‏پایان دوران مدل‌های اوپن‌ویت؟

توی دنیای LLMها همیشه یه فرض ضمنی وجود داشت: همیشه مدل‌های اوپن‌ویت رقیب‌پذیری هستن که می‌شه روی سخت‌افزار شخصی اجراشون کرد. این فرض داره به‌آرومی اما به‌طور جدی زیر سوال می‌ره.

مدل‌های اوپن‌ویت چی هستن و چرا مهمن؟

مدل‌های اوپن‌ویت برخلاف مدل‌های بسته‌ای مثل GPT یا Claude، وزن‌هاشون رو منتشر می‌کنن تا هر کسی بتونه روی سخت‌افزار خودش اجراشون کنه. سری Llama از Meta، DeepSeek، Qwen از Alibaba و مدل‌های چینی مثل MiniMax از جمله مشهورترین‌هاشونن. این مدل‌ها سه مزیت اصلی دارن: حریم خصوصی (داده‌ها از شبکه سازمان خارج نمی‌شن)، انعطاف‌پذیری (می‌شه fine-tune یا quantize کرد)، و مهم‌تر از همه هزینه — ارائه‌دهنده‌های hosted این مدل‌ها معمولاً کمتر از ۱۰٪ قیمت مدل‌های frontier رو می‌گیرن.

اوپن‌ویت‌ها به‌عنوان تنظیم‌کننده قیمت بازار

نویسنده یه تحلیل اقتصادی جالب می‌ده: مدل‌های اوپن‌ویت مثل داروهای ژنریک عمل می‌کنن. همون‌طور که وجود داروی ژنریک قیمت داروهای برند رو پایین نگه می‌داره، وجود مدل‌های اوپن‌ویت هم مانع از این می‌شه که OpenAI، Anthropic و Google قیمت‌هاشون رو آزادانه بالا ببرن. اگه یه‌شبه قیمت‌ها ۵ برابر بشه، خیلی‌ها به‌سمت مدل‌های اوپن‌ویت می‌رن — و این تهدید بالقوه خودش کافیه که رفتار رقابتی رو در بازار حفظ کنه.

ولی اتفاقات نگران‌کننده‌ای داره می‌افته

وضعیت داره تغییر می‌کنه و نه به نفع جامعه:

• Meta مدل‌های جدید «Muse Spark» رو اصلاً منتشر نکرده
• Alibaba مدل‌ها رو اول یا فقط روی API خودش منتشر می‌کنه
• Kimi توی مجوز K2.6 یه بند attribution گذاشته: اگه بیشتر از ۱۰۰ میلیون کاربر ماهانه یا ۲۰ میلیون دلار درآمد ماهانه داری، باید «Kimi K2.6» رو توی UI محصولت نمایش بدی
• Mistral هم محدودیت‌های تجاری متغیری داره

DeepSeek استثنا بوده و مجوزش رو آزادتر کرده، ولی روند کلی به سمت محدودیت بیشتره.

سناریوی نگران‌کننده

اگه این روند ادامه پیدا کنه، ممکنه ظرف چند سال به دنیایی برسیم که چند شرکت بزرگ غربی و چند «سوپرلب» چینی (احتمالاً ادغام‌شده دولتی، مثل کاری که چین با صنعت ریل، هسته‌ای و مخابرات کرد) بازار رو کنترل کنن. اون‌وقت همه اون consumer surplus عظیمی که الان کاربران از هوش مصنوعی می‌گیرن — یعنی همون ارزشی که خیلی بیشتر از پولی‌ه که می‌پرن — می‌تونه مستقیماً به حاشیه سود این شرکت‌ها تبدیل بشه.

البته یه روایت خوش‌بینانه هم هست: شاید با سریع‌تر شدن سخت‌افزار، آموزش مدل‌های «به‌اندازه کافی خوب» آسون‌تر بشه. Distillation (آموزش مدل‌های کوچیک‌تر روی خروجی مدل‌های بزرگ‌تر) هم گاهی به‌عنوان یه دریچه فشار مطرح می‌شه — ولی این هم به داشتن یه مدل پایه قوی بستگی داره؛ دقیقاً همون چیزی که در خطره.

اکوسیستم اوپن‌ویت همیشه یه پایه پنهان زیر اقتصاد هوش مصنوعی بوده. الان داره فرسایش پیدا می‌کنه، و پیامدهاش برای اقتصاد دیجیتال و دسترسی عادلانه به این فناوری می‌تونه بسیار بزرگ باشه.

نکات کلیدی:

• مدل‌های اوپن‌ویت با فشار قیمتی از پایین، مانع از قدرت‌گیری بیش از حد لب‌های frontier می‌شن
• Meta مدل‌های جدیدش رو اصلاً اوپن‌ویت منتشر نمی‌کنه؛ Alibaba و Kimi هم مجوزهای محدودکننده‌تری دارن
• اگه این روند ادامه بده، بازار می‌تونه به چند شرکت بزرگ با قدرت قیمت‌گذاری بالا تبدیل بشه
• Distillation راه‌حل کاملی نیست چون همچنان به مدل پایه قوی نیاز داره
• هر چه موانع ورود (هزینه آموزش مدل) بالاتر بره، احتمال رقابت قیمتی در بازار کمتر می‌شه