آنتروپیک و اوپن‌ای‌آی چگونه در حال ایجاد مزیت رقابتی پایدار هستند؟

مالک خان، تحلیلگر دارای مدرک CFA؛ تاکر هاوثورن و دروو کوتاری

۱۹ اکتبر ۲۰۲۶

عرضه‌های اولیه سهام احتمالی شرکت‌های پیشروی هوش مصنوعی، از جمله آنتروپیک و اوپن‌ای‌آی، مسئله پایداری مزیت‌های رقابتی این شرکت‌ها را به یکی از موضوعات محوری برای سرمایه‌گذاران بازار سهام تبدیل خواهد کرد. ما در این زمینه دیدگاهی نسبتاً خوش‌بینانه داریم، زیرا معتقدیم آزمایشگاه‌های پیشرو هوش مصنوعی در حال ایجاد مزیت‌های رقابتی پایدار یا همان «خندق‌های اقتصادی» هستند؛ موضوعی که در نخستین بخش از مجموعه سه‌قسمتی پژوهش ما درباره مزیت‌های رقابتی پایدار و کسب درآمد نیز به آن پرداختیم.

از نظر ما، اوپن‌ای‌آی و آنتروپیک از دو منبع بالقوه برای ایجاد مزیت رقابتی پایدار برخوردارند که می‌تواند به آن‌ها کمک کند در بلندمدت از رقبا پیشی بگیرند و جایگاه خود را حفظ کنند. منبع نخست، اثرات شبکه‌ای ناشی از داده‌ها و بهبود محصولات است. منبع دوم نیز مزیت ساختاری در هزینه‌هاست که بر افزایش هزینه آموزش مدل‌ها و تخفیف‌های محاسباتی در مقیاس گیگاواتی تکیه دارد.

اوپن‌ای‌آی و آنتروپیک چگونه اثرات شبکه‌ای ایجاد می‌کنند؟

ماهیت فعالیت آزمایشگاه‌های پیشرو هوش مصنوعی به‌طور طبیعی زمینه ایجاد اثرات شبکه‌ای را فراهم می‌کند. هرچه کاربران بیشتری با مدل‌های یک شرکت تعامل داشته باشند، آن شرکت می‌تواند از این تعاملات برای بهبود تدریجی مدل‌هایش استفاده کند. برای کاربرانی که قراردادهای سازمانی آن‌ها مانع آموزش مدل‌ها با استفاده از تعاملاتشان نمی‌شود، هر تعامل به توسعه نسل‌های بعدی مدل‌ها کمک می‌کند. با بهتر شدن مدل‌ها، میزان استفاده از آن‌ها نیز افزایش می‌یابد و داده‌های بیشتری تولید می‌شود.

اثر شبکه‌ای که در شرکت‌های پیشرو مشاهده می‌کنیم، از یک چرخه بازخورد شش‌مرحله‌ای شکل می‌گیرد. رشد اولیه استفاده از محصولات برنامه‌نویسی نمونه روشنی از این پویایی است. انتظار داریم با گسترش پذیرش این فناوری و فراتر رفتن کاربردهای آن از توسعه نرم‌افزار، همین الگو در سایر کاربردهای مدل‌ها و میان گروه‌های مختلف کاربران نیز تکرار شود.

در حوزه برنامه‌نویسی، شاهد بوده‌ایم که بهبود مدل‌ها به افزایش استفاده از ابزارهایی مانند Codex و Claude Code منجر می‌شود. استفاده بیشتر از این ابزارها به آنتروپیک و اوپن‌ای‌آی امکان داده است داده‌های بیشتری جمع‌آوری کنند و از آن‌ها برای بهبود مدل‌های خود در کاربردهای مشخص برنامه‌نویسی بهره ببرند. این شرکت‌ها همچنین از داده‌های حاصل از استفاده کاربران برای ساخت ابزارها و محصولات جدید، از جمله Claude Design، افزونه‌های پژوهش در خدمات مالی و حقوقی و افزونه‌های مایکروسافت آفیس، استفاده کرده‌اند. بهبود هم‌زمان مدل‌ها و ابزارهای پیرامون آن‌ها، کاربران فعلی را در پلتفرم نگه می‌دارد و کاربران جدیدی را جذب می‌کند.

