مایکروسافت استراتژی هوش مصنوعی خود را از مدلهای بزرگ همهمنظوره به سمت مدلهای کوچک، تخصصی و کمهزینه تغییر داده است. مصطفی سلیمان، مدیر بخش هوش مصنوعی مایکروسافت، میگوید شرکت بازده توکن را بهعنوان معیار رقابتی دنبال میکند و بین عملکرد و هزینه توازن برقرار میسازد.
نتایج اولیه و ادعاهای شرکت
به گفته سلیمان، مدل امنیت سایبری جدید مایکروسافت، MAI-Cyber-1-Flash، در معیار CyberGym با اختلاف 12 واحد درصد از مدل Mythos شرکت Anthropic پیش افتاده و هزینه اجرا را تا نصف کاهش داده است. همچنین مایکروسافت میگوید مدل تصویری MAI-Image-2.5-Flash میتواند هزینههای GPU را تا 84٪ نسبت به GPT-Image-2 کاهش دهد.
نقش MDASH و معماری چندمدلی
این دستاوردها بدون یک لایه هماهنگکننده قابل تحقق نبودند. مایکروسافت از سامانهای به نام MDASH استفاده میکند که کارها را میان چند مدل توزیع میکند و وظایف دشوارتر را در صورت نیاز به مدلهای استدلالی به OpenAI ارجاع میدهد. بنابراین قضاوت صرفاً بر مبنای توانایی یک مدل منفرد، تصویر کامل را نشان نمیدهد؛ ترکیب مدلها و نرمافزار مسیردهی — که گاهی «هارنس» یا «اورکستراتور» نامیده میشود — نقش تعیینکنندهای یافته است.
نحوه عملکرد MDASH
- مسیردهی اولیه به مدلهای تخصصی و کمهزینه برای وظایف معمولی.
- ارجاع به مدلهای توانمندتر برای موارد مرزی یا نیازمند استدلال عمیق.
- قابلیت تعویض و ترکیب مدلها برای کاهش وابستگی به یک خانواده واحد.
چالشها و تردیدها
سوال اصلی این است که آیا مدلهای کوچک MAI میتوانند جای مدلهای پیشرو را بگیرند یا اینکه همیشه نیاز به ارجاع به مدلهای بزرگتر وجود خواهد داشت. مایکروسافت خود اذعان دارد که هنوز برای رسیده به سطوح برتر به ارجاع نیاز است؛ بنابراین ریسک قفلشدن به یک فروشنده جای خود را به نگرانی درباره پیچیدگی معماری، هزینههای توسعه و قابلیت اعتماد میدهد.
رقابت به سمت نرمافزارهای مسیردهی
بخش مهمی از رقابت میان شرکتها اکنون روی هارنسها و نرمافزارهای مسیردهی متمرکز شده است. شرکتهایی مانند Anthropic مدلها و سیستمهای خود را حول این رویکرد طراحی میکنند؛ نمونههایی مثل Claude Fable 5 تلاش میکنند کارها را در سطح مناسبترین مدل حل کنند. پروژههایی مانند Fugu از Sakana نیز بر همین ایده مبتنی هستند.
پیامدها برای کسبوکارها و توسعهدهندگان
این انتقال ساختاری به معنای تغییراتی مشخص برای سازمانها و تیمهای فنی است:
- کاهش هزینهها با استفاده از مدلهای تخصصی برای وظایف مشخص.
- نیاز به سرمایهگذاری در لایههای اورکستراسیون برای حفظ کیفیت و مقیاسپذیری.
- افزایش فشار برای تولید مدلهای قابلتعویض تا وابستگی به یک خانواده مدل کاهش یابد.
چشمانداز
اگر مایکروسافت بتواند ترکیب مدلهای تخصصی و سامانههای هماهنگکننده را بهصورت عملی و مقرونبهصرفه عرضه کند، محور رقابت از «کدام مدل بهتر است» به «کدام ساختار اقتصادیتر و قابلاطمینانتر است» منتقل خواهد شد. در این مسیر سازندگان هارنس، ابزارهای مدیریت مدل و استانداردهای تبادل زمینه احتمالاً بازیگران کلیدی آینده خواهند بود.
لینکهای مرتبط: درباره Anthropic و Claude در ویکیپدیا بیشتر بخوانید و برای آشنایی با مفاهیم بنچمارک و ارزیابی به صفحه Benchmark (computing) مراجعه کنید.
تمرکز بر کاهش هزینه و انعطافپذیری معماری احتمالاً نقشه راه نوآوریهای آتی در هوش مصنوعی را شکل میدهد؛ مسیری که بیش از اندازه مدل، به کارایی و سازگاری اکوسیستم توجه دارد.
