آنتروپیک و اوپن‌ای‌آی چگونه برای خود مزیت رقابتی پایدار ایجاد می‌کنند؟
مزیت رقابتی پایدار اهمیت زیادی دارد و به باور ما، آزمایشگاه‌های هوش مصنوعی از دو مسیر اصلی در حال ایجاد چنین مزیتی هستند.
نویسندگان: مالک احمد خان، تحلیلگر مالی خبره (CFA)، تاکر هاثورن و درو کوتاری
۱۴ اکتبر ۲۰۲۶
عرضه اولیه سهام آزمایشگاه‌های پیشرو هوش مصنوعی، مانند آنتروپیک و اوپن‌ای‌آی، که انتظار می‌رود در آینده انجام شود، موضوع پایداری مزیت‌های رقابتی این شرکت‌ها را به یکی از پرسش‌های اصلی سرمایه‌گذاران بازار سهام تبدیل خواهد کرد. ارزیابی ما نسبت به این موضوع خوش‌بینانه‌تر است، زیرا معتقدیم آزمایشگاه‌های پیشرو هوش مصنوعی در حال ایجاد مزیت‌های رقابتی پایداری هستند؛ دیدگاهی که در بخش نخست مجموعه سه‌قسمتی پژوهش‌های ما درباره مزیت رقابتی پایدار و درآمدزایی نیز مطرح کرده‌ایم.
از نظر ما، اوپن‌ای‌آی و آنتروپیک از دو منبع بالقوه مزیت رقابتی پایدار برخوردارند که می‌تواند به آن‌ها کمک کند در بلندمدت از رقبای خود پیشی بگیرند و جایگاهشان را حفظ کنند. نخستین منبع، اثرات شبکه‌ای است که از داده‌ها و بهبود محصولات ناشی می‌شود. منبع دوم، مزیت ساختاری در هزینه‌هاست که بر افزایش هزینه‌های آموزش مدل‌ها و تخفیف‌های حاصل از خرید ظرفیت پردازشی در مقیاس گیگاوات استوار است.
اوپن‌ای‌آی و آنتروپیک چگونه از اثرات شبکه‌ای مزیت رقابتی می‌سازند؟
ماهیت کسب‌وکار آزمایشگاه‌هایی که پیشرفته‌ترین مدل‌های هوش مصنوعی را توسعه می‌دهند، زمینه مناسبی برای شکل‌گیری اثرات شبکه‌ای فراهم می‌کند. هرچه کاربران بیشتری با مدل‌های یک شرکت تعامل داشته باشند، آن شرکت فرصت بیشتری برای استفاده از این تعاملات و بهبود تدریجی مدل‌های خود خواهد داشت. در مورد کاربرانی که قرارداد سازمانی آن‌ها استفاده از داده‌های تعاملاتشان را برای آموزش مدل‌ها ممنوع نکرده است، هر تعامل می‌تواند به توسعه نسل بعدی مدل‌ها کمک کند. در مقابل، با بهبود مدل‌ها، الگوی روشنی از افزایش استفاده از آن‌ها مشاهده می‌کنیم که خود به تولید داده‌های بیشتر منجر می‌شود.
اثر شبکه‌ای که در آزمایشگاه‌های پیشرو مشاهده می‌کنیم، در قالب چرخه‌ای تقویت‌شونده با شش مرحله عمل می‌کند. استقبال اولیه از محصولات برنامه‌نویسی نمونه روشنی از عملکرد این چرخه است. انتظار داریم با گسترش پذیرش این فناوری فراتر از کاربرد اولیه آن در توسعه نرم‌افزار، همین سازوکار به دیگر کاربردهای مدل‌ها و گروه‌های مختلف کاربران نیز سرایت کند.
در حوزه برنامه‌نویسی دیده‌ایم که بهبود مدل‌ها باعث افزایش استفاده از ابزارهایی مانند Codex و Claude Code شده است. این افزایش استفاده به آنتروپیک و اوپن‌ای‌آی امکان داده داده‌های بیشتری جمع‌آوری کنند و از آن‌ها برای بهبود عملکرد مدل‌های خود در همین کاربردهای مشخص بهره ببرند. هم‌زمان، این شرکت‌ها از داده‌های مربوط به نحوه استفاده کاربران برای توسعه ابزارها و محصولات تازه نیز استفاده کرده‌اند؛ از جمله Claude Design، افزونه‌های خدمات مالی و پژوهش حقوقی و ابزارهای مکمل مایکروسافت آفیس. مجموعه این پیشرفت‌ها، چه در خود مدل‌ها و چه در ابزارهای پیرامون آن‌ها، به حفظ کاربران فعلی در پلتفرم و جذب کاربران جدید کمک می‌کند.