یکی از وابستگی‌هایی که در این چرخه بازخورد زیر نظر داریم، نقش رو به رشد ارائه‌دهندگان محیط‌های یادگیری تقویتی شخص ثالث است که گاهی از آن‌ها با عنوان «باشگاه‌های تمرین هوش مصنوعی» یاد می‌شود. به نظر می‌رسد آزمایشگاه‌های بزرگ برای تهیه داده‌های مربوط به وظایف و محیط‌های ارزیابی، به‌شدت به این تأمین‌کنندگان متکی هستند. این موضوع نشان می‌دهد که آن‌ها تمام داده‌های آموزشی موردنیاز در سطح سازمانی را در اختیار ندارند؛ بخشی از این محدودیت نیز از قراردادهای سازمانی ناشی می‌شود که آموزش مدل‌ها با استفاده از تعاملات مشتریان را ممنوع می‌کنند. اگر داده‌های پس از آموزش که بیشترین ارزش را دارند، در اختیار شرکت‌های ثالثی قرار بگیرند که آن‌ها را به تمام آزمایشگاه‌ها می‌فروشند، نقش داده‌های اختصاصی در این چرخه بازخورد ضعیف‌تر از چیزی خواهد بود که در نگاه نخست به نظر می‌رسد. در چنین شرایطی، استدلال ما درباره اثرات شبکه‌ای را دوباره ارزیابی خواهیم کرد.

این چرخه بازخورد، اثر شبکه‌ای مستقیم و کلاسیکی مانند آنچه در فیس‌بوک یا اینستاگرام دیده می‌شود، نیست؛ در آن پلتفرم‌ها، هر کاربر به‌خودی‌خود ارزش محصول را برای کاربران دیگر افزایش می‌دهد. در مقابل، ما شاهد شکل‌گیری اثر شبکه‌ای در کسب‌وکارهای مبتنی بر مدل از طریق چرخه‌ای متشکل از داده و محصول هستیم؛ چرخه‌ای که به این شرکت‌ها امکان می‌دهد توسعه مدل‌ها و ابزارهایشان را سریع‌تر تکرار و اصلاح کنند.

میان افزایش سرعت عرضه محصولات آنتروپیک در ماه‌های اخیر و میزان استفاده از آن‌ها ارتباط روشنی دیده می‌شود؛ محصولات بهتر و استفاده بیشتر، یکدیگر را تقویت می‌کنند. از دیدگاه ما، بخشی از این شتاب ناشی از آن است که آزمایشگاه‌ها بیش از گذشته از مدل‌های خود برای نوشتن کد و انجام پژوهش استفاده می‌کنند. این روند نشانه‌ای اولیه از قابلیت بهبود مستمر است؛ قابلیتی که می‌تواند مزیت آزمایشگاهی را که در هر مقطع زمانی بهترین مدل‌ها را در اختیار دارد، به‌صورت فزاینده تقویت کند.

همچنین نشانه‌های روشنی از استقبال کاربران از این ابزارها مشاهده می‌کنیم. نرخ نگهداشت خالص درآمد آنتروپیک، شاخصی که میزان افزایش هزینه‌کرد مشتریان فعلی برای استفاده از پلتفرم را اندازه می‌گیرد، بیش از ۵۰۰ درصد است؛ رقمی بسیار بالاتر از سطح معیار در صنعت نرم‌افزار که حدود ۱۲۰ تا ۱۴۰ درصد محسوب می‌شود.

