از فراهم قطعات تا زیرساخت؛ چرا هوش مصنوعی یک فناوری گران است؟
مدتی از ظهور چت‌بات چت‌جی‌پی‌تی می‌گذرد؛ ابزاری که نگاه جدیدی به دنیای هوش مصنوعی بخشید و توجه عموم کاربران و نیز سرمایه‌گذاران را بیش از پیش به این حوزه معطوف ساخت. در حقیقت این چت‌بات ثابت کرد که هوش مصنوعی پتانسیل درآمدزایی بالایی برای تعداد زیادی از غول‌های صنعت فناوری دارد. اما چرا هوش مصنوعی یک فناوری گران محسوب می‌شود؟
جدیدترین گزارش‌های سه‌ماهه گوگل و مایکروسافت از افزایش چشمگیر درآمد ابری این دو شرکت خبر می‌دهد که دلیل مهم آن، توجه بیشتر مشتریان به خدمات هوش مصنوعی است. در پی چنین استقبالی، انتظار می‌رود سرمایه‌گذاران بیشتری وارد حوزه هوش مصنوعی شوند و شرکت‌ها خدمات بیشتری را در این عرصه به کاربران ارائه دهند. با این حال افزایش هزینه‌های تحقیقات و خدمات مبتنی بر هوش مصنوعی، برخی سرمایه‌گذاران را نگران کرده است. برای مثال قیمت سهام متا به دلیل افت برخلاف انتظار درآمدهای ناشی از هوش مصنوعی، به وضوح کاهش یافته و احتمال تکرار سناریوی مشابه برای دیگر شرکت‌ها نیز وجود دارد.
🔗 بیشتر بخوانید: کشف سیگنال مرموزی که پس از ۸ میلیارد سال به زمین رسیده است!
در ۲۵ آوریل ۲۰۲۴ (۶ اردیبهشت ۱۴۰۳)، مایکروسافت از سرمایه‌گذاری ۱۴ میلیارد دلاری خود در حوزه هوش مصنوعی طی سه ماهه اول سال خبر داد که نسبت به دوره مشابه سال قبل، ۷۹ درصد افزایش داشته و این مبلغ به احتمال زیاد به صورت تدریجی افزایش خواهد یافت. شرکت متا نیز سرمایه‌گذاری خود را نسبت به سال قبل نزدیک به ۴۲ درصد افزایش داده و با اختصاص بودجه ۳۵ تا ۴۰ میلیارد دلاری، تحقیقات بیشتری را در حوزه هوش مصنوعی دنبال می‌کند.
انتظار می‌رفت که شاهد افزایش هزینه‌های گسترش هوش مصنوعی باشیم؛ چون با گذشت زمان، پیچیدگی‌ها و الگوریتم‌های هوش مصنوعی دچار تغییرات بیشتری می‌شوند و همزمان با این روند، تقاضا و نیاز عمومی به این فناوری روز به روز در حال افزایش است. در نتیجه، پاسخگویی به نیاز مشتریان، زیرساخت‌های بیشتر و قطعاً مجهزتری را می‌طلبد. در این مطلب به بررسی عوامل مؤثربه افزایش هزینه‌های گسترش هوش مصنوعی می‌پردازیم؛ به همین دلیل تا انتها همراه ما باشید.
🔗 بیشتر بخوانید: اپل پس از آیپد پرو OLED، آیپد مینی و آیپد ایر را به این نمایشگر مجهز می‌کند
گسترش مدل‌های زبانی هوش مصنوعی
ابزارهای هوش مصنوعی همانند چت‌جی‌پی‌تی از مدل‌های زبانی بزرگ بهره می‌برند که مجموعه وسیعی از داده‌ها همانند کتاب‌ها، مقالات و نظرات را برای ارائه بهینه‌ترین جواب‌ها به سوالات کاربران در اختیار دارند. تعداد زیادی از شرکتهای پیشرو در این عرصه باور دارند که با پیشرفت روزافزون هوش مصنوعی، نیاز این فناوری به مدل‌های زبانی بزرگ‌تر و کامل‌تر برجسته‌تر می‌شود.
گسترش این مدل‌ها به تهیه داده‌های کامل‌تر، تقویت قدرت محاسباتی و آموزش بیشتر سیستم‌ها وابسته است؛ با این حال انجام چنین فرایندی، به بودجه زیادی نیاز دارد. برای مثال «داریو آمودئی»، مدیرعامل آنتروپیک، طی مصاحبه‌ای خبر داد که آموزش مدل‌های هوش مصنوعی در شرایط جاری، چیزی نزدیک به ۱۰۰ میلیون دلار هزینه می‌برد. وی همچنین از پیش‌بینی خود مبنی بر افزایش ۵ تا ۱۰ میلیارد دلاری هزینه آموزش مدل‌های آینده (در سال‌های ۲۰۲۵ و ۲۰۲۶) خبر داد.
🔗 بیشتر بخوانید: خورشیدگرفتگی تابدار در هنگام طلوع
هزینه قطعات هوش مصنوعی
شرکتهای توسعه‌دهنده هوش مصنوعی از پردازشگرهای گرافیکی (GPU)، به‌اختصاص قطعات انویدیا به منظور پردازش حجم عظیم داده‌ها با شدت بالا بهره می‌برند. با این حال این قطعات، کمیاب و قطعاً گران هستند و برخی از آن‌ها همانند H100 انویدیا، با قیمت ۳۰ هزار دلار یا حتی بیشتر به فروش می‌رسند. برخی شرکت‌ها نیز به اجاره قطعات مورد نیازشان روی آورده‌اند، اما این کار هم هزینه زیادی برای کمپانی‌ها به همراه دارد؛ برای مثال اجاره تعدادی از قطعات H100 انویدیا تقریباً ۱۰۰ دلار در ساعت برای تیم توسعه‌دهنده تمام می‌شود.
