«شمردن راه‌ها» در هوش مصنوعی؛ از درآمد OpenAI و Anthropic تا محاسبات هوش مصنوعی | ARD #182

دوشنبه است و موضوع امروز «شمردن راه‌ها» در هوش مصنوعی است. در موج فناوری هوش مصنوعی، همه تلاش می‌کنند هوش مصنوعی را اندازه‌گیری کنند، اما هیچ‌کس آن را دقیقاً به یک شکل نمی‌شمارد. امروز سه موضوع اصلی مطرح است: شمردن درآمد، در شرایطی که OpenAI و Anthropic پیش از عرضه‌های اولیه بزرگ خود با ابهام‌های مالی روبه‌رو هستند؛ شمردن توکن‌ها، زیرا شرکت‌ها تلاش می‌کنند هزینه‌های هوش مصنوعی را در برابر اهدافی که دائماً تغییر می‌کنند مدیریت کنند؛ و شمردن توان محاسباتی، از مراکز داده گرفته تا محل‌های کاری و حتی خانه‌ها.

سپس به هوش مصنوعی در ابزارهای روزمره می‌رسیم؛ یعنی اندازه‌گیری اثر هوش مصنوعی بر جوانان. شاید این دشوارترین شمارش از همه باشد.

(۱) شمارش درآمد OpenAI و Anthropic همچنان یک «جعبه سیاه» است

بر اساس گزارشی از بلومبرگ با عنوان «درآمد جعبه سیاه Anthropic و OpenAI معامله‌گران را سردرگم کرده است»، جزئیات بیشتری درباره نحوه محاسبه درآمد این دو شرکت پیش از عرضه اولیه سهام آن‌ها منتشر شده است. Anthropic فروش مدل‌های خود از طریق شرکای ابری مانند آمازون را با مبلغ ناخالص محاسبه می‌کند، در حالی که OpenAI تنها سهم خود را در نظر می‌گیرد. سرمایه‌گذاران تلاش کرده‌اند این دو روش را به شکلی قابل مقایسه تبدیل کنند، اما به این نتیجه رسیده‌اند که اطلاعات کافی برای انجام این کار وجود ندارد. همان‌طور که اسوات داموداران از دانشگاه نیویورک گفته است: «اینکه ما روی ARR تمرکز کرده‌ایم، یعنی از قبل مسیر را گم کرده‌ایم.»

خودِ نرخ سالانه‌شده درآمد نیز مفهومی قابل بحث است. درآمد سالانه‌شده یک معیار حسابداری استاندارد نیست؛ ممکن است بر اساس آخرین هفته یا ماه، یا بهترین دوره یک فصل محاسبه و سپس به کل سال تعمیم داده شود. OpenAI انتظار دارد تا پایان سال به سرعت درآمد سالانه‌شده ۷۰ میلیارد دلار یا بیشتر برسد، اما درآمد واقعی آن در سال جاری تنها حدود ۳۵ میلیارد دلار خواهد بود؛ یعنی تقریباً نصف این رقم. Anthropic نیز سال گذشته شرایط مشابهی داشت: حدود ۴.۶ میلیارد دلار درآمد واقعی در سال ۲۰۲۵ در برابر سرعت سالانه‌شده بیش از ۹ میلیارد دلار. این شرکت در ژوئیه به سرعت سالانه‌شده ۶۵ میلیارد دلار رسید. همان‌طور که The Information هفته گذشته اشاره کرد، این تفاوت‌ها زمانی که هر دو شرکت عمومی شوند کمتر خواهد شد.

دیدگاه نویسنده: تا زمانی که فرم‌های S-1 هر دو شرکت، به‌ویژه فرم Anthropic پیش از عرضه اولیه بزرگ آن، منتشر نشود، مشخص نخواهد بود دقیقاً چگونه همه‌چیز محاسبه می‌شود و سردرگمی زیادی باقی خواهد ماند. من به محاسبه خالص درآمد متمایل هستم. این همان روشی است که در مورد eBay، زمانی که در سال ۱۹۹۸ به‌عنوان تحلیلگر ارشد Goldman Sachs در عرضه عمومی آن نقش داشتم، استفاده کردیم: تفاوت میان ارزش ناخالص کالاهای معامله‌شده و درآمد خالص.