مزیت هزینه‌ای: چهار مانع ورود به بازار

دومین منبع مزیت رقابتی پایداری که این شرکت‌های سازنده مدل در حال ایجاد آن هستند، برتری بادوام در هزینه‌هاست. اگرچه اطلاعات مالی منتشرشده درباره آن‌ها هنوز محدود است، می‌دانیم که ساخت مدل‌های زبانی بزرگ پرهزینه است. کاهش هزینه‌ها در عین توسعه و ارائه این مدل‌ها در مقیاس گسترده، چالشی دشوار به شمار می‌رود. همین وضعیت این احتمال را ایجاد می‌کند که شرکت‌های پیشرو نسبت به رقبای کوچک‌تر و تازه‌واردان احتمالی، از مزیت هزینه‌ای برخوردار باشند.

آنتروپیک و اوپن‌ای‌آی با استفاده از پیشرفت‌های الگوریتمی، تراشه‌های اختصاصی و قراردادهای چندساله محاسباتی، هزینه ارائه خدمات مبتنی بر مدل‌های زبانی بزرگ را به‌طور محسوسی کاهش می‌دهند. این اقدامات به آن‌ها مزیت هزینه‌ای روشنی در برابر سایر شرکت‌ها می‌دهد. از نظر ما، این برتری از چهار مسیر مکمل و تقویت‌کننده یکدیگر شکل می‌گیرد.

هزینه‌های سنگین اولیه آموزش مدل‌ها

هزینه آموزش مدل‌ها با هر نسل به میزان قابل‌توجهی افزایش می‌یابد. بنابراین، شرکتی که امروز وارد بازار می‌شود، نه‌تنها باید بتواند با سطح هزینه‌کرد فعلی شرکت‌های پیشرو رقابت کند، بلکه باید روشی نوآورانه برای جبران فاصله ناشی از یادگیری انباشته آن‌ها نیز داشته باشد؛ یادگیری‌ای که از طریق تکرار و آزمایش معماری‌ها و روش‌های مختلف مدل‌سازی به دست آمده است. از نظر ما، همین پویایی یکی از دلایل کاهش شمار شرکت‌هایی است که در خط مقدم توسعه مدل‌ها قرار دارند: در سال ۲۰۲۳، ده‌ها شرکت ادعای پیشتازی داشتند، اما در سال ۲۰۲۶ تنها تعداد انگشت‌شماری در مرز فناوری باقی مانده‌اند.

تخفیف حجمی در توان محاسباتی

شرکت‌های پیشرو در توسعه مدل‌ها، هزینه کمتری برای توان محاسباتی نسبت به رقبای کوچک‌تر خود می‌پردازند. این قدرت چانه‌زنی هم از حجم خرید و هم از مدت تعهد ناشی می‌شود. ظرفیت محاسباتی که از طریق قراردادهای رزروشده چندساله خریداری می‌شود، تقریباً ۲٫۲۵ دلار به‌ازای هر ساعت استفاده از پردازنده گرافیکی B200 قیمت دارد؛ در حالی که قیمت فهرست‌شده همین خدمت نزد ارائه‌دهندگان بزرگ زیرساخت ابری، موسوم به ابرمقیاس‌ها، ۱۶٫۱۱ دلار است. آزمایشگاه‌های بزرگ تنها خریدارانی هستند که می‌توانند در چنین مقیاس و بازه زمانی طولانی تعهد بدهند.

اگر این اختلاف قیمت را برای ظرفیتی معادل یک گیگاوات در نظر بگیریم ــ که به‌طور تقریبی معادل ۴۶۵ هزار پردازنده گرافیکی در کلاس Blackwell است ــ تفاوت میان هزینه سالانه توان محاسباتی ۹ میلیارد دلاری و ۶۶ میلیارد دلاری خواهد بود. همچنین باید توجه داشت که رقم ۹ میلیارد دلار به بودجه ۱۰ میلیارد دلاری توان محاسباتی در صورت‌های سود و زیان نمونه‌ای که پیش‌تر تهیه کرده بودیم، نزدیک است. این ارقام نشان می‌دهند که آزمایشگاه‌های بزرگ در مقیاس گیگاواتی فعالیت می‌کنند و به شرایط قراردادی دسترسی دارند که برای تازه‌واردان فاقد مقیاس کافی قابل دستیابی نیست.

