در دنیای تکنولوژی گاهی بزرگترین پیروزیها در سکوت رقم میخورند. زمانی که رقبا با هیجان در حال سوزاندن میلیاردها دلار برای ساخت دیتاسنترهای عظیم بودند و اپل را بازنده رقابت هوش مصنوعی میدانستند، یک تله استراتژیک بزرگ در حال پهن شدن بود.
اپل به خوبی میدانست که نقطه ضعف مرگبار هوش مصنوعیِ فعلی، امنیت شکننده و وابستگی خطرناک آن به فضای ابری است. به همین دلیل، به جای ورود به این بازی خطرناک، در سکوت سالها وقت صرف کرد تا زیرساختی متفاوت و تا حد ممکن متکی بر پردازش محلی بسازد؛ رویکردی پنهان که اکنون قرار است قواعد بازی حریم خصوصی را برای همیشه تغییر دهد.
بازیگری که روی کوه پول نشست و تماشا کرد
اگر به سه سال گذشته نگاه کنیم، به نظر میرسید اپل بازی را کاملاً باخته است. آنها دستیار صوتی سیری (Siri) را خیلی پیشتر از رقبا در اختیار داشتند، اما فقط تماشا کردند که چگونه چتبات قدرتمندی مثل چت جی پی تی (ChatGPT) گوی سبقت را از آنها ربود. اپل هیچ مدل پرچمداری معرفی نکرد و برخلاف سایر غولهای فناوری، متعهد به پرداخت هزینههای میلیارد دلاری برای تأمین زیرساختهای پردازشی سنگین نشد. در حالی که سایر آزمایشگاههای هوش مصنوعی در حال سوزاندن کیسههای پول برای پیروزی در رقابتهای آماری بودند، اپل بدون هیچ عجلهای روی کوهی از پول نقد نشسته بود. این استراتژی و صبر، به آنها «قدرت انتخاب» داد.
نمونهای از اقتصاد بسیار پرهزینهی AI
برای درک بهتر این موضوع، بیایید به شرکت OpenAI نگاه کنیم؛ شرکتی که نماد بارز یک «ماشینِ پولسوزِ بینهایت» است. آنها توانستند با ارزشگذاری ۳۰۰ میلیارد دلاری سرمایه جذب کنند، اما خیلی زود با چالشهای عجیبی روبهرو شدند:
- توقف پروژههای جذاب: آنها مجبور شدند پروژهی تولید ویدئوی خود (Sora) را متوقف کنند. به دنبال این هزینههای سرسامآور، قرارداد سهسالهی آنها با شرکت دیزنی و سرمایهگذاری یک میلیارد دلاری این شرکت دود شد و به هوا رفت.
- راه رفتن روی لبهی تیغ: تلاشهای نافرجام برای تأمین قطعات، لغو پروژهی عظیم ساخت قطب داده (دیتاسنتر) در تگزاس و سقوط سهام شرکتهایی که روی این حوزه سرمایهگذاری کرده بودند، نشان میدهد این مسیر چقدر پرخطر است.
یک اشتباه محاسباتی کوچک، میتواند شرکتهای بزرگ را از بازی اخراج کند. در واقع اگر کمکهای مالی خارجی نباشند، هیچ بعید نیست که حتی پیشگامان این صنعت در آیندهای نزدیک به مرز ورشکستگی برسند.
پایان دورانِ «مدلهای غولپیکر»؛ همه چیز در جیب شماست!
شرکتهای پیشگام تصور میکردند که ساخت مدلهای هوشمندتر و سرورهای عظیم، برای آنها یک خندق دفاعی و دیواری غیرقابلنفوذ میسازد؛ اما امروز داشتن بهترین و بزرگترین مدل دیگر کافی نیست.
بهترین مثال در این زمینه، مدل Gemma 4 شرکت گوگل است؛ مدلی که طوری طراحی شده تا به سادگی روی گوشی موبایل شما اجرا شود. این مدل در برخی آزمونهای تخصصی1 توانسته نمرهی قبولی عالی (بیش از ۸۵ درصد) را کسب کند. مدلهایی که تا یک سال و نیم پیش پیشگام و دستنیافتنی بودند، حالا بهراحتی روی لپتاپهای معمولی و خانگی من و شما اجرا میشوند.
این تغییر فقط یک موضوع فنی نیست؛ برای شرکتهایی که مزیتشان را در خود مدل میدیدند، یک تهدید راهبردی هم هست. شرکتی مثل Anthropic (سازندهی هوش مصنوعی کِلود) این خطر را به خوبی حس کرده است. آنها فهمیدهاند که مدلهایشان به تنهایی مزیت نیستند، پس تلاش میکنند با ساخت ابزارهای جانبی، کاربر را در محیط خود نگه دارند.
سلاحهای پنهان اپل
در حالی که رقبا درگیر جنگِ پرهزینه برای تصاحب سرورهای ابری بودند، اپل دو سلاح قدرتمند و پنهان را توسعه داد: تسلط بر دادههای شخصی و معماری سختافزاری بیرقیب برای پردازش آفلاین.
