ابزارِ متنباز «اولاما» (Ollama) موفق شد در دورِ سرمایهگذاریِ سریB مبلغِ ۶۵ میلیون دلار را به رهبریِ صندوقِ سرمایهگذاریِ خطرپذیر Theory Ventures جذب کند. این سرمایهگذاری، پس از دورِ سریA به رهبریِ پیتر فنتون از شرکتِ Benchmark که ۱۵ میلیون دلار جذب کرده بود، مجموعِ سرمایههایِ جذبشدهٔ این استارتاپ را به ۸۸ میلیون دلار رساند.
«اولاما» که در سالِ ۲۰۲۳ پا به عرصهٔ ظهور گذاشت، به توسعهدهندگان اجازه میدهد مدلهایِ متنبازِ هوشِ مصنوعی را با کمترین دردسر روی رایانههایِ شخصیِ خود اجرا کنند. سادگیِ کار با این ابزار باعث شده تا در پلتفرمِ گیتهاب بیش از ۱۷۶ هزار ستاره و ۱۷ هزار انشعاب (Fork) کسب کند و به یکی از محبوبترین ابزارهایِ جامعهٔ توسعهدهندگان تبدیل شود.
از کانتینرها تا هوشِ مصنوعی
تیمِ سازندهٔ اولاما در زمینهٔ سادهسازیِ توسعهٔ نرمافزار سابقهٔ درخشانی دارد. جف مورگان (بنیانگذار و مدیرعامل) و مایکل چیانگ، پیش از این توسعهدهندگانِ اصلیِ نرمافزارِ Docker Desktop بودند. همانطور که داکر مشکلاتِ پیچیدهٔ پیکربندیِ سختافزاری و جابجاییِ برنامههایِ ابری را برای برنامهنویسان حل کرد، اولاما نیز همین نقش را اکنون برای مدلهایِ زبانی ایفا میکند.
مورگان معتقد است مدلهایِ باز در ابتدا صرفاً برای محققان طراحی شده بودند و استفاده از آنها برای برنامهنویسان دشوار بود. نخستین نسخههایِ اولاما این فرایند را در طیِ چند دقیقه اجرایی کرد.
رشدِ چشمگیر با تنها ۱۴نفر
آمارِ کاربرانِ اولاما نشاندهندهٔ رشدِ خیرهکنندهٔ این پلتفرم است. این ابزار اکنون ماهانه توسط بیشاز ۸٫۹ میلیون کاربرِ ماهانه استفاده میشود و در ۸۵ درصد از شرکتهایِ حاضر در فهرستِ Fortune 500 نفوذ پیدا کرده است. نکتهٔ جالبتوجه آن است که تمامِ این عملیات تنها با ۱۴نفر مدیریت میشود.
پیتر فنتون، شریکِ صندوقِ Benchmark، دربارهٔ این موفقیت میگوید ساختِ محصولی که به این سرعت در میانِ برنامهنویسان رایج شود، استعدادی بسیار نادر است و تجربهٔ موفقِ تیمِ اولاما در داکر، دلیلِ اصلیِ حمایتِ مالیِ آنها بوده است.
سودآوری از طریقِ سرویسِ ابری
اولاما علاوهبر ابزارِ رایگانِ دسکتاپ، یک سرویسِ ابری نیز ارائه میدهد که به کاربران اجازه میدهد به مدلهایِ بزرگتر و پیچیدهتر دسترسی پیدا کنند. قیمتِ اشتراکِ این سرویس از حالتِ رایگان تا ۱۰۰ دلار در ماه متغیر است و برخلافِ رقبا، محاسبات بر اساسِ زمانِ استفاده از پردازندهٔ گرافیکی (GPU) انجام میشود، نه محدودیتِ توکن.
رقابتِ مدلهایِ باز و بسته
جنجالها پیرامونِ جایگزینیِ مدلهایِ بسته (مانندِ محصولاتِ Anthropic) با مدلهایِ باز هر روز بیشتر میشود. شرکتهایِ بزرگ با بودجههایِ کلان و استارتاپهایِ لایهٔ کاربردیِ هوشِ مصنوعی بهمنظور کاهشِ هزینههایِ گزافِ استنتاج (inference)، تمایلِ زیادی به سمتِ مدلهایِ متنباز نشان میدهند. فنتون بر این باور است که کاربردِ این دو دستهٔ مدل صرفاً یک انتخابِ «یا این یا آن» نیست؛ بلکه هر دو نوعِ مدل در آیندهٔ تجارت جایِ خود را خواهند داشت، هرچند مدلهایِ باز بهدلیلِ کاهشِ هزینهها مزیتِ رقابتیِ ویژهای پیدا کردهاند.
با توجه به تمایلِ روزافزونِ شرکتها به سمتِ پروژههایِ متنباز برای کاهشِ هزینههایِ توسعه، چشماندازِ درآمدزاییِ اولاما بسیار روشن به نظر میرسد. این روند نشان میدهد که اکوسیستمِ هوشِ مصنوعی بهسرعت در حالِ پذیرشِ رویکردهایِ متنباز برای مقیاسپذیری در سطحِ سازمانی است.