هزینه جذب استعدادها

برخلاف بخش بزرگی از فعالیت‌های توسعه نرم‌افزار، هوش مصنوعی به‌شدت مستعد شکل‌گیری «اثر ابرستاره‌ها» است. علت اصلی این است که بخش مهمی از پیشرفت و توسعه هوش مصنوعی به طراحی فرایندهای مؤثر آموزش و پس از آموزش وابسته است. دستیابی به چنین فرایندهایی به پژوهشگران برجسته‌ای نیاز دارد که بهره‌وری نهایی بسیار بالایی دارند. موج استخدام شرکت متا برای تشکیل تیم پژوهشی خود نمونه روشنی از این روند است؛ برخی پژوهشگران در این فرایند پیشنهادهایی به ارزش ده‌ها میلیون دلار دریافت کردند. این پژوهشگران برجسته در اختیار تعداد محدودی از آزمایشگاه‌ها قرار گرفته‌اند و در نتیجه، جذب آن‌ها برای آزمایشگاه‌های کوچک‌تر روزبه‌روز دشوارتر می‌شود.

در واقع، بخش عمده جابه‌جایی‌هایی که در بازار استعدادهای این حوزه مشاهده کرده‌ایم، میان آزمایشگاه‌های بزرگ هوش مصنوعی رخ داده است، نه از این گروه محدود به بیرون از آن.

تراشه‌های اختصاصی

تمام آزمایشگاه‌های بزرگ در حال سرمایه‌گذاری روی شتاب‌دهنده‌های اختصاصی هوش مصنوعی هستند؛ قطعات سخت‌افزاری‌ای که برای افزایش سرعت پردازش‌های هوش مصنوعی و یادگیری ماشین طراحی شده‌اند. همان‌طور که در مورد تراشه‌های Trainium شرکت آمازون (AMZN) و واحدهای پردازش تانسوری شرکت آلفابت (GOOG/GOOGL) دیده‌ایم، این شتاب‌دهنده‌ها می‌توانند برای آموزش مدل‌های هوش مصنوعی و اجرای استنتاج با آن‌ها بسیار کارآمدتر باشند. در نتیجه، آزمایشگاه‌های هوش مصنوعی می‌توانند در مقایسه با شرکت‌هایی که مدل‌ها را با پردازنده‌های گرافیکی آماده و تجاری آموزش می‌دهند یا اجرا می‌کنند، به ساختار هزینه‌ای پایین‌تری برای ارائه خدمات دست یابند.

به اعتقاد ما، آزمایشگاه‌های پیشرو علاوه بر دسترسی به توان محاسباتی ارزان‌تر، از هر واحد توان محاسباتی تحت مالکیت خود نیز بهره بیشتری می‌برند. بهینه‌سازی نرخ استفاده از سخت‌افزار، پردازش دسته‌ای درخواست‌ها و افزایش حجم پردازش مفید، هزینه هر توکن را بیشتر کاهش می‌دهد. چند مورد از این بهینه‌سازی‌ها مستقیماً با اندازه کلی مجموعه سخت‌افزاری یک آزمایشگاه متناسب‌اند؛ بنابراین، با رشد این کسب‌وکارها، مزیت آن‌ها نیز عمیق‌تر می‌شود.

نویسندگان این مقاله در هیچ‌یک از اوراق بهادار ذکرشده در آن سهام ندارند. برای اطلاع از سیاست‌های تحریریه مورنینگ‌استار، به این صفحه مراجعه کنید.