یکی از عوامل اثرگذار بر این چرخه که آن را با دقت زیر نظر داریم، نقش رو‌به‌رشد شرکت‌های ثالث ارائه‌دهنده محیط‌های یادگیری تقویتی است؛ شرکت‌هایی که گاهی از آن‌ها با عنوان «باشگاه‌های هوش مصنوعی» یاد می‌شود. به نظر می‌رسد آزمایشگاه‌های بزرگ برای تأمین داده‌های مربوط به وظایف مختلف و محیط‌های ارزیابی، وابستگی زیادی به این ارائه‌دهندگان دارند. این موضوع نشان می‌دهد که احتمالاً تمام داده‌های آموزشی مرتبط و باکیفیت موردنیاز برای کاربردهای سازمانی را در داخل مجموعه خود در اختیار ندارند؛ مسئله‌ای که بخشی از آن به محدودیت‌های قراردادهای سازمانی درباره استفاده از تعاملات مشتریان برای آموزش مدل‌ها مربوط می‌شود. اگر ارزشمندترین داده‌های مرحله پساآموزش در نهایت در مالکیت شرکت‌های ثالثی قرار بگیرد که آن‌ها را به تمام آزمایشگاه‌ها می‌فروشند، نقش داده‌های اختصاصی در این چرخه تقویت‌شونده ضعیف‌تر از چیزی خواهد بود که اکنون به نظر می‌رسد. در چنین شرایطی، استدلال خود درباره اثرات شبکه‌ای را دوباره ارزیابی خواهیم کرد.
این چرخه از نوع اثر شبکه‌ای مستقیم و متعارفی نیست که در پلتفرم‌هایی مانند فیسبوک یا اینستاگرام مشاهده می‌شود؛ جایی که حضور هر کاربر جدید، به‌طور مستقیم ارزش محصول را برای سایر کاربران افزایش می‌دهد. در عوض، معتقدیم اثر شبکه‌ای در کسب‌وکار توسعه مدل‌های هوش مصنوعی از طریق چرخه‌ای مبتنی بر داده و محصول شکل می‌گیرد. این چرخه مانند یک سازوکار بازخوردی عمل می‌کند و به شرکت‌های سازنده مدل امکان می‌دهد مدل‌ها و ابزارهای خود را با سرعت بیشتری توسعه دهند و اصلاح کنند.
استقبال از این ابزارها به‌وضوح قابل مشاهده است و داده‌های کمی نیز آن را تأیید می‌کنند. نرخ حفظ خالص درآمد آنتروپیک، که نشان می‌دهد مشتریان فعلی یک شرکت چه میزان بیشتر برای استفاده از پلتفرم آن هزینه می‌کنند، از ۵۰۰ درصد فراتر رفته است. این رقم بسیار بالاتر از معیار عملکرد ممتاز در صنعت نرم‌افزار است که معمولاً حدود ۱۲۰ تا ۱۴۰ درصد در نظر گرفته می‌شود.
میان افزایش سرعت توسعه و عرضه محصولات آنتروپیک در ماه‌های اخیر و میزان استفاده از آن‌ها، ارتباط روشنی وجود دارد. محصولات بهتر به استفاده بیشتر منجر می‌شوند و افزایش استفاده نیز به بهبود محصولات کمک می‌کند. از دیدگاه ما، بخشی از این شتاب ناشی از آن است که آزمایشگاه‌ها به‌طور فزاینده‌ای از مدل‌های خود برای کدنویسی و انجام پژوهش استفاده می‌کنند. این روند را می‌توان نشانه‌ای اولیه از خودبهبوددهی دانست؛ فرایندی که آثار آن به‌مرور انباشته می‌شود و در هر مقطع زمانی به سود آزمایشگاهی عمل می‌کند که بهترین مدل‌ها را در اختیار دارد.
مزیت هزینه‌ای؛ چهار مانع برای ورود رقبای جدید
دومین منبع مزیت رقابتی پایداری که شرکت‌های توسعه‌دهنده مدل‌های هوش مصنوعی مشغول ایجاد آن هستند، برتری بلندمدت در هزینه‌هاست. اگرچه اطلاعات مالی منتشرشده از این شرکت‌ها همچنان محدود است، می‌دانیم که ساخت مدل‌های زبانی بزرگ هزینه بسیار بالایی دارد. کنترل هزینه‌ها در شرایطی که این مدل‌ها باید در مقیاس گسترده توسعه یابند و در اختیار کاربران قرار گیرند، چالشی دشوار است. همین وضعیت این احتمال را مطرح می‌کند که شرکت‌های پیشرو در مقایسه با رقبای کوچک‌تر و تازه‌واردان بالقوه، از مزیت هزینه‌ای برخوردار باشند.
