‏بازار بزرگ هوش مصنوعی «به‌اندازهٔ کافی خوب»

کوین ژانگ تو این مقاله کارهای هوش مصنوعی رو دو دسته می‌کنه. unbounded tasks (یعنی کارهایی که هر چی مدل باهوش‌تر باشه بهتر انجام می‌شن، مثل کدنویسی، تحقیق و ترید) و bounded tasks (یعنی کارهایی که از یه سطحی به بعد هوش بیشتر فرقی توشون نمی‌کنه، مثل جواب دادن به ایمیل یا حل درخواست سادهٔ پشتیبانی). به گفتهٔ نویسنده، الان بیشتر درآمد آزمایشگاه‌های فرانتیر از کدنویسی میاد. اگه رشد این بخش کند بشه، باید کارهای bounded جای خالیش رو پر کنن.

نویسنده معتقده محصولات فعلی مثل اپ‌های دسکتاپ OpenAI و Anthropic حالت نهایی نیستن. اینجا مدل تو کلاد فکر می‌کنه ولی روی فایل‌های لپ‌تاپ کاربر کار می‌کنه. مشکلاتش هم کم نیست: ویرایش‌های مخرب که برگردوندنشون سخته (چون برخلاف کد، Git پشتش نیست)، رفتار غیرقابل‌پیش‌بینی با اپ‌های دیگه، خطر prompt injection (یعنی دستورای مخربی که تو یه سند یا صفحه قایم شدن و ایجنت رو منحرف می‌کنن)، و این‌که با بستن درِ لپ‌تاپ ایجنت هم متوقف می‌شه.

برای فهم بازار، نویسنده یه ماتریس ۲در۲ پیشنهاد می‌ده: مدل کجا اجرا می‌شه و داده کجاست. حالت «مدل کلاد، دادهٔ محلی» دوره‌ی گذاره. «مدل محلی، دادهٔ کلاد» منطقی نیست. «همه‌چی تو کلاد» یعنی ایجنت VM خودش رو داره و نسخه‌بندی و rollback راحت‌تره، که صاحبای داده مثل Google Drive و Dropbox رو مهم‌تر می‌کنه. «همه‌چی محلی» هم فرضش اینه که مدل‌های لوکال به‌اندازهٔ کافی خوب بشن. انتظار نویسنده اینه که محصولات آخرش بین این حالت‌ها خودکار جابه‌جا بشن.

بازیگرها سه دسته‌ان. آزمایشگاه‌ها (OpenAI با Dots، SpaceX با Grok Bot و Anthropic) بهترین مدل‌ها رو دارن ولی به داده دسترسی کمی دارن. غول‌هایی مثل Microsoft و Google همون جایی هستن که کار واقعاً اونجا انجام می‌شه، ولی هنوز درآمد عظیمی ازش نساختن. Meta هم با Muse و استخدام مدیرعامل سابق MongoDB دنبال بازار B2B هست. بقیه هم Apple با مدل‌های لوکال، استارتاپ‌هایی مثل Perplexity و Genspark و Manus، و ابزارهایی مثل LM Studio و OpenClaw هستن.

نتیجه‌ای که نویسنده برای سرمایه‌گذارها می‌گیره اینه که با هزینهٔ حدود ۱ تریلیون دلاری AI در ۲۰۲۶، درآمد inference باید به چند تریلیون در سال برسه. کاری که به مدل‌های ارزون‌تر می‌ره فقط کسری از قیمت فرانتیر رو درمیاره، و inference روی دستگاه کاربر اصلاً به دیتاسنتر نمی‌رسه. به نظر نویسنده جای یه پلتفرم بی‌طرف «سوئیسی» خالیه که کار رو بین مدل لوکال و کلاد جابه‌جا کنه، و Microsoft با استراتژی hybrid و چیپ‌های RTX Spark انویدیا بهترین موقعیت رو برای این نقش داره.

نکات کلیدی:

• کارهای bounded از یه سطح هوش به بعد با مدل قوی‌تر بهتر نمی‌شن و بیشتر کارهای اداری همین‌جوری‌ان
• معماری فعلی «مدل کلاد روی فایل محلی» مشکل rollback، امنیت و توقف با بستن لپ‌تاپ داره
• ماتریس ۲در۲: محل اجرای مدل (کلاد/محلی) در برابر محل داده (کلاد/محلی)
• هزینهٔ جهانی AI در ۲۰۲۶ حدود ۱ تریلیون دلاره و درآمد inference باید چند تریلیون بشه
• OpenAI با همکاری Baseten داره رویکرد چندمدلی رو امتحان می‌کنه که یعنی حاشیهٔ سود کمتر
• Microsoft با AI هیبریدی ویندوز و چیپ‌های RTX Spark کاندیدای اصلی پلتفرم بی‌طرفه