آیا می‌دانید ۸۰ درصد مدل‌های هوش مصنوعی که در محیط‌های تولید (Production) مستقر می‌شوند، بر پایه معماری‌های باز (Open Source) اجرا می‌شوند؟ این آمار شگفت‌انگیز، تنها نکته‌یIceberg است که کلم دلانگ (Clem Delangue)، مدیر عامل و بنیان‌گذار هاشینگ فیس (Hugging Face)، در مصاحبه‌ای اخیر با تک‌کرانچ (TechCrunch) فاش کرد. او با صراحت اعلام کرد: رقابت واقعی هوش مصنوعی دیگر در مرزهای پیشرفته (Frontier) مدل‌های بسته و انحصاری نیست؛ جنگ اصلی در لایه‌ی مدل‌های باز، ارزان‌تر و قابل‌ملکیت جریان دارد. این بیانیه، نقطه عطفی است در فلسفه‌ی توسعه‌ی AI که سال‌هاست بر پایه‌ی «بزرگ‌تر، قوی‌تر، بسته‌تر» تعریف می‌شده بود.

پیشینه و تاریخچه: از لبه‌ی پیشرفته تا دموکراسی‌سازی AI

هاشینگ فیس که در سال ۲۰۱۶ به عنوان یک چت‌بات ساده آغاز به کار کرد، امروز بزرگترین پلتفرم میزبانی و اشتراک‌گذاری مدل‌های یادگیری ماشین در جهان است با بیش از ۱ میلیون مدل، دیتاست و اپلیکیشن در مخازن خود. در سال‌های اول، تمرکز صنعت بر روی مدل‌های مرزی (Frontier Models) مانند GPT-3، GPT-4، کلاد (Claude) و جمنا (Gemini) بود که توسعه‌ی آن‌ها هزینه‌های کلان محاسباتی، سرمایه‌های میلیاردی و تیم‌های تخصصی می‌طلبد. اما موازی با این روند، جنبش Open Source AI با مدل‌هایی مانند بلوما (BLOOM)، لاما (LLaMA) متا، میسترال (Mistral) و جمّا (Gemma) گوگل، قدرت گرفت. این مدل‌ها نه تنها عملکردی نزدیک به مدل‌های مرزی داشتند، بلکه با لایسنس‌های باز (Apache 2.0، MIT) امکان تنظیم دقیق (Fine-tuning)، استقرار در محیط‌های خصوصی (On-premise) و مالکیت کامل وزن‌ها را می‌دادند.

جزئیات کامل خبر: چیستی و چرایی تغییر معادله

در مقاله‌ی منتشرشده در ۱۴ ژوئیه ۲۰۲۶، تک‌کرانچ از زبان دلانگ نقل می‌کند: شرکت‌های エンタープرایز (Enterprise) دیگر نمی‌خواهند داده‌های حساس خود را به APIهای شخص ثالث بفرستند. آن‌ها کنترل کامل بر وزن‌های مدل، معماری و خط لوله‌ی استنتاج (Inference Pipeline) می‌خواهند. دلانگ سه عامل کلیدی را برشمرد:

• هزینه: استنتاج (Inference) روی مدل‌های باز با بهینه‌سازی‌هایی مانند کوانتایزیشن (Quantization) و دیستیلاسیون (Distillation) تا ۱۰ برابر ارزان‌تر از فراخوانی API مدل‌های مرزی است.
• دسترسی: مدل‌های باز بدون محدودیت نرخ (Rate Limit)، قطعی سرویس یا تغییرات ناگهانی در شرایط خدمات در دسترس هستند.
• مالکیت: سازمان‌ها وزن‌های مدل را به عنوان دارایی استراتژیک (IP) در Балانس‌شیت خود ثبت می‌کنند، نه به عنوان هزینه‌ی اجرایی (OpEx).

دلانگ اضافه کرد: ما در هاشینگ فیس شاهد هستیم که بیش از ۶۰ درصد ترافیک استنتاج ما از مدل‌های باز با پارامترهای کمتر از ۷۰ میلیارد (مانند Llama-3-70B، Mixtral-8x22B، Nemotron-3-8B) می‌آید. مدل‌های مرزی همچنان برای تحقیق و بنچ‌مارک مهم هستند، اما در تولید واقعی، مدل‌های باز پادشاهند.