معدن طلای اطلاعات
ارزش واقعی یک هوش مصنوعی در درک بستر شخصی (Context) نهفته است. مدلی که پیچیدهترین معادلات را حل کند، اما از پیامها، وضعیت سلامت و عادات روزمره شما بیخبر باشد، در عمل یک ابزار کور است. اپل با حدود ۲.۵ میلیارد دستگاه فعال، دقیقاً روی همین معدن طلای اطلاعات شخصی نشسته و به جای ساخت یک مدل عمومی خشک، روی حفظ این دادهها تمرکز کرده است.
به همین دلیل است که اقدام اپل برای اجارهی مدل هوش مصنوعیِ جمنای (Gemini) از گوگل برای پردازشهای سنگین، بسیار منطقی است. اپل با هزینهای ناچیز، مغز متفکر را اجاره میکند، اما رابط کاربری، حریم خصوصی و حس امنیت مخاطب را برای خودش نگه میدارد.
قطعاتی که جادو میکنند
اپل یک اهرم غیرمنتظره و بسیار جذاب دیگر هم در آستین داشت: طراحی خاص قطعات! پردازندههای اختصاصی اپل در ابتدا فقط برای این ساخته شدند که باتری لپتاپها دیرتر تمام شود و دستگاه هنگام کار کردن داغ نکند؛ اما گذر زمان نشان داد که این قطعات، یکی از مناسبترین معماریها برای اجرای هوش مصنوعیِ محلی (لوکال) هستند.
برای مثال، اخیراً یک برنامهنویس توانسته در یک آزمایش2 به کمک تکنیکهای فشردهسازی (مانند LLM in a Flash) یکی از حجیمترین و سنگینترین مدلهای هوش مصنوعی (با حجم بیش از ۲۰۰ گیگابایت و حدود ۴۰۰ میلیارد پارامتر) را روی یک لپتاپ خانگی اپل (مکبوک M3 Max)، با سرعت باورنکردنی (۵.۷ توکن بر ثانیه) اجرا کند! اجرای این سطح از هوش مصنوعی روی یک دستگاه خانگی تا چند سال پیش یک رویای دستنیافتنی بود.
شانس یا برنامهریزی؟ برنده نهایی بازی کیست؟
آیا همهی اینها از ابتدا در ذهن مدیران اپل بود یا آنها فقط با شانس و اقبال همراه شدند؟ واقعیت این است که ترکیبی از هر دو در کار بود. تمرکز روی حریم خصوصی کاربران، انجام پردازشها درون خود دستگاه و ساخت تراشههای اختصاصی، تصمیماتی بودند که اپل سالها پیش برای راحتی مخاطبانش گرفت. آنها شاید نمیدانستند که این قطعات روزی به قلب تپندهی هوش مصنوعی تبدیل میشوند، اما کار اصولی همیشه برنده است.
شاید اپل هنوز برندهی قطعی رقابت هوش مصنوعی نباشد، اما حالا دیگر سخت میشود آن را صرفاً بازندهای جامانده دانست. نظر شما در این مورد چیست؟
- مدل Gemma 4 31B در ارزیابی MMLU-Pro امتیاز ۸۵.۲ درصد کسب کرده است؛ معیاری تخصصی که برای سنجش توانایی مدلهای زبانی در فهم، استدلال و پاسخگویی در موضوعات متنوع به کار میرود. ↩︎
- در این آزمایش، مدل Qwen3.5-397B-A17B روی MacBook Pro مجهز به M3 Max و ۴۸ گیگابایت حافظهی یکپارچه اجرا شد و بخش عمدهی وزنهای مدل بهصورت جریانی از SSD خوانده میشد. عدد ۵.۷۴ توکن بر ثانیه مربوط به پیکربندی سریعتر اما کمدقتتر بود، در حالی که پیکربندی پایدارتر و مناسبتر برای استفادهی واقعی حدود ۴.۳۶ توکن بر ثانیه گزارش شده است. ↩︎
۲ پاسخ
|
طبیعتا هرچقدر مدلهای سبکتر و متنباز پیشرفت میکنن، مدلهای پیشرفتهتر انحصاری هم پیشرفت میکنن. اتفاقا آموزش همین مدلهای متنباز خودش نیاز به دیتاسنترها و منابع عظیم داره.
درسته که با پیشرفت مدلهای متنباز خیلی از کارهای ما با همون مدلهای لوکال انجام میشه ولی همیشه تقاضا و نیاز برای مدلهای پیشرفتهتر وجود داره و هرکس مدل پیشرفتهتری داشته باشه، سهم بیشتر و زودتری از آینده خواهد داشت. بنابراین بازهم به دیتاسنترهای عظیم و سرمایهگذاری در این حوزه نیاز داریم.
البته من پیامدهای مالی این سرمایهگذاری رو نمیدونم چه خواهد شد و اینکه اینقدر پول متمرکز بشه روی این حوزه آیا آوردهای به اندازهی انتظار سرمایهگذاران خواهد داشت یا اگه نداشته باشه چه خواهد شد. ولی چیزی که مشخصه اینه که هرکس قدرت محاسباتی بیشتری داشته باشه، سهم بیشتری خواهد داشت و طبیعتا منظورم از قدرت محاسباتی، قدرت کامپیوترهای شخصی نیست که اپل توشون پیشتازه، بلکه دیتاسنترها.
|
شاید یکی از دلایل عدم هزینه کرد بالای اپل بر روی هوش مصنوعی، نوع نگاه سهام دار ان وارن بافت باشد.