کوچ شرکتهای بزرگ به سمت مدلهای هوشمصنوعی متنباز
خلاصهٔ کاملتر
این شماره از خبرنامهی The Pulse (نوشتهی گرگلی اوروش) به روند تازهای اشاره میکنه که از اردیبهشت امسال شروع شده: انتقال کارهای سادهتر به مدلهای هوشمصنوعی متنباز، سادهترین راه برای کمکردن حدود ۵۰٪ از هزینهی AI شرکتهاست. شرکتهای بزرگ بهجای مدلهای اختصاصی و گرون، دارن سراغ همین مدلهای متنباز و روتینگ هوشمند بین چند مدل میرن. شرکتهایی مثل اوبر، پینترست، استرایپ، کوینبیس، رمپ و AT&T تو این لیست هستن.
طبق دادههای رمپ، تو مرداد امسال هزینهی هوشمصنوعی تو ۱٪ برتر کسبوکارها حدود ۱۰٪ افت کرده، بدون اینکه مصرف توکن کم بشه؛ یعنی شرکتها بیشتر رو بهینهسازی هزینه کار میکنن تا کمکردن مصرف.
نویسنده هم به یه رویداد تو رقابت آزمایشگاههای هوش مصنوعی اشاره میکنه: OpenAI مدلهای GPT خودشو از Cursor کشیده بیرون، چون به گفتهی نویسنده SpaceX حالا خودش تبدیل به یه رقیب frontier برای OpenAI و Anthropic شده؛ در مقابل، Anthropic نمیتونه همین کارو بکنه چون برای اجرای Claude به کامپیوتی که از SpaceX اجاره میکنه وابستهست.
تو خبر دیگهای، لینیر و انتروپیک دارن آزمایش میکنن ایجنتهای هوشمصنوعی تا کجا میتونن خودکار باگ رفع کنن و بدهی فنی (کدهای قدیمی که نیاز به بازنویسی دارن) رو کم کنن؛ نتیجه بهتر از انتظار بوده، ولی کدی که تولید میکنن هنوز بدون بازبینی انسانی قابل merge نیست. یه استارتاپ HR تمامریموت با ۷۰ مهندس هم داره روش «یک مهندس برای هر پروژه» رو امتحان میکنه و میگه تا الان جواب داده.
بخش «Industry Pulse» این شماره هم چند خبر کوتاهتر داره: متا برای هماهنگی بهتر ایجنتها به Slack کوچ کرده، اوبر و PagerDuty نیرو کم کردن، انتروپیک با اعلام یه کاهش سقف مصرف بهعنوان «افزایش» کاربراشو ناراضی کرده، مصرف توکن تو OpenRouter زیاد شده، و تقاضا برای Mac Mini و Mac Studio اپل هم بهخاطر AI بالا رفته.
نکات کلیدی:
- هزینهی AI تو ۱٪ برتر کسبوکارها تو مرداد حدود ۱۰٪ کم شده، از راه بهینهسازی نه کاهش مصرف
- اوبر، پینترست، استرایپ، کوینبیس، رمپ و AT&T به سمت مدلهای متنباز و روتینگ هوشمند رفتن
- لینیر و انتروپیک دارن رفع خودکار باگ و بدهی فنی رو با ایجنت آزمایش میکنن
- یه استارتاپ HR ۷۰نفره با مدل «یک مهندس در هر پروژه» داره جواب میگیره
- انتروپیک با تعبیر «افزایش» برای یه کاهش سقف مصرف، واکنش منفی کاربرا رو گرفته




