گزارش تازه موزیلا نشان می‌دهد فاصله عملکردی میان بهترین مدل‌های مرزی هوش مصنوعی شرکت‌های آمریکایی و برترین مدل‌های open-weights چینی به حدود ۴.۴ ماه رسیده است؛ عددی که برای بسیاری از شرکت‌ها معنای روشنی دارد: در بیشتر کارهای روزمره، پرداخت هزینه سنگین برای مدل‌های بسته دیگر توجیه قبلی را ندارد.
بر اساس این گزارش، بسیاری از سازمان‌ها بهتر است مدل‌های باز را انتخاب پیش‌فرض خود قرار دهند و فقط در سناریوهای خاص سراغ مدل‌های مرزی و گران‌تر بروند. دلیلش هم ساده است: اختلاف عملکرد کمتر شده، اما اختلاف قیمت همچنان زیاد است.
مدل‌های باز با هزینه کمتر، خیلی نزدیک به مدل‌های مرزی
در گزارش State of Open Source AI که موزیلا در ۱۵ سپتامبر منتشر کرده، به این نکته اشاره شده که مدل Kimi K3 از Moonshot AI در شاخص عملکرد ترکیبی Artificial Analysis Intelligence Index فقط سه امتیاز از مدل بسته Fable 5 شرکت Anthropic عقب‌تر است؛ در حالی که هزینه استفاده از آن تنها ۳۰ درصد مدل رقیب است.
همین نسبت، تصویر روشنی از وضعیت فعلی بازار می‌دهد: در بسیاری از وظایف عادی، شرکت‌ها می‌توانند با پرداخت هزینه‌ای بسیار کمتر، خروجی‌ای نزدیک به بهترین مدل‌های تجاری دریافت کنند.
چه زمانی پرداخت برای مدل‌های بسته ارزش دارد؟
رافی کریکوریان، مدیر ارشد فناوری موزیلا، می‌گوید مدل‌های بسته فقط در چند حوزه مشخص واقعاً ارزش پرداخت بیشتر را دارند. این حوزه‌ها شامل موارد زیر است:
- کارهای حرفه‌ای و تخصصی که به دقت و کیفیت بالا نیاز دارند
- بازیابی اطلاعات سنگین یا پردازش‌هایی با شدت بالا
- وظایف مبتنی بر کانتکست طولانی که نیازمند نگهداری حجم زیادی از اطلاعات در جریان پردازش هستند
به بیان دیگر، تصمیم برای خرید مدل‌های مرزی باید بر اساس نوع کار گرفته شود، نه صرفاً بر اساس سیاست کلی یک سازمان. یعنی ممکن است یک شرکت برای ۸۰ درصد کارهایش از مدل باز استفاده کند و فقط برای ۲۰ درصد وظایف پیچیده‌تر سراغ مدل بسته برود.
مدل open-weights دقیقاً چیست؟
مدل‌های open-weights به توسعه‌دهندگان و شرکت‌ها اجازه می‌دهند اجزای اصلی مدل را دانلود و روی زیرساخت خود اجرا کنند. این مزیت برای سازمان‌هایی که به دنبال کنترل بیشتر، هزینه کمتر و انعطاف بالاتر هستند بسیار مهم است.
البته این مدل‌ها کاملاً متن‌باز به معنای کلاسیک نیستند. در بسیاری از موارد، سازندگان مدل هنوز اطلاعات مهمی مثل داده‌های آموزشی، پایپ‌لاین داده و کد آموزش را منتشر نمی‌کنند. در مقابل، شرکت‌هایی مثل OpenAI و Anthropic معمولاً مدل‌های بسته ارائه می‌کنند که دسترسی به آن‌ها فقط از طریق سرویس‌های پولی ممکن است.
چرا بعضی سازمان‌ها هنوز سراغ مدل‌های بسته می‌روند؟
با وجود مزیت قیمتی مدل‌های باز، مدل‌های بسته هنوز برای بسیاری از سازمان‌ها جذاب‌اند، چون آماده استفاده هستند و همراه با مجموعه‌ای از خدمات جانبی عرضه می‌شوند؛ از جمله:
- بسته‌های انطباق و الزامات قانونی
- پشتیبانی فنی
- مسئولیت‌پذیری و پاسخ‌گویی ارائه‌دهنده
واقعیت این است که همه شرکت‌ها تیم فنی لازم برای استقرار و نگهداری درست مدل‌های open-weights را ندارند. برای همین، پرداخت هزینه بیشتر در بعضی موارد صرفاً بهای راحتی و اطمینان بیشتر است.
شرکت‌ها چطور از این تفاوت قیمت و عملکرد استفاده می‌کنند؟
این تغییر نگاه فقط در حد نظریه نیست و شرکت‌ها عملاً هم به سمت استفاده ترکیبی از مدل‌ها رفته‌اند. گزارش موزیلا به نمونه‌ای مثل DoorDash اشاره می‌کند؛ شرکتی که از Kimi برای کارهای روتین استفاده می‌کند و مدل Fable را برای وظایف دشوارتر کنار گذاشته است؛ کارهایی که در حالت عادی زمان بیشتری از متخصصان انسانی می‌گرفت.
این رویکرد ترکیبی برای بسیاری از تیم‌ها منطقی‌تر از انتخاب صفر و یکی است. مدل ارزان‌تر، بار اصلی کارهای روزمره را بر دوش می‌گیرد و مدل قوی‌تر فقط زمانی وارد عمل می‌شود که واقعاً لازم باشد.
فاصله ۴.۴ ماهه دقیقاً یعنی چه؟
یکی از روش‌های سنجش فاصله میان مدل‌های هوش مصنوعی، مفهوم time horizon است که مؤسسه پژوهشی METR آن را تعریف کرده است. در این روش، طول وظایفی سنجیده می‌شود که یک مدل هوش مصنوعی می‌تواند با نرخ موفقیت قابل اتکای ۵۰ درصد انجام دهد؛ وظایفی که معیارشان مدت‌زمان لازم برای تکمیل توسط متخصص انسانی است.
وقتی گفته می‌شود مدل‌های مرزی فقط حدود ۴.۴ ماه از بهترین مدل‌های باز جلوترند، یعنی برتری آن‌ها هنوز وجود دارد، اما این برتری دیگر آن‌قدر زیاد نیست که برای همه نوع استفاده، اختلاف قیمت چندبرابری را توجیه کند.
جمع‌بندی کاربردی برای کسب‌وکارها
اگر سازمانی هستید که استفاده گسترده از هوش مصنوعی دارید، نتیجه این گزارش روشن است: مدل‌های باز باید انتخاب پیش‌فرض باشند، مگر در مواردی که نیاز مشخصی به دقت بالاتر، کانتکست طولانی یا پردازش پیچیده وجود داشته باشد.
- برای کارهای روزمره، مدل‌های باز اغلب به‌صرفه‌ترند
- برای وظایف بسیار تخصصی، مدل‌های مرزی هنوز مزیت دارند
- استفاده ترکیبی از هر دو مدل می‌تواند بهترین تعادل میان هزینه و عملکرد را ایجاد کند
- کمبود نیروی متخصص برای استقرار مدل‌های باز همچنان یک مانع مهم است
بازار هوش مصنوعی دارد به سمتی می‌رود که در آن، بهترین انتخاب همیشه گران‌ترین مدل نیست. حالا بیش از هر زمان دیگری، تصمیم درست به شناخت دقیق نوع workload بستگی دارد.
نظر، سوال یا تجربه خود را درباره این مطلب با سایر کاربران اوکالا به اشتراک بگذارید.