چرا هوش مصنوعی شرکتها توی مرحله زیرساخت گیر میکنه
هوش مصنوعیخلاصهٔ کاملتر
نویسنده مقاله، آدام بلکول (مدیر هوش مصنوعی شرکت Hammer Distribution)، میگه دنیای سازمانی الان شاهد یه فاصله جدی بین جاهطلبی توی هوش مصنوعی و اجرای واقعیه. روایت یکیدو سال اخیر حول قدرت تحولآفرین مدلهای زبانی بزرگ (LLM) و هوش مصنوعی مولد بوده، ولی واقعیت عملیاتی خیلی از کسبوکارها به چیزی تبدیل شده که نویسنده اسمشو «گورستان نمونه اولیه» (Proof of Concept graveyard) میذاره؛ یعنی پروژهها توی همون مرحله آزمایش میمیرن.
به گفته نویسنده، برای فهمیدن این که چرا پروژهها گیر میکنن باید از نرمافزار و رابط کاربری عبور کنیم. گلوگاه کمبود ایده نیست، بلکه یه تکهتکهشدگی بنیادی توی سطح زیرساخته. اون میگه «لولهکشی» هوش مصنوعی خیلی پیچیدهتر از خود اپلیکیشنهاست.
یه نقطه شروع اشتباه رایج، تکیه کامل روی ابر عمومی (public cloud) بوده. ابر برای نمونهسازی سریع و بدون سرمایهگذاری اولیه عالیه، ولی وقتی این بارهای کاری به مقیاس تولید میرسن، مدل صورتحساب «مصرفی» میتونه شوکهای بودجهای بسازه که هیئتمدیره رو وادار به توقف یا لغو پروژه میکنه.
نویسنده مفهوم «جاذبه داده» (data gravity) رو هم مطرح میکنه: هرچی مجموعهدادهها بزرگتر میشن، جابهجا کردنشون سختتر و گرونتر میشه. با احتساب هزینههای خروج داده (egress) و تأخیر شبکه، پردازش بلادرنگ تقریباً غیرممکن میشه و یه جدایی فیزیکی بین داده و قدرت پردازش به وجود میاد.
به گفته نویسنده، این شکاف از سه ستون تکهتکهشدگی تغذیه میشه. اول، داده پراکنده و بحران حاکمیت: سازمانها باید بتونن مدلها رو همونجایی که داده قرار داره آموزش بدن و مستقر کنن، و نیاز به «هوش مصنوعی حاکمیتی» (Sovereign AI) داره جدی میشه. دوم، شکاف مهارت تخصصی: داشتن یه تیم IT عمومی کافی نیست و نبود دانش عمیق به «معماریهای تصادفی» و شکننده منجر میشه. سوم، پیچیدگی زیرساخت در سطح رک: از مدیریت توان پرچگالی تا خنکسازی مایع و خوشهبندی چندنودی GPU.
نویسنده یه مانع اقتصادی هم میبینه: ناهماهنگی بین نحوه ساخت هوش مصنوعی و نحوه پرداخت هزینهش. هزینه سرمایهای سنگین اولیه برای سختافزاری که شاید دو سال دیگه منسوخ بشه ریسک بالاییه، و از اون طرف مدل هزینه عملیاتی ابر هم برای بارهای کاری مداوم و سنگین خیلی گرون درمیاد. اون معتقده صنعت به یه حد وسط و مدلهای مالیای نیاز داره که هزینه زیرساخت رو با میزان واقعی استفاده هماهنگ کنه، وگرنه شکاف بازگشت سرمایه باز میمونه.
نکات کلیدی:
- خیلی از پروژههای هوش مصنوعی سازمانی توی مرحله نمونه اولیه میمیرن و به بازگشت سرمایه نمیرسن
- به گفته نویسنده، ریشه مشکل زیرساخت تکهتکهشدهست، نه نرمافزار یا ایده
- تکیه کامل روی ابر عمومی هزینههای غیرقابلپیشبینی و مشکل «جاذبه داده» میسازه
- سه ستون فروپاشی: داده پراکنده و حاکمیت، کمبود مهارت تخصصی، و پیچیدگی فیزیکی سختافزار
- نویسنده راهحل رو حرکت به سمت اکوسیستمهای یکپارچه و تأیید فنی پیش از سرمایهگذاری میدونه
