مدلهای وزنباز و ترسِ آبرفتن حاشیهٔ سود
هوش مصنوعیخلاصهٔ کاملتر
از وقتی Kimi K3 منتشر شده، توجه جامعهٔ AI و سرمایهگذارها رو گرفته و نگرانی تازهای ساخته: حالا که مدلهای وزنباز دارن فاصلهشون رو با مدلهای بستهٔ frontier کم میکنن، تکلیف بقیهٔ زنجیرهٔ ارزش چی میشه؟ نویسندهٔ MBI Deep Dives معتقده میشه دربارهٔ آبرفتن حاشیهٔ سود در لایهٔ مدل بحث کرد، ولی سودآوری بلندمدت بقیهٔ حلقهها حتی با فراگیر شدن مدلهای باز آسیب نمیبینه.
استدلالی که Gavin Baker تو X مطرح کرده و نویسنده نقلش میکنه اینه: دنیایی با فقط دو سه آزمایشگاه مسلط و حاشیهٔ سود ۹۰ درصدی روی inference، برای همهٔ لایههای دیگه بده — چون اون آزمایشگاهها عملاً تکخریدارِ برق و دیتاسنتر و نیمههادی میشن و بهمرور همهشون رو تو خودشون ادغام میکنن. پس هرچیزی که رقابت رو تو لایهٔ مدل زیاد و حاشیه رو کم کنه، به نفع برق و تراشه و هایپراسکیلر و نئوکلاد و حتی نرمافزاره.
نکتهٔ فنی جالب Baker اینه که یه مدل متنباز دقیقاً همونقدر محاسبات لازم داره که یه مدل بستهٔ هماندازه و هممعماری. Kimi K3 از نظر قیمت هر توکن تقریباً همردهٔ GPT-5.6 Terra ست، که به نظر او یعنی احتمالاً بهرهٔ محاسباتی کمتری داره؛ و چون توکنخورِ ولخرجیه، هزینهٔ هر وظیفهاش بیشتر از GPT-5.6 و Grok 4.5 درمیاد. حرف نهاییاش اینه که برندهها اوناییان که بیشترین هوش رو بهازای هر دلار بدن.
نویسنده تأکید میکنه چرا روی قید «بلندمدت» اصرار داره: مایکروسافت و آمازون و آلفابت بکلاگ سنگینی از OpenAI و Anthropic دارن و اگه ارزش این دوتا از حدود ۲ تریلیون دلار به چند صد میلیارد برسه و نتونن به تعهدهاشون عمل کنن، ممکنه شکاف عرضه و تقاضا موقتاً از بین بره. به نظر او این وضع گذراست، چون گسترش استفاده از AI روندی بنیادیه؛ ولی همون مازاد ظرفیت کوتاهمدت هم میتونه به اقتصاد و قیمت سهام بقیهٔ لایهها فشار بیاره. جمعبندی صادقانهاش اینه که هنوز نمیشه دربارهٔ سرنوشت بلندمدت با اطمینان حرف زد.
یه دلیل دیگهٔ نگرانی، فقط بستن شکاف توانایی نیست؛ به گفتهٔ Guillermo Rauch، مدیرعامل Vercel، مدلهای باز بهخاطر نداشتن حفاظها ممکنه تو کارهای پرارزشی مثل امنیت سایبری عملکرد بهتری نشون بدن. او بر اساس ارزیابیهای داخلی میگه Kimi K3 تو امنیت سایبری ردهٔ بالاست، Sol جهش قابلتوجهی داره و Fable در عمل هیچ اجرایی رو کامل نکرده. Rauch امنیت سایبری رو یکی از بهترین محکهای فراهوش میدونه، چون مهارتی فراتر از زبان و فریمورک میخواد.
بُعد ژئوپلیتیک هم پررنگه. به نوشتهٔ نویسنده، شی جینپینگ تو سخنرانیاش در کنفرانس جهانی AI صراحتاً روی «متنباز، گشودگی، همکاری و اشتراکگذاری» تأکید کرده و گفته توسعهٔ AI نباید تکنوازی یک کشور باشه. نکتهٔ بامزه اینه که همهٔ شرکتهای چینی مدل باز نمیدادن — مثلاً مدلهای Qwen علیبابا بسته بودن — ولی حالا انگار همه دارن از مدل بسته فاصله میگیرن؛ تا جایی که صفحهٔ رسمی علیبابا پستی رو ریتوییت کرده که این چرخش رو مستقیم به شی نسبت میده.
نویسنده گمانهزنی میکنه که چین ممکنه بهجای چهار اجرای موازی pretraining، تراشههای محدودش رو تو یه کلاستر ملی جمع کنه و یه مدل پایهٔ مشترک وزنباز بسازه؛ بعد علیبابا و تنسنت و Moonshot و هزاران استارتاپ از همون checkpoint شروع کنن و انرژیشون رو بذارن روی آموزش مستمر و RL و بهینهسازی inference و ایجنت. اونوقت هزینهٔ ثابت pretraining رو کل اقتصاد چین سرشکن میکنه. البته خودش هم میگه فرض «تکراری بودن» اجراهای آمریکایی دقیق نیست، چون هر آزمایشگاه شرط متفاوتی میبنده.
حتی فرض «تراشه گلوگاه چینه» هم شاید باید شلتر گرفته بشه. به گزارش بلومبرگ که نویسنده نقل میکنه، Z.AI (همون Zhipu سابق) ساخت یه دیتاسنتر یکگیگاواتی رو کاملاً با تراشههای چینی تموم کرده و بخشی ازش راه افتاده؛ جایی که هوآوی و Cambricon و علیبابا دارن سعی میکنن فاصلهٔ کارایی با NVIDIA رو کم کنن. نتیجهگیری مقاله اینه که رقابت AI نه بین شرکتها تموم شده و نه در جبههٔ ژئوپلیتیک.
نکات کلیدی:
- استدلال اصلی: نازک شدن حاشیهٔ سود لایهٔ مدل، برای برق و تراشه و ابر و نرمافزار خبر خوبیه
- مدل باز همونقدر محاسبات میخواد؛ ملاک واقعی، هوش بیشتر بهازای هر دلار و بهرهٔ توکنیه
- ریسک کوتاهمدت: اگه آزمایشگاههای بزرگ به تعهدهاشون به هایپراسکیلرها عمل نکنن، ظرفیت مازاد میشه
- به گفتهٔ مدیرعامل Vercel، نبود حفاظها مدلهای باز رو تو کارهایی مثل امنیت سایبری جلو میندازه
- چین بعد از سخنرانی شی به سمت متنباز چرخیده و با دیتاسنتر یکگیگاواتیِ تمامچینی، فرض «تراشه گلوگاهه» رو زیر سؤال برده
