Vercel؛ از زیرساخت ابری تا نقش کلیدی در موج جدید نرمافزارهای مبتنی بر هوش مصنوعی
Vercel، شرکتی که به خاطر زیرساخت ابریاش شناخته میشود و به توسعهدهندگان امکان استقرار عاملها (agents) را بدون مدیریت سرورها میدهد، آرامآرام به یکی از بازیگران مرکزی در اکوسیستم نرمافزارهای هوش مصنوعی تبدیل شده است. این شرکت روزانه حدود 6 میلیون استقرار را ثبت میکند که نیمی از آنها توسط عوامل کدنویسی فعال میشوند و بیش از 1 تریلیون توکن روزانه از طریق گیتوی هوش مصنوعی این شرکت عبور میکند. پس از کنفرانس ShipNYC، گفتوگویی با گیلرمو راوچ، مدیرعامل Vercel، انجام شد تا دیدگاه او نسبت به وضعیت فعلی هوش مصنوعی و نحوه رقابت پلتفرمها با آزمایشگاههای بزرگ بررسی شود.
تغییر اولویتها در اکوسیستم: از نمونهسازی به تولید قابل اتکا
سال گذشته دورهای بود برای آزمایش و نمونهسازی گسترده؛ آزادی کامل برای ساخت عاملها و بررسی تواناییها. اما تجربه عملی نشان داد که ورود عاملها به محیط تولیدی با چالشهای جدیدی همراه است. بیش از همه، دو «اپلیکیشن برنده» (killer apps) برای عاملها واضح شد:
– عوامل کدنویس: عاملهایی که توسعه نرمافزار را تسریع میکنند و سهم بزرگی از مصرف توکنها را دارند.
– عوامل داخلی سازمانی: عاملهایی که در بهینهسازی عملیات داخلی شرکت کمک میکنند—از تحلیل سریع دادههای حسابها تا ایجاد داشبوردهای فوری که پیشتر ماهها زمان میبردند.
چارچوب Eve و مفهوم Sandbox برای کنترل و ممیزی عاملها
برای حل چالشهای عملیاتی و امنیتی، Vercel چارچوبی به نام Eve معرفی کرد که به شما اجازه میدهد دستورالعملها و مهارتهای یک عامل را به زبان طبیعی تعریف کنید. در کنار آن، ابزار Vercel Sandbox برای «قفسبندی» عاملها طراحی شده است؛ بدین معنا که عامل همچنان امکان بروز هوش و انجام کارها را دارد اما تحت سیاستهای دسترسی به دادهها و مقررات خروج دادهها قرار میگیرد.
چرا این رویکرد مهم است؟
قفسبندی و ممیزی باعث کنترل بهتر دادهها و ایجاد ردیابی کامل از فراخوانی ابزارها و دسترسیها میشود. یکی از ریسکهای واقعی دنیای هوش مصنوعی این است که ابزارهای توسعهای اشتباه میتوانند بهطور ناخواسته کدهای حساس یک شرکت را برای آموزش مدلها به فضای عمومی ارسال کنند. مثال مطرحشده در مصاحبه اشاره به ریسک از دست رفتن دههها کد حساس در صنایع خاص، مانند هوافضا داشت—موردی که نشان میدهد کنترل دقیق دسترسی و سیاستگذاری داده حیاتی است.
نمونهای واقعی از عامل داخلی: تسریع کار نیروی فروش
یک مثال ساده اما گویا: یک نماینده فروش که باید حسابهای در حال رشد را شناسایی کند. قبلاً چنین فردی برای دریافت پاسخ به این سوالها باید تا زمان توسعه یک داشبورد جدید منتظر میماند؛ اما با یک عامل داخلی مجهز به Eve، تنها با پرسش طبیعی میتواند پنج حسابی را که در دو هفته اخیر بیشترین رشد را داشتهاند، فورا دریافت کند. این نوع عاملها مانع گلوگاههای دادهای میشوند و بهرهوری سازمان را بهشدت افزایش میدهند.
چند-مدلی شدن و رقابت با آزمایشگاهها
رویکرد شرکتها نسبت به انتخاب «یک شریک آزمایشگاهی» تغییر کرده است. حالا شرکتها بیشتر میفهمند که هر قطعه (مدل، هَرنِس، پلتفرم داده، Sandbox، گیتوی) باید قابل تعویض و پلاگاند-پلی باشد. در نتیجه استفاده ترکیبی از OpenAI، Anthropic، Gemini و مدلهای متنباز مثل DeepSeek و GLM-5.2 افزایش یافته است. دلیل این گرایش، تمرکز روی تولید و معیارهای قیمت/کارایی است؛ در تولید، هزینه و عملکرد نقش تعیینکنندهای دارند و بعضی مدلها نسبت به بقیه مزیت اقتصادی و عملیاتی نشان میدهند.
جایگاه Vercel و آینده زیرساختهای هوش مصنوعی
با افزودن قابلیتهای بیشتر توسط پلتفرمها و مدلها، مرزبندی میان لایههای زیرساختی و لایههای هوشمند در حال محو شدن است؛ برخی از عرضهکنندگان مدل ممکن است بهتدریج قابلیت میزبانی و انتشار وبسایتهای کوچک را نیز فراهم کنند که این موضوع رقابت مستقیمتری با پلتفرمهای زیرساختی موجود، از جمله Vercel، ایجاد میکند. پرسش اصلی این است که آیا مدل و عاملها قرار است بهصورت یکپارچه از یک منبع تأمین شوند یا توسعهدهندگان همچنان از مجموعهای از ماژولها و سرویسهای ترکیبی استفاده خواهند کرد—رویکردی که بیشترین شباهت را به مهندسی نرمافزار سنتی دارد.
Vercel چشماندازی بلندمدت دارد: تبدیل شدن به «AWS نسل جدید» و حمایت از پروتکلهای باز. این دیدگاه بر مبنای پافشاری بر معماری باز و قابلیت تعامل بین مدلها و خدمات مختلف شکل گرفته است و میتواند تأثیر قابلتوجهی بر نحوه طراحی محصولات و انتخاب شرکای فناوری در سازمانها داشته باشد.
جمعبندی
تجربه عملی با عاملها اکنون از مرحله شور و شوق نمونهسازی وارد فاز تولید شده است؛ جایی که امنیت داده، ممیزی، قیمت/کارایی و ترکیبپذیری مدلها اهمیت محوری پیدا کردهاند. ابزارهایی مثل Eve و Vercel Sandbox نمونههایی از راهحلهایی هستند که تلاش میکنند این پیچیدگیها را مدیریت کنند. در این میان، انتخاب استراتژی چند-مدلی و حفظ کنترل روی دادهها، نقطه تمایز اصلی شرکتها در مسیر توسعه محصولات هوش مصنوعی خواهد بود.