چرا زیرساخت بومی هوش مصنوعی، نه مدل‌ها، موفقیت شرکت‌ها را تعیین خواهد کرد؟

با انتشار دیپ‌سیک، یک مدل زبانی بزرگ (LLM) بسیار پیچیده با منشأ بحث‌برانگیز، صنعت در حال حاضر توسط دو سوال گرفتار شده است:

• آیا دیپ‌سیک واقعی است یا فقط دود و آینه؟
• آیا ما بیش از حد در شرکت‌هایی مانند OpenAI و NVIDIA سرمایه‌گذاری کرده‌ایم؟

نظرات طعنه‌آمیز توییتر حاکی از آن است که دیپ‌سیک کاری را انجام می‌دهد که فناوری چینی در آن بهترین است: "تقریباً به همان خوبی، اما بسیار ارزان‌تر." دیگران اشاره می‌کنند که به نظر می‌رسد خیلی خوب است که درست باشد. یک ماه پس از انتشار آن، بازار NVIDIA تقریباً ۶۰۰ میلیارد دلار کاهش یافت و Axios پیشنهاد می‌کند که این می‌تواند یک رویداد در سطح انقراض برای شرکت‌های سرمایه‌گذاری باشد. صداهای بزرگ این سوال را مطرح می‌کنند که آیا تعهد ۵۰۰ میلیارد دلاری پروژه Stargate به سمت سرمایه‌گذاری در زیرساخت فیزیکی هوش مصنوعی مورد نیاز است، فقط ۷ روز پس از اعلام آن.

و امروز، علی‌بابا به تازگی مدلی را معرفی کرده است که ادعا می‌کند از دیپ‌سیک فراتر می‌رود!

مدل‌های هوش مصنوعی فقط یک بخش از معادله هستند. این شیء جدید و براق است، نه کل بسته برای شرکت‌ها. آنچه گم شده است، زیرساخت بومی هوش مصنوعی است.

یک مدل بنیادی صرفاً یک فناوری است - برای تبدیل شدن به یک دارایی تجاری قدرتمند، به ابزارهای توانا و بومی هوش مصنوعی نیاز دارد. با تکامل سریع هوش مصنوعی، مدلی که امروز اتخاذ می‌کنید ممکن است فردا منسوخ شود. آنچه کسب‌وکارها واقعاً به آن نیاز دارند، نه فقط "بهترین" یا "جدیدترین" مدل هوش مصنوعی، بلکه ابزارها و زیرساخت‌ها برای انطباق یکپارچه با مدل‌های جدید و استفاده مؤثر از آنهاست.

اینکه دیپ‌سیک نشان دهنده نوآوری مخرب است یا اغراق بیش از حد، سؤال واقعی نیست. در عوض، سازمان‌ها باید بدبینی خود را کنار بگذارند و از خود بپرسند که آیا زیرساخت هوش مصنوعی مناسب برای مقاومت در برابر بهبود و تغییر مدل‌ها را دارند یا خیر. و آیا می‌توانند به راحتی بین مدل‌ها جابجا شوند تا به اهداف تجاری خود بدون مهندسی مجدد همه چیز دست یابند؟

مدل‌ها در مقابل زیرساخت در مقابل برنامه‌ها

برای درک بهتر نقش زیرساخت، سه جزء استفاده از هوش مصنوعی را در نظر بگیرید:

• مدل‌ها: اینها موتورهای هوش مصنوعی شما هستند - مدل‌های زبانی بزرگ (LLM) مانند ChatGPT، Gemini و دیپ‌سیک. آنها وظایفی مانند درک زبان، طبقه‌بندی داده‌ها، پیش‌بینی‌ها و موارد دیگر را انجام می‌دهند.
• زیرساخت: این پایه و اساسی است که مدل‌های هوش مصنوعی روی آن کار می‌کنند. این شامل ابزارها، فناوری و خدمات مدیریت‌شده لازم برای ادغام، مدیریت و مقیاس‌بندی مدل‌ها در عین هماهنگ کردن آنها با نیازهای تجاری است. این به طور کلی شامل فناوری متمرکز بر محاسبات، داده، هماهنگ‌سازی و ادغام است. شرکت‌هایی مانند آمازون و گوگل زیرساخت لازم برای اجرای مدل‌ها و ابزارهایی برای ادغام آنها در پشته فناوری یک شرکت را فراهم می‌کنند.
• برنامه‌ها/موارد استفاده: اینها برنامه‌هایی هستند که کاربران نهایی می‌بینند که از مدل‌های هوش مصنوعی برای دستیابی به یک نتیجه تجاری استفاده می‌کنند. صدها پیشنهاد از شرکت‌های فعلی که هوش مصنوعی را به برنامه‌های موجود اضافه می‌کنند (یعنی Adobe ،Microsoft Office با Copilot) و رقبای بومی هوش مصنوعی آنها (Numeric ،Clay ،Captions) وارد بازار می‌شوند.

