یک انقلاب ساکت در حال در旋 در دنیای مدلهای هوش مصنوعی است. اگرچه مدلهای پیشرو مالکیتی (Closed Frontier Models) مانند GPT و Claude با سرشار کردن سرمایه و توجه رسانهها، هیمتی ظاهری بر فضای عمومی، دولتها و ارگانهای قانونگذاری از واشنگتن تا بروکسل و پکن احراز کردهاند، اما جامعه متنباز (Open Source) همچون گذشته، از میدان جنگ منصرف نشده است.
تاریخ تکرار میشود: از ویندوز و اوراکل تا لینوکس و کوبرنتیز
بوریس رنسکی، بنیانگذار و مدیرعامل استارتاپ یکپارچهسازی عاملهای هوش مصنوعی Apelogic، با استناد به دو دهه تجربه در زیرساختهای متنباز، به The New Stack میگوید: «آزمایشگاههای پیشرو به سختی در حال القای ترس هستند درباره مدلهای منحصراً هوشمند، خطرناک و AGI نزدیک.» او اضافه میکند: «این عامل ترس برای انحراف از بنچمارکهای طراحی شده که نشان میدهند مدلهای متنباز فقط چهار ماه عقبماندهاند با جزئی از هزینه.»
رنسکی این روند را الگوهای تاریخی تکرارمیداند: ویندوز در برابر لینوکس، اوراکل در برابر MySQL، Docker Enterprise در برابر کوبرنتیز (Kubernetes). در همه این موارد، پشتههای मालکیتی یکپارچه عمودی (Vertically Integrated) در نهایت توسط جایگزینهای متنباز که در قابلیتها و پذیرش برتری یافتند، حاشیهرانی شدند.
«اکثر مواقع شرکتها به OpenAI یا Anthropic برای هوش پول نمیدهند، بلکه برای «ویژگیهای سازمانی رایج» در اطراف مدل مانند یکپارچهسازی IDP، اتصالکنندههای MCP و نظارتپذیری (Observability) پول میدهند.»
— بوریس رنسکی، مدیرعامل Apelogic
قفلسازی گرانقیمت: استراتژیِ organizaciónی نیست، دام است
جاناتان برایس، مدیراجرایی بنیاد محاسبه ابری بومی (CNCF)، با این تحلیل موافق است: «پرداخت ده برابر بیشتر برای پیشی توانایی چهار ماهه، امروز «استراتژی هوش مصنوعی سازمانی» نیست. این به وضوح رویکرد یا استراتژی محتاطانهای نیست؛ در واقع، این یک شکل بسیار گران از قفلسازیِ فروشنده (Vendor Lock-in) است.» برایس توصیه میکند توسعهدهندگان روی زیرساخت باز بسازند که امکان تعویض مدل و سختافزار را بدون بازنویسی برنامه در هر تغییر جدولیدهی (Leaderboard) فراهم آورد.
Featherless و مدل Z.ai GLM 5.2: ادعای کاهش ۹۴ درصدی هزینه
در همین راستا، شرکت پلتفرم استدلال بدون سرور (Serverless Inference) Featherless ادعا کرده که از طریق بهینهسازی بومی مدل Z.ai GLM 5.2 (مدل چینی با وزنهای باز) روی زیرساخت ابری پردازندههای AMD، میتواند هزینههای استدلال (Inference) کلاس پیشرو را به طور قابل توجهی کاهش دهد.
تحلیل ارزشی: ۱۰۰ میلیارد توکن در ماه چقدر میارزد؟
- GPT-5.5 (برآورد): ۱،۵۵۷،۶۰۰ دلار در سال
- Claude Opus 4.8 (برآورد): ۱،۵۰۶،۰۰۰ دلار در سال
- Featherless Private Cloud (نرخ ثابت): ۹۰،۰۰۰ دلار در سال
این بدان معناست که برای یک تیم توسعه در حداکثر بهرهوری (۱۰۰ میلیارد توکن ماهانه)، **بیش از ۱،۴۶ میلیون دلار در سال** ذخیرهسازی میشود. اگر ۱۰۰ میلیارد توکن زیاد به نظر میرسد، گزارشهای اخیر بر پایه مطالعه Deloitte نشان میدهد یک سازمان مراقبتهای بهداشتی در شش ماه، **۱ تریلیون توکن** مصرف کرده است.
آیا برندهای پیشرو وزن مدلهای باز را احساس میکنند؟
سؤال اصلی این است: آیا ما به نقطهای میرسیم که غولهای صنعت مجبور شوند واقعیت را بپذیرند؟ رنسکی هشدار میدهد: «در چند سال آینده، شرکتها به قراردادهایشان چندساله LLM با آزمایشگاههای پیشرو همان نگاه امروز به لایسنسهای اوراکل خواهند کرد، اما دیر خواهد بود. بافت کامل کسبوکارشان به حدی عمیق با تأمینکنندگان مالکیتی درهمتنیده خواهد بود که مهاجر غیرممکن خواهد بود.»
انتخاب هوشمندانه امروز، سرمایهگذاری بر روی پورتبilité مدل (Model Portability) و پرهیز از وابستگی به یک فروشنده واحد است. تاریخ ثابت کرده: باز هم میگوید، باز هم میرسد، و اغلب بر میچربد.