مقایسه با رقبا: استراتژی بسته در برابر باز

در حالی که اوپن‌ای‌آی (OpenAI)، آنتروپیک (Anthropic) و گوگل دپ‌مَایند (Google DeepMind) همچنان بر توسعه‌ی مدل‌های مرزی بزرگتر و قوی‌تر تمرکز دارند، متا (Meta) با استراتژی «باز کردن لاما» و میسترال (Mistral AI) با مدل‌های کارآمد باز، بازی را تغییر داده‌اند. گوگل نیز با جمّا (Gemma) وارد میدان باز شده است. این تقابل، شباهت زیادی به جنگ مرورگرها در دهه ۹۰ یا جنگ لینوکس در برابر ویندوز دارد: استانداردهای باز در نهایت اکوسیستم وسیع‌تری را جذب می‌کنند.

🔍 تحلیل نیکای

این تغییر پارادایم، پیامدهای عمیقی برای اکوسیستم فناوری ایران دارد. شرکت‌های ایرانی که تحت تحریم‌ها و محدودیت‌های دسترسی به APIهای جهانی (مانند OpenAI، Anthropic) قرار دارند، با مدل‌های باز می‌توانند زیرساخت هوش مصنوعی مستقل، انحصاری و سازگار با مقررات داده‌های داخلی بسازند. هزینه‌ی استقرار مدل‌هایی مانند Llama-3.1-70B یا Nemotron-3-Ultra روی سخت‌افزارهای موجود در دیتاسنترهای داخلی، یک دهم هزینه‌ی استفاده از APIهای خارجی است. پیش‌بینی من برای ۳ تا ۶ ماه آینده: شاهد ظهور استارتاپ‌های ایرانی تخصصی در زمینه‌ی «سرویس‌دهی مدل‌های باز به عنوان سرویس (MaaS)» خواهیم بود که لایه‌ی میانی بین زیرساخت سخت‌افزاری و اپلیکیشن‌های نهایی را پر می‌کنند. رقبای اصلی در این میدان، نه اوپن‌ای‌آی، که پلتفرم‌هایی مانند Together AI، Fireworks AI و Anyscale هستند که زیرساخت استقرار مقیاس‌پذیر مدل‌های باز را فروش می‌کنند.

💡 نکات کلیدی

• ۸۰ درصد مدل‌های AI در محیط تولید بر پایه معماری‌های باز اجرا می‌شوند (آمار هاشینگ فیس).
• مدل‌های باز تا ۱۰ برابر ارزان‌تر از APIهای مدل‌های مرزی برای استنتاج هستند.
• مالکیت وزن‌های مدل به عنوان دارایی استراتژیک در بالانس‌شیت شرکت‌ها ثبت می‌شود.
• هاشینگ فیس بیش از ۱ میلیون مدل/دیتاست میزبانی می‌کند و مرکز ثقل اکوسیستم باز است.
• شرکت‌های ایرانی می‌توانند با مدل‌های باز، زیرساخت AI مستقل و سازگار با قوانین داده‌سازی بسازند.

🎯 برای چه کسانی مهم است؟

این خبر برای CTOها و مدیران مهندسی که معماری AI سازمان را طراحی می‌کنند، توسعه‌دهندگان ML که به دنبال کنترل کامل خط لوله مدل هستند، استارتاپ‌های AI بومی که نیاز به کاهش هزینه استنتاج دارند، محققان آکادمیک که به وزن‌های باز برای پیشبرد علم نیاز دارند، و پلیسی‌میکران که قانون‌گذاری داده و سیادت AI را تدوین می‌کنند، حیاتی است.

سؤال: آیا سازمان شما برای مهاجرت از APIهای بسته به مدل‌های باز و मालکیت کامل وزن‌ها برنامه‌ریزی کرده است؟ در نظرات به اشتراک بگذارید.

منبع: TechCrunch - The real AI race may no longer be at the frontier