جسی ژانگ: مدلهای متنباز و مدلهای مرزی دو مرحله از یک چرخه اقتصادی در هوش مصنوعی سازمانی
جسی ژانگ، مدیرعامل Decagon، در یادداشتی تند و تیز با عنوان «همه درباره هوش مصنوعی متنباز در سازمانها اشتباه میکنند» نظریهای جدید ارائه کرده که یکی از تناقضهای جالب اقتصاد کنونی هوش مصنوعی را توضیح میدهد: در حالی که بسیاری از استقرارهای بالغ هوش مصنوعی به مدلهای سبکتر و متنباز مهاجرت میکنند، هزینه کلی مصرف مدلهای پیشرفته و پرهزینه تقریباً ثابت باقی مانده است. ژانگ میگوید این دو دسته مدل رقیب یکدیگر نیستند؛ بلکه دو مرحله از یک چرخه کاری هستند—مدلهای مرزی (frontier) برای کشف و اثبات موارد کاربرد جدید به کار میروند و زمانی که کاربردها بالغ شدند، به مدلهای متنباز و ارزانتر منتقل میشوند.
شواهد بازار: حجم توکن vs هزینه کلی
آمارهای پلتفرمهایی مانند داشبورد AI Gateway شرکت Vercel و سرویس OpenRouter تا حدودی این دیدگاه را تأیید میکنند. گزارشها نشان میدهد که در هفتههای اخیر:
– مدل DeepSeek با سهمی بیش از یکسوم از حجم توکنهای پردازششده در زیرساخت Vercel به پیشتازی رسیده است.
– نسخه V4 Flash از DeepSeek حدود 5.3 تریلیون توکن پردازش هفتگی دارد، در حالی که محبوبترین مدل مرزی Opus 4.8 حدود 2 تریلیون توکن را پردازش میکند.
– در عین حال، از نظر هزینه کلی مصرف، Anthropic همچنان بیش از نیمی از هزینههای پلتفرم را به خود اختصاص میدهد؛ یعنی اگرچه حجم توکنها به سمت مدلهای ارزانتر رفته، سهم هزینهای مدلهای پیشرفته همچنان بالا باقی مانده است.
– OpenRouter نشان میدهد هزینه میانگین هر میلیون توکن برای Opus 4.8 حدود 1.37 دلار و برای V4 Flash حدود 0.06 دلار است؛ اختلافی در حدود 23 برابر که نشان میدهد توکنهای مصرفی در مدلهای مرزی بسیار گرانتر قیمتگذاری میشوند.
تفسیر اقتصادی: چرا هر دو پایدار میمانند؟
این دادهها کاملاً اثباتکننده نظریه ژانگ نیستند اما چند تفسیر منطقی ارائه میکنند:
– بازار قابلیتهای قابلحل با هوش مصنوعی (AI-addressable tasks) بهسرعت در حال رشد است؛ بنابراین مدلهای برتر میتوانند با تسلط بر مراحل اولیه کشف و توسعه استفادهها، سهم هزینهای بالایی حفظ کنند.
– بسیاری از موارد کاربرد پیچیده یا حساس در عمل هنوز قابل انتقال کامل به مدلهای ارزانتر نیستند و به عملکرد یا ویژگیهای اختصاصی مدلهای مرزی نیاز دارند.
– در نتیجه، یک اقتصاد دولایه پدید میآید: مدلهای مرزی «کشف» را مالک میشوند و مدلهای متنباز بیشتر «تولید» و استقرار در مقیاس را در دست میگیرند—چنانکه ژانگ میگوید: «The frontier labs will keep owning discovery. Open source will increasingly own production.»
پیامد برای سازمانها و استارتاپها
برای شرکتها و تیمهای فنی، این الگو پیام روشنی دارد: رویکرد ترکیبی (hybrid) منطقیتر است—از مدلهای پیشرفته برای بررسی و اثبات مفهوم (PoC) و برای مواردی که نیاز به کیفیت یا ویژگیهای خاص دارند استفاده کنید، و پس از رسیدن به بلوغ، مهاجرت به مدلهای متنباز و سبکتر میتواند صرفهجویی قابلتوجهی در هزینه به همراه داشته باشد. برای استارتاپها نیز معنیاش این است که کسبوکارهای لایهی کاربرد (application layer) باید ارزش افزودهای فراتر از «صرفاً پردازش توکن» ارائه دهند تا در این اقتصاد دولایه رقابتی بمانند.
تکامل آینده: نقش بازیگران جدید
ورودهایی مانند Nemotron از NVIDIA میتواند ترکیب رقابت را دوباره تغییر دهد؛ بهخصوص وقتی سازگاری گسترده و ارتباطات شرکتی قوی به مدلهای جدید کمک میکند تا سریعتر به صدر برسند. با این حال تا زمانی که بازار استفادههای جدید مدام ظهور میکند، به نظر میرسد مدلهای مرزی همچنان بخش عمدهای از هزینهها را حفظ کنند و مدلهای متنباز سهم چشمگیری از حجم کاربردهای تولیدی به دست بیاورند.
جمعبندی
نظریه ژانگ یک دیدگاه مفید برای فهم رابطه میان مدلهای متنباز و مدلهای مرزی ارائه میدهد: نه رقابت صفرجمع، بلکه تقسیم نقشها در یک چرخه طبیعی. این الگو نشان میدهد که تحول تکنولوژیک لزوماً به کاهش هزینههای کلی برای مدلهای پیشرفته منجر نمیشود، بلکه موجب بازتوزیع وظایف بین کشف و تولید میگردد—یک خبر خوب برای تیمهایی که استراتژیهای ترکیبی و برنامههای مهاجرت دقیق دارند.