آنتروپیک و اوپن‌ای‌آی با بهره‌گیری از پیشرفت‌های الگوریتمی، تراشه‌های اختصاصی و قراردادهای چندساله تأمین توان پردازشی، هزینه ارائه خدمات مبتنی بر مدل‌های زبانی بزرگ خود را به‌طور قابل‌اندازه‌گیری کاهش می‌دهند. این اقدامات برای آن‌ها در مقایسه با سایر شرکت‌ها مزیت هزینه‌ای آشکاری ایجاد می‌کند. در مجموع، معتقدیم این برتری از چهار مسیر شکل می‌گیرد که یکدیگر را تقویت می‌کنند.
| منبع مزیت هزینه‌ای | توضیحات |
|---|---|
| هزینه‌های اولیه بسیار سنگین | آموزش مدل‌های بزرگ به سرمایه‌گذاری هنگفت نیاز دارد و هزینه آموزش همچنان در حال افزایش است. هر نسل جدید مدل بر پایه نسل قبلی توسعه می‌یابد و به همین دلیل، با عرضه هر نسل، موانع ورود رقبای تازه بیشتر می‌شود. |
| تخفیف خرید عمده ظرفیت پردازشی | آزمایشگاه‌های بزرگ می‌توانند قراردادهای تأمین ظرفیت پردازشی در مقیاس گیگاوات منعقد کنند. هزینه هر واحد ظرفیت در این قراردادها به‌مراتب کمتر از قراردادهای کوچک‌تر است و همین موضوع هزینه‌های پایه آن‌ها را به‌طور پایدار پایین نگه می‌دارد. |
| هزینه جذب استعدادهای متخصص | بازده نهایی سرمایه‌گذاری روی استعدادهای پژوهشی در حوزه هوش مصنوعی فوق‌العاده بالاست. از آنجا که بخش عمده نیروهای متخصص و کمیاب این حوزه در آزمایشگاه‌های بزرگ مشغول به کار هستند، رقابت برای جذب آن‌ها برای آزمایشگاه‌های کوچک‌تر دشوار است. |
| تراشه‌های اختصاصی | تمام آزمایشگاه‌های بزرگ هوش مصنوعی در حال سرمایه‌گذاری روی تراشه‌های اختصاصی هستند. این سرمایه‌گذاری به آن‌ها امکان می‌دهد هزینه پردازش را کاهش دهند و از پرداخت حاشیه سود تأمین‌کنندگان سخت‌افزار شخص ثالث، که رقبای کوچک‌تر ناچار به پرداخت آن هستند، اجتناب کنند. |
هزینه‌های اولیه سنگین آموزش مدل‌ها
هزینه آموزش مدل‌ها با عرضه هر نسل جدید به میزان قابل‌توجهی افزایش می‌یابد. در نتیجه، شرکتی که امروز قصد ورود به این رقابت را دارد، نه‌تنها باید توانایی تأمین هزینه‌هایی در سطح شرکت‌های پیشرو را داشته باشد، بلکه باید راهکاری نوآورانه نیز برای جبران فاصله خود با دانش و تجربه انباشته آن‌ها پیدا کند؛ دانشی که این شرکت‌ها در جریان آزمودن و اصلاح معماری‌ها و روش‌های گوناگون توسعه مدل به دست آورده‌اند. به باور ما، همین سازوکار یکی از دلایل اصلی کاهش شمار شرکت‌های حاضر در مرز پیشرفت هوش مصنوعی است. در سال ۲۰۲۳، ده‌ها شرکت ادعا می‌کردند که در پیشرفته‌ترین سطح توسعه مدل‌ها فعالیت دارند، اما تا سال ۲۰۲۶ تنها تعداد انگشت‌شماری در این جایگاه باقی مانده‌اند.
تخفیف‌های ناشی از خرید عمده توان پردازشی
شرکت‌های پیشرو در توسعه مدل‌های هوش مصنوعی می‌توانند ظرفیت پردازشی موردنیاز خود را با قیمت مناسب‌تری نسبت به رقبای کوچک‌تر تأمین کنند. قدرت چانه‌زنی آن‌ها هم از حجم خرید و هم از مدت تعهد قراردادی ناشی می‌شود. ظرفیت پردازشی خریداری‌شده در قالب قراردادهای رزروشده چندساله، برای هر ساعت استفاده از یک پردازنده گرافیکی B200 حدود ۲٫۲۵ دلار هزینه دارد. این در حالی است که قیمت فهرست‌شده همین ظرفیت نزد ارائه‌دهندگان بزرگ زیرساخت ابری، ۱۶٫۱۱ دلار است. آزمایشگاه‌های بزرگ تنها خریدارانی هستند که می‌توانند در چنین مقیاس و بازه زمانی طولانی تعهد خرید بدهند.