در حالی که مدل‌ها و برنامه‌ها اغلب کانون توجه را به خود جلب می‌کنند، زیرساخت بی‌صدا همه چیز را قادر می‌سازد تا به آرامی با هم کار کنند و پایه و اساس نحوه عملکرد مدل‌ها و برنامه‌ها را در آینده تعیین می‌کند. این تضمین می‌کند که سازمان‌ها می‌توانند بین مدل‌ها جابجا شوند و ارزش واقعی هوش مصنوعی را باز کنند - بدون صرف هزینه زیاد یا اختلال در عملیات.

چرا زیرساخت بومی هوش مصنوعی برای ماموریت حیاتی است

هر LLM در وظایف مختلفی برتری دارد. به عنوان مثال، ChatGPT برای هوش مصنوعی مکالمه عالی است، در حالی که Med-PaLM برای پاسخ به سوالات پزشکی طراحی شده است. چشم‌انداز هوش مصنوعی به قدری مورد رقابت است که مدل برتر امروز می‌تواند فردا توسط یک رقیب ارزان‌تر و بهتر تحت الشعاع قرار گیرد.

بدون زیرساخت انعطاف‌پذیر، شرکت‌ها ممکن است خود را در یک مدل قفل شده بیابند و بدون بازسازی کامل پشته فناوری خود قادر به تغییر نباشند. این یک موقعیت پرهزینه و ناکارآمد است. با سرمایه‌گذاری در زیرساختی که مدل-محور نیست، کسب‌وکارها می‌توانند بهترین ابزارها را برای نیازهای خود ادغام کنند - چه انتقال از ChatGPT به دیپ‌سیک باشد، یا اتخاذ یک مدل کاملاً جدید که ماه آینده راه‌اندازی می‌شود.

یک مدل هوش مصنوعی که امروز پیشرفته است، ممکن است در عرض چند هفته منسوخ شود. پیشرفت‌های سخت‌افزاری مانند GPUها را در نظر بگیرید - کسب‌وکارها کل سیستم محاسباتی خود را برای جدیدترین GPU جایگزین نمی‌کنند. در عوض، آنها اطمینان حاصل می‌کنند که سیستم‌هایشان می‌توانند به طور یکپارچه با GPUهای جدیدتر سازگار شوند. مدل‌های هوش مصنوعی به همین سازگاری نیاز دارند. زیرساخت مناسب تضمین می‌کند که شرکت‌ها می‌توانند به طور مداوم مدل‌های خود را بدون مهندسی مجدد کل گردش‌های کاری ارتقا یا تغییر دهند.

بسیاری از ابزارهای فعلی شرکت‌ها با ذهنیت هوش مصنوعی ساخته نشده‌اند. اکثر ابزارهای داده - مانند مواردی که بخشی از پشته تحلیل سنتی هستند - برای دستکاری داده‌های سنگین کد و دستی طراحی شده‌اند. تطبیق هوش مصنوعی با این ابزارهای موجود اغلب ناکارآمدی ایجاد می‌کند و پتانسیل مدل‌های پیشرفته را محدود می‌کند.

از سوی دیگر، ابزارهای بومی هوش مصنوعی، به منظور تعامل یکپارچه با مدل‌های هوش مصنوعی ساخته شده‌اند. آنها فرآیندها را ساده می‌کنند، اتکا به کاربران فنی را کاهش می‌دهند و از توانایی هوش مصنوعی برای نه تنها پردازش داده‌ها، بلکه استخراج بینش‌های عملی استفاده می‌کنند. راه‌حل‌های بومی هوش مصنوعی می‌توانند داده‌های پیچیده را انتزاع کنند و آن را برای پرس و جو یا تجسم توسط هوش مصنوعی قابل استفاده کنند.

ارکان اصلی موفقیت زیرساخت هوش مصنوعی

برای آینده‌نگاری کسب‌وکار خود، این عناصر بنیادی را برای زیرساخت هوش مصنوعی در اولویت قرار دهید:

• لایه انتزاع داده: هوش مصنوعی را به عنوان یک "کودک نوپا فوق‌العاده قدرتمند" در نظر بگیرید. بسیار توانمند است، اما به مرزهای واضح و دسترسی هدایت‌شده به داده‌های شما نیاز دارد. یک لایه انتزاع داده بومی هوش مصنوعی به عنوان یک دروازه کنترل‌شده عمل می‌کند و تضمین می‌کند که LLMهای شما فقط به اطلاعات مرتبط دسترسی دارند و پروتکل‌های امنیتی مناسب را دنبال می‌کنند. همچنین می‌تواند دسترسی مداوم به فراداده و زمینه را بدون توجه به مدل‌هایی که استفاده می‌کنید، فراهم کند.
• قابلیت توضیح و اعتماد: خروجی‌های هوش مصنوعی اغلب می‌توانند مانند جعبه‌های سیاه باشند - مفید، اما اعتماد به آنها دشوار است.