اخیراً شرکت انویدیا معماری جدیدی از پردازشگرهای خود را با نام بلک‌ول (Blackwell) معرفی کرده که نقشی بسزا در پردازش داده‌های هوش مصنوعی ایفا می‌کند. متخصصان انویدیا تخمین زده‌اند که برای آموزش یک مدل هوش مصنوعی با ۱.۸ تریلیون پارامتر، همانند GPT-۴، به نزدیک به ۲۰۰۰ پردازشگر بلک‌ول نیاز است و این تعداد در صورت بهره‌گیری از قطعات هاپر (Hopper)، به ۸۰۰۰ پردازشگر می‌رسد. در نتیجه هزینه بالای بهره‌گیری از این قطعات می‌تواند روند پیشرفت و گسترش هوش مصنوعی و چت‌بات‌های مبتنی بر آن را کند کند.
دیتاسنترها
شرکت‌ها پس از خرید پردازشگرهای گرافیکی، به مکان مناسبی برای نگهداری و بهره‌گیری از آن‌ها نیازمندند. به همین منظور متا، آمازون، مایکروسافت، گوگل و دیگر شرکتهای توسعه‌دهنده، احداث دیتاسنترهای جدید را در نظر گرفته‌اند؛ مراکزی که به طور سفارشی برای این کمپانی‌ها ساخته می‌شوند و از قفسه‌های محکم، سیستم‌های خنک‌کننده و انواع تجهیزات الکتریکی همانند ژنراتورهای پشتیبان بهره‌مندند.
گروه تحقیقاتی دل‌اورو (Dell’Oro) تخمین زده است که در سال جاری میلادی، شرکت‌ها نزدیک به ۲۹۴ میلیارد دلار را به ساخت و تجهیز دیتاسنترهای خود اختصاص خواهند داد. این در حالی است که در سال ۲۰۲۰، نزدیک به ۱۹۳ میلیارد دلار در این عرصه هزینه شده بود که نشان‌دهنده گسترش خدمات دیجیتالی همانند استریم‌های ویدیویی، گسترش داده‌ها و پلتفرم‌های اجتماعی است. قطعاً بخشی از این هزینه‌ها برای خرید قطعات گران‌قیمت انویدیا و دیگر سخت‌افزارهای تخصصی ملزم به منظور رشد خدمات مبتنی بر هوش مصنوعی خرج می‌شود.
حقوق ناشران
با اینکه عمده هزینه‌ها صرف خرید پردازشگرها و دیتاسنترها می‌شود، برخی شرکت‌ها میلیون‌ها دلار برای خرید حق نشر مطالب از ناشران هزینه می‌کنند. به عنوان مثال، شرکت اوپن‌ای‌آی (OpenAI) به توافقاتی با چند ناشر اروپایی برای بهره‌گیری از محتوا و مطالب آن‌ها در چت‌جی‌پی‌تی دست یافته و مطابق گزارش بلومبرگ، ۱۰ میلیون یورو به شرکت آکسل اسپرینگر (Axel Springer SE) به منظور وجود محتوای خبری آن‌ها در این چت‌بات پرداخت می‌کند. مدیران اوپن‌ای‌آی همچنین با دیگر خبرگزاری‌ها همانند سی‌ان‌ان (CNN)، تایم (Time) و فاکس نیوز (Fox News) در این باره مذاکره کرده‌اند.
دیگر شرکت‌ها نیز بی‌کار نمانده‌اند و به جستجوی راه‌هایی برای فراهم آوردن داده‌های زبانی مورد نیاز به منظور ساخت ابزارهای محبوب هوش مصنوعی می‌باشند. مطابق گزارش رویترز، گوگل معامله‌ای ۶۰ میلیون دلاری برای خرید حق نشر محتوا از ردیت (Reddit) داشته و بر پایه خبر نیویورک تایمز، تیم متا در حال بررسی قیمت خرید حق نشر کتاب سایمن اند شوستر (Simon & Schuster) است. قطعاً رقابت غول‌های حوزه فناوری به خرید حق نشر محدود نشده و آن‌ها در استخدام نیروهای مستعد و توسعه‌دهندگان ماهر نیز با یکدیگر چالش دارند.
جایگزین‌های ارزان‌تر
علی‌رغم اینکه مایکروسافت مدام نقشی بسزا در ارائه مدل‌های زبانی بزرگ داشته، اما اخیراً اعلام کرده که رویکردی متفاوت را در پیش می‌گیرد. در نتیجه این شرکت سه مدل زبانی کوچک‌تر معرفی کرد که به قدرت محاسباتی کمتری در مقایسه با مدل‌های بزرگ‌تر نیاز دارند. علاوه بر مایکروسافت، برخی دیگر از شرکت‌ها همانند Sakana AI بر گسترش مدل‌های زبانی کوچک‌تر تمرکز دارند.
مطابق اظهارات مایکروسافت، مدل‌های زبانی بزرگ همچنان مهم‌ترین ابزار در گسترش، تحلیل و درک داده‌های پیچیده آن‌ها می‌باشند؛ با این حال مدل‌های کوچک‌تر برای برخی فعالیت‌ها می‌توانند کاربردی باشند و نیاز به وجود مدل‌های بزرگ‌تر را کاهش دهند. قطعاً برخی باور دارند که وجود مدل‌های زبانی بزرگ تحت هر شرایطی به سود کاربران است، حتی اگر هزینه بیشتری به ارمغان بیاورد.