اما ابهام و پیچیدگی فقط به این موضوع محدود نمی‌شود؛ ساختار قراردادها، توافق‌نامه‌های محرمانگی و موارد دیگر نیز نقش دارند. در سطح کلی، OpenAI به سرعت سالانه‌شده حدود ۷۰ میلیارد دلار تا پایان سال می‌رسد و برآورد من این است که Anthropic به سرعتی بین ۱۰۰ تا ۱۲۰ میلیارد دلار برسد. شرکت‌ها، بانکداران و سرمایه‌گذاران ناچارند به روش سنتی به محاسبه و بررسی اعداد بپردازند. در همین حال، بازارهای عمومی با هر داده جدید بالا و پایین می‌شوند؛ چیزی که به نظر من کمی زودهنگام است. باید صبور باشیم و ابتدا روش‌های درست شمارش معیارها را پیدا کنیم. یک سال پیش درباره راه‌های ارزش‌گذاری OpenAI می‌نوشتم؛ اکنون درباره راه‌های شمارش همین شمارش‌ها صحبت می‌کنیم.

منابع: Bloomberg، «درآمد جعبه سیاه Anthropic و OpenAI معامله‌گران را سردرگم کرده است»؛ The Information، «اختلال ARR در OpenAI نشان‌دهنده مشکل این معیار است».

(۲) بودجه‌بندی هوش مصنوعی، توکن به توکن دشوارتر می‌شود

بر اساس گزارش وال‌استریت ژورنال، بودجه‌بندی هزینه‌های هوش مصنوعی برای شرکت‌ها دشوارتر شده است. تنها ۱۱ درصد از حدود ۴۰۰ شرکت بررسی‌شده توانسته‌اند هزینه هوش مصنوعی خود را با دقت پیش‌بینی کنند. ابتدا موج «مصرف حداکثری توکن» شکل گرفت؛ شرکت‌ها کارکنان را تشویق می‌کردند تا تا حد ممکن از هوش مصنوعی استفاده کنند. سپس صورت‌حساب‌ها از راه رسیدند.

ارزان‌تر همیشه به معنای ارزان‌تر نیست. پژوهشگران دانشگاه استنفورد، کارنگی ملون، برکلی و Microsoft Research بیش از ۶۸۰۰ وظیفه را آزمایش کردند و دریافتند در ۳۲ درصد موارد، مدل ارزان‌تر هوش مصنوعی در نهایت هزینه بیشتری ایجاد کرده است. در یک آزمایش، Gemini 3 Flash گوگل ۹۵۲ مرحله اجرا انجام داد، حدود ۱۴ دلار هزینه داشت و شکست خورد؛ در حالی که Gemini 3.1 Pro همان کار را در ۸۵ مرحله و با هزینه حدود یک دلار انجام داد. حتی یک مدل یکسان نیز ممکن است برای اجرای یک وظیفه مشابه در هر بار، تعداد متفاوتی توکن مصرف کند. گوگل مشتریان را به استفاده از سقف‌های هزینه و قیمت‌گذاری انعطاف‌پذیر هدایت می‌کند.

دیدگاه نویسنده: درباره نوسان میان مصرف حداکثری توکن و کنترل بودجه زیاد نوشته‌ام؛ زمانی که مدیران عامل به توسعه‌دهندگان و کارکنان دانشی می‌گفتند هرچقدر لازم است از هوش مصنوعی استفاده کنید و نتیجه بگیرید. این رویکرد زمانی تغییر کرد که شرکت‌ها دریافتند ممکن است هزینه هر کارمند به هزاران دلار برسد و برخی نیز با قبض‌های چندمیلیون‌دلاری مواجه شدند؛ مبالغی که به شرکت‌هایی مانند Anthropic و OpenAI پرداخت می‌شود.

چرا این موضوع تا این حد دشوار است؟ مدل‌ها تغییر می‌کنند و روش انجام استنتاج، یادگیری تقویتی و اجرای برنامه‌ها نیز تغییر می‌کند. محاسبات مدل‌های زبانی بزرگ احتمالی است، نه قطعی. این سیستم‌ها هزاران و گاهی صدها هزار تکرار محاسباتی انجام می‌دهند و هیچ دو اجرا دقیقاً مشابه نیستند. بنابراین چیزی که برای مصرف توکن بودجه‌بندی می‌کنید همیشه همان چیزی نیست که واقعاً مصرف می‌شود.

