکت‌های زیرساخت انرژی مانند Bloom Energy، Williams و Liberty Energy به همین دلیل به طور مکرر در فهرست بهره‌مندان قرار می‌گیرند.

سومین برنده، نرم‌افزار امنیتی است.

چه شرکت‌ها از مدل‌های بسته استفاده کنند و چه از مدل‌های باز، نیاز به حفاظت از هویت، داده‌ها و برنامه‌ها دارند؛ و هنگامی که پیاده‌سازی از چند پلتفرم ابری به محیط‌های محلی و لبه گسترش می‌یابد، نیاز به امنیت تنها پیچیده‌تر خواهد شد.

از این منظر، نرم‌افزار امنیتی ممکن است یکی از جهات دومین سودی باشد که در گسترش مدل‌های با وزن باز توسط بازار دست کم گرفته می‌شود.

در پایان

به طور کلی، آنچه مدل‌های با وزن باز واقعاً ممکن است از بین ببرند، شاید هرگز نیاز به قدرت محاسباتی نبوده است، بلکه تصوری است که لایه مدل‌های پایه می‌تواند اجاره‌های بالایی را برای مدت طولانی حفظ کند.

با گسترش قابلیت‌های مدل، شرکت‌ها دیگر تنها برای "دریافت هوش" هزینه نمی‌کنند، بلکه بیشتر بودجه خود را به چگونگی پیاده‌سازی هوش، اتصال داده‌ها، مدیریت جریان‌های کاری، حفاظت از سیستم و ایجاد بازده مستمر از مدل‌ها در کسب‌وکار واقعی اختصاص می‌دهند.

قدرت محاسباتی نیز به سادگی از رشد به افول نخواهد رفت------ بلکه ممکن است از خوشه‌های آموزشی فوق‌العاده به گره‌های استنتاج بیشتر، اتاق‌های سرور شرکتی، ابرهای حاکمیتی و دستگاه‌های لبه گسترش یابد؛ از یک مسابقه آموزشی مدل یک‌باره، به تدریج به سرمایه‌گذاری زیرساختی بلندمدت که هر جریان کاری شرکتی را پوشش می‌دهد، تبدیل شود.

بنابراین، بزرگ‌ترین تغییر ناشی از مدل‌های با وزن باز، پایان دوره CapEx هوش مصنوعی نیست، بلکه این دوره در حال ورود به مرحله جدیدی است که در آن شرکت‌کنندگان بیشتری وجود دارد، پیاده‌سازی‌ها پراکنده‌تر هستند و زنجیره ارزش نیز طولانی‌تر است.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.