اگر این اختلاف قیمت را برای یک گیگاوات ظرفیت پردازشی، معادل تقریبی ۴۶۵ هزار پردازنده گرافیکی از خانواده بلک‌ول، محاسبه کنیم، نتیجه تفاوت میان صورت‌حساب سالانه ۹ میلیارد دلاری و ۶۶ میلیارد دلاری خواهد بود. نکته مهم دیگر این است که رقم ۹ میلیارد دلار به بودجه ۱۰ میلیارد دلاری توان پردازشی که در صورت‌های سود و زیان فرضی پیشین خود استفاده کرده بودیم، بسیار نزدیک است. این موضوع نشان می‌دهد که آزمایشگاه‌های بزرگ در مقیاس گیگاوات فعالیت می‌کنند و ظرفیت پردازشی را با شرایط قراردادی‌ای می‌خرند که هیچ تازه‌وارد کوچک‌مقیاسی به آن دسترسی ندارد.
هزینه جذب استعدادهای متخصص
هوش مصنوعی، برخلاف بخش بزرگی از توسعه نرم‌افزار، به‌شدت تحت تأثیر پدیده «اثر ابرستاره‌ها» قرار دارد؛ به این معنا که تعداد محدودی از افراد برجسته می‌توانند ارزشی بسیار بیشتر از دیگران ایجاد کنند. دلیل اصلی این وضعیت آن است که بخش بزرگی از پیشرفت و توسعه هوش مصنوعی به طراحی فرایندهای مؤثر آموزش و پساآموزش وابسته است. انجام چنین کاری به پژوهشگران استثنایی نیاز دارد که بازده نهایی تخصص و توانایی آن‌ها بسیار بالاست. نمونه روشن این موضوع، موج گسترده استخدام پژوهشگران از سوی متا برای تشکیل تیم تحقیقاتی این شرکت است؛ روندی که در آن به برخی پژوهشگران پیشنهادهای مالی چند ده میلیون دلاری ارائه شد. اکنون شمار زیادی از این پژوهشگران برجسته در تعداد محدودی از آزمایشگاه‌های بزرگ مشغول به کار هستند و آزمایشگاه‌های کوچک‌تر بیش از پیش در جذب آن‌ها با مشکل مواجه‌اند.
در واقع، بخش عمده جابه‌جایی نیروی متخصصی که شاهد آن بوده‌ایم، میان خود آزمایشگاه‌های بزرگ هوش مصنوعی اتفاق افتاده است، نه اینکه این افراد از جمع محدود شرکت‌های پیشرو خارج شده باشند.
تراشه‌های اختصاصی
تمام آزمایشگاه‌های بزرگ در حال سرمایه‌گذاری روی شتاب‌دهنده‌های اختصاصی هوش مصنوعی هستند؛ قطعات سخت‌افزاری ویژه‌ای که برای افزایش سرعت پردازش‌های هوش مصنوعی و یادگیری ماشین طراحی شده‌اند. همان‌طور که در مورد تراشه‌های Trainium آمازون با نماد بورسی AMZN و واحدهای پردازش تنسور آلفابت با نمادهای GOOG و GOOGL مشاهده کرده‌ایم، این شتاب‌دهنده‌ها می‌توانند در آموزش مدل‌های هوش مصنوعی و اجرای فرایند استنتاج آن‌ها بسیار کارآمدتر باشند. در نتیجه، آزمایشگاه‌هایی که از چنین سخت‌افزاری استفاده می‌کنند، در مقایسه با آزمایشگاه‌ها یا شرکت‌هایی که مدل‌های خود را با پردازنده‌های گرافیکی آماده و عمومی توسعه می‌دهند یا اجرا می‌کنند، می‌توانند به‌طور پایدار بهای تمام‌شده خدمات پایین‌تری داشته باشند.
علاوه بر کاهش مستقیم هزینه توان پردازشی، معتقدیم آزمایشگاه‌های پیشرو از هر واحد ظرفیت پردازشی تحت مالکیت خود نیز بهره‌وری بیشتری به دست می‌آورند. بهینه‌سازی میزان استفاده از منابع، پردازش گروهی درخواست‌ها و افزایش حجم پردازش مفید، همگی هزینه تولید هر توکن را بیش از پیش کاهش می‌دهند. کارایی چند مورد از این بهینه‌سازی‌ها مستقیماً با اندازه کل زیرساخت پردازشی یک آزمایشگاه افزایش می‌یابد؛ بنابراین، هرچه این کسب‌وکارها بزرگ‌تر شوند، مزیت هزینه‌ای آن‌ها نیز عمیق‌تر خواهد شد.
نویسنده یا نویسندگان این مقاله مالک هیچ‌یک از سهام یا اوراق بهادار نام‌برده‌شده در آن نیستند. برای آشنایی بیشتر، سیاست‌های تحریریه مورنینگ‌استار را مطالعه کنید.