انتظار می‌رود شرکت‌های فناوری روش‌های جذابی برای اندازه‌گیری این موضوع ارائه دهند و فروش آن را به یک کسب‌وکار بزرگ در خدمات سازمانی تبدیل کنند. اثر ژوونس نیز شرایط را دشوارتر می‌کند: هرچه مدل‌ها در سطوح مختلف کارآمدتر می‌شوند، کاربردهای جدیدی ایجاد می‌کنیم و انفجار توکن‌های ارزان‌تر با بودجه‌هایی برخورد می‌کند که فصل قبل و پیش از وجود این مدل‌های جدید تعیین شده بودند.

(۳) جست‌وجوی توان محاسباتی هوش مصنوعی؛ از مراکز داده تا زیرزمین خانه‌ها

همه به دنبال توان محاسباتی هستند. حتی در بالاترین سطح، تخصیص منابع محاسباتی میان تیم‌ها یک چالش بزرگ است. گوگل یکی از پژوهشگران برجسته هوش مصنوعی خود، نوام شازیر، را از دست داد؛ فردی که این شرکت در سال ۲۰۲۴ برای بازگرداندنش ۲.۷ میلیارد دلار پرداخت کرده بود، اما پس از کاهش منابع محاسباتی تیمش به OpenAI رفت. طبق گزارش SemiAnalysis، اجاره تراشه‌های قدیمی‌تر Nvidia H100 با قرارداد یک‌ساله حدود ۶۰ درصد بیشتر از یک سال قبل هزینه دارد. ارائه‌دهندگان خدمات ابری اکنون قراردادهای چندساله می‌خواهند و پرداخت‌های پیش‌پرداخت آن‌ها اغلب به ۳۰ درصد می‌رسد. رقبا نیز با یکدیگر همکاری می‌کنند: Anthropic بیش از ۳۰۰ مگاوات توان محاسباتی از SpaceX متعلق به ایلان ماسک اجاره می‌کند؛ قراردادی که ارزش آن تا ۴۵ میلیارد دلار اعلام شده است.

در همین حال، متخصصان فناوری در خانه‌های خود نیز در حال ذخیره‌سازی توان محاسباتی هوش مصنوعی هستند. گری فلیک، مدیر پیشین مایکروسافت، یک سیستم هفت‌پردازنده‌ای در زیرزمین خانه‌اش با هزینه کمتر از ۶۰۰۰ دلار ساخت و سپس ۱۰ تا ۲۰ هزار دلار دیگر برای برق و تهویه هزینه کرد. توبی لوتکه، مدیرعامل Shopify، تجهیزات خود را در یک انبار شراب شیشه‌ای قرار داده تا کنترل دما بهتر باشد. هیتن شاه از Crazy Egg نیز ۱۸ رایانه، شامل ۱۴ مک مینی و مک استودیو، استفاده می‌کند و دمای دفترش به ۸۵ درجه فارنهایت می‌رسد.

دیدگاه نویسنده: ما در محیطی با محدودیت عرضه قرار داریم و این وضعیت احتمالاً تا پایان دهه ادامه خواهد داشت. از بزرگ‌ترین شرکت‌ها تا کوچک‌ترین استارتاپ‌های هوش مصنوعی، همه برای دستیابی به توان محاسباتی تلاش می‌کنند. مشکل اصلی فقط ساخت مراکز داده نیست؛ بلکه تلاش روزمره برای به‌دست آوردن منابع لازم جهت تحقیق، ساخت و اجرای محصولات است. این یک مسئله فصلی نیست، بلکه مسئله‌ای چندساله است.

جمع‌بندی من

در هر سه جبهه، یعنی درآمد، توکن‌ها و توان محاسباتی، روش‌های شمارش متفاوت است و هر شرکت آن را به شکل دیگری اندازه‌گیری می‌کند. با تغییر سریع فناوری‌های زیربنایی، مشکلات مربوط به اندازه‌گیری، مقیاس‌دهی محاسبات و تأمین انرژی احتمالاً پیش از بهتر شدن، پیچیده‌تر خواهند شد. در این موج فناوری هوش مصنوعی، زمان و صبر اهمیت زیادی دارد.

