چرا ساتیا نادلا آینده‌ هوش مصنوعی را در مدل‌های کوچک می‌بیند نه غول‌های چندتریلیون پارامتری؟

اگر قابلیت‌های پیشرفته‌ی هوش مصنوعی سرانجام آن‌قدر ارزان و فراگیر شوند که همه‌ی شرکت‌ها به آن‌ها دسترسی داشته باشند، مزیت رقابتی دقیقاً چگونه تعیین می‌شود؟ در سال‌های ابتدایی رونق هوش مصنوعی، همه تصور می‌کردند شرکتی که قدرتمندترین مدل را توسعه دهد، کل بازار را در دست می‌گیرد؛ اما حالا می‌بینیم که برتری مطلق محصولات پیشتاز، چندان دوام نمی‌آورد.

قابلیت‌هایی که امروز تنها از عهده‌ی بزرگ‌ترین مدل‌ها برمی‌آیند، به‌تدریج به مدل‌های کوچک‌تر، ارزان‌تر و تخصصی‌تر منتقل می‌شوند. ایده‌ها و تخصص پشت مدل‌ها هم دیر یا زود در دسترس بسیاری از رقبا قرار می‌گیرد. ساتیا نادلا، مدیرعامل مایکروسافت می‌گوید حالا دیگر خود مدل‌ها مزیت اصلی محصولات نیستند و شرکت‌ها براساس سیستمی متمایز می‌شوند که مدل‌ها را در خود جای می‌دهند.

حافظه‌ای که اطلاعات لازم را در اختیار مدل می‌گذارد، ابزارهایی که امکان انجام کار واقعی را فراهم می‌آورند، زمینه‌ای که مدل براساس آن تصمیم می‌گیرد و معیارهایی که موفقیت یا شکست پاسخ را می‌سنجند، همگی از قدرت هوش مصنوعی مهم‌ترند؛ چون نقش کلیدی‌تری در کاربردی‌شدن محصولات هوشمند ایفا می‌کنند.

به عقیده‌ی نادلا شرکت‌ها زمانی محصولات و فرایندهایشان را در صف اول بازار می‌بینند که از قید وابستگی به مدل‌های خاص رها شوند و بتوانند هر نسخه‌ی هوش مصنوعی را به‌سادگی کنار بگذارند، بی‌آنکه اندوخته‌ها و مسیر توسعه‌ی محصولاتشان آسیب ببیند.

مدیرعامل مایکروسافت در یادداشت جدید خود تصویر متفاوتی از مرحله‌ی بعدی صنعت هوش مصنوعی ترسیم می‌کند؛ عصری که مدل‌ها بیش‌ازپیش دسترس‌پذیر می‌شوند و رقابت اصلی براساس اکوسیستمی شکل می‌گیرد که هر شرکت پیرامون مدل‌ها ارائه می‌دهد.

مدیرعامل مایکروسافت باور دارد همه‌ی شرکت‌های نرم‌افزاری باید نگرش سابق خود را در مورد استراتژی‌های بازار تغییر دهند؛ زیرا ورود هوش مصنوعی الگوهای قدیمی اقتصادی را دم‌به‌دم تغییر می‌دهد. نادلا می‌نویسد: «در جهانی که نرم‌افزار برای نخستین‌بار هزینه‌ی نهایی واقعی ایجاد کرده‌ است، چگونه می‌توانیم مطمئن شویم مزایای فناوری‌های پیشرو در سراسر اکوسیستم گسترش می‌یابند؟»

در نرم‌افزارهای سنتی، بخش اصلی هزینه، صرف ساخت محصول می‌شد و در مراحل بعدی انتشار نسخه‌های جدید هزینه‌ی زیادی به‌همراه نداشت؛ ولی حالا هوش مصنوعی الگوی قدیمی را کنار می‌زند. هربار که کاربر درخواستی برای یک مدل می‌فرستد، تولید پاسخ به توان پردازشی، انرژی و توکن نیاز دارد؛ بنابراین با افزایش استفاده، هزینه‌ی ارائه‌ی سرویس نیز بالا می‌رود.

به‌عقیده‌ی نادلا، شرکت‌ها باید بهترین نسبت ممکن میان هزینه و نتیجه را در شرایط واقعی بیابند؛ البته خروجی ابزارهای هوش مصنوعی باید برای هر کار مشخص به‌اندازه‌ی کافی خوب باشد؛ پس شرکت‌ها باید بفهمند هر کار به چه میزان توانایی نیاز دارد و برای کیفیتی بیش از نیاز، هزینه‌ی اضافی نپردازند.

در مرحله‌ی بعد، زمینه، مهارت‌ها، ابزارها و چارچوب اجرایی عامل‌های هوش مصنوعی هم باید به‌همراه مدل بهینه شوند. مدلی قدرتمند که اطلاعات لازم را دریافت نمی‌کند یا به ابزار مناسب دسترسی ندارد، احتمالاً از مدلی کوچک‌تر و بهینه‌شده برای همان جریان کاری، نتیجه‌ی ضعیف‌تری می‌گیرد.

نادلا می‌گوید خانواده‌ی مدل‌های MAI برپایه‌ی کارآمدترین نسبت هزینه به خروجی توسعه یافته‌اند و با داده‌های روشن و ساختاریافته آموزش‌دیده‌اند. این موضوع برای مشتریان سازمانی که می‌خواهند مدل‌ها را وارد فرایندهای حساس کسب‌وکارشان کنند، اهمیت بیشتری دارد.

مدل‌های MAI به‌شیوه‌ای طراحی شده‌اند که در محیط‌های یادگیری تقویتی سازمانی، دانش را مهارت‌های عمومی به مهارت‌های کاملاً تخصصی منتقل می‌کنند. به عبارتی یک مدل عمومی می‌تواند نقطه‌ی آغاز باشد، سپس در محیطی اختصاصی یاد بگیرد که چگونه با ابزارها، قواعد و وظایف یک محصول مشخص کار کند.

ما اکنون به نقطه‌ای رسیده‌ایم که می‌توانیم قابلیت‌های اشباع‌شده‌ی مدل‌های بزرگ را برداریم و آن‌ها را با مقیاس‌پذیری بالا و هزینه‌ای بسیار کمتر، از طریق مدل‌هایی که مختص محصولات پُرمصرف بهینه‌سازی شده‌اند، به دست کاربر برسانیم؛ البته برای نیازهای بسیار پیچیده و مرزی، همچنان از مدل‌های بزرگ استفاده خواهیم کرد.

- ساتیا نادلا، مدیرعامل مایکروسافت

نادلا توضیح می‌دهد که در استراتژی جدید شرکت، مدل‌های کوچک‌تر همه‌ی وظایف را برعهده نمی‌گیرند. تنها قابلیت‌هایی که پیش‌ازاین به بلوغ رسیده‌اند و خروجی اثبات‌شده‌ای دارند، به مدل‌های تخصصی منتقل می‌شوند؛ بنابراین تمامی درخواست‌های هوش مصنوعی مسیر یکسانی را طی نمی‌کنند.

مایکروسافت الگوی بهینه‌سازی مدل‌ها را ابتدا در محصولات اختصاصی خود آزمایش می‌کند. نادلا می‌گوید اگر این مکانیزم در سرویس‌های پرمشتری جواب بدهد، می‌تواند به الگویی برای شرکت‌های مبتنی بر هوش مصنوعی، ارائه‌دهندگان نرم‌افزار به‌عنوان سرویس (SaaS) و کاربران سازمