مدلها فایلان، نه دیتاسنتر
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
بن استنسیل تو این مقاله برمیگرده سراغ پیشبینی سال ۲۰۲۳ خودش: همونطور که ابر عمومی زیرساخت اینترنت شد، OpenAI و امثالش هم قرار بود لایهٔ پایهای بشن که همهٔ محصولات روش سوار میشن و کسی دیگه لازم نباشه مدل خودشو آموزش بده. منطقش هم این بود که غالببودن خودتقویتکنندهست: هرچی بزرگتر بشی خندقت عمیقتر میشه و کسی دیگه نمیتونه بهت برسه.
اون پیشبینی به اعتراف خودش نگرفت. Moonshot AI مدل متنباز Kimi K3 رو منتشر کرد که تو بعضی کارهای کلیدی همتراز بهترین مدلهای آمریکاییه، و همین دوباره این سؤال رو زنده کرد که خرج نجومی دیتاسنترها توجیه داره یا نه. تفاوت بنیادی اینه که ساختن ابر یعنی سختافزار فیزیکی که باید خریده، حمل، نصب و نگهداری بشه، ولی یه مدل فقط یه فایله؛ فایل رو میشه بیسروصدا ساخت و یکشبه روی اینترنت گذاشت.
به گفتهٔ نویسنده قیاس بهتر برای یه مدل مرزی، فیلم پرخرج هالیوودیه: ساختش کلی پول میبره، یکی دو ماه حسابی میفروشه و بعد میره تو قفسهٔ نسخههای قبلی. پس آزمایشگاهها زیرساخت ماندگار نیستن، استودیوهای گرونقیمتیان که همیشه به گیشهٔ بعدی احتیاج دارن. تقطیر (distillation) هم اوضاع رو بدتر میکنه، چون هر مدل مرزی عملاً به ابزاری برای رسیدن رقبا تبدیل میشه.
یه جواب ممکن، اپهاست: اگه کاربر Claude Code رو به Codex ترجیح بده، مشتری وفادار مدلهای Anthropic میمونه. ولی نویسنده میگه اپها ارزون ساخته میشن و جایگزین متنباز دارن. نمونهاش وقتی بود که Anthropic خواست مدل Fable رو از پلنهای Claude Code برداره و بعد از اعتراض کاربرها عقبنشینی کرد. جمعبندی تلخش اینه که وقتی رفتن اینقدر آسونه، مسیر بعدی همون کاریه که نرمافزار سازمانی همیشه کرده: پیچیدهکردن عمدی محصول و فروش «راهکار» بهجای ابزار ساده.
نکات کلیدی:
- قیاس «OpenAI همون AWS بعدیه» به گفتهٔ نویسنده دیگه جواب نمیده
- مدل متنباز Kimi K3 نشون داد فاصلهٔ مدلهای مرزی زود پر میشه
- دیتاسنتر سختافزار ماندگاره، ولی مدل فقط یه فایله
- اپها و رپرها خندق محکمی نیستن و جایگزین متنباز دارن
- گزینهٔ بعدی: پیچیدگی سازمانی یا فروش تخصص و مدلهای سفارشی