هوش مصنوعی در ابزارهای روزمره: شمارش اثر هوش مصنوعی بر جوانان

اثر فناوری بر جوانان، به‌ویژه در زمینه شبکه‌های اجتماعی، موضوعی گسترده بوده است و مطالعات زیادی درباره اثر فیسبوک و متا بر ذهن جوانان انجام شده است. این موضوع برای هوش مصنوعی نیز اهمیت زیادی دارد و شرکت‌های پیشرو در حال شناسایی آن و انجام اصلاحات هستند. طبق گزارش وال‌استریت ژورنال، OpenAI در کاهش توهم‌های ناشی از هوش مصنوعی که با رفتار بیش‌ازحد تأییدکننده ChatGPT مرتبط بوده‌اند، پیشرفت کرده است.

OpenAI می‌گوید GPT-5 رفتار تأییدکننده افراطی را نسبت به GPT-4o بیش از دو سوم کاهش داده است و پژوهشگران مستقل از دانشگاه‌های CUNY، کینگز کالج لندن و Transluce نیز این بهبود را مشاهده کرده‌اند. OpenAI سال گذشته با ۱۷۰ متخصص سلامت روان همکاری کرد و اکنون بیش از ۸۰ متخصص دارای مجوز در گفت‌وگوهای روزمره کمک می‌کنند. با وجود بیش از ۹۰۰ میلیون کاربر هفتگی ChatGPT، گروه‌هایی مانند Human Line Project می‌گویند این مشکل همچنان وجود دارد.

از سوی دیگر، وال‌استریت ژورنال گزارش داده است مطالعه‌ای روی بیش از ۱۵۰۰ دانش‌آموز دبیرستانی نشان داده ویدئوهای کوتاه می‌توانند درک آن‌ها از آینده را تضعیف کنند. همچنین توافق ۱۸ میلیارد دلاری متا با ۴۸ ایالت شامل محدودیت روزانه دو ساعت برای نوجوانان در اینستاگرام و فیسبوک است.

دیدگاه نویسنده: هوش مصنوعی طوری ساخته و عرضه شده که تا حدی برای کاربران، به‌ویژه کاربران جوان‌تر، تأییدکننده باشد و این احساس را ایجاد کند که مانند بهترین دوست آن‌هاست. بنابراین دیدن واکنش پیشگیرانه صنعت، زودتر از دیرتر، اتفاق خوبی است. فناوری همیشه کاربرد دوگانه دارد؛ هم جنبه مثبت دارد و هم منفی. هرچه زودتر عناصر منفی را شناسایی و محصولات را که قابلیت تغییر بالایی دارند اصلاح کنیم، بهتر است.

والدین نیز باید وارد این مسیر شوند. نباید همه‌چیز را به معلمان و مربیان واگذار کرد. پیچیده بودن هوش مصنوعی به این معنا نیست که نباید زودتر در این حوزه مشارکت کرد.

پرسش و پاسخ

چگونه توان محاسباتی هوش مصنوعی را در خانه افزایش می‌دهم؟

من همچنان طرفدار مک مینی هستم. برای تلاش‌های مختلف هوش مصنوعی، چه Claude، چه OpenAI یا Google Gemini، مک مینی‌های جداگانه دارم و هرکدام دستگاه کوچک خود را دارند. این‌ها آزمایش‌های سرگرم‌کننده‌ای هستند. من یک علاقه‌مند به ابزارهای فناوری هستم و داشتن دلیل بیشتری برای خرید این دستگاه‌ها جذاب است. استفاده از چندین دستگاه محاسباتی محلی یک انتخاب لوکس و در عین حال جالب است.

چه چیزی هنوز در سیستم‌های خانگی کم است؟

مدیریت گرما. وقتی چند مک مینی با حداکثر توان کار می‌کنند، گرم می‌شوند و باید برای کاهش حرارت فکری کرد. این مشکلات در مقایسه با مراکز داده بزرگ هوش مصنوعی کوچک هستند، اما راه‌حل ساده‌ای وجود ندارد: هرچه توان محاسباتی بیشتری استفاده کنید، گرمای بیشتری تولید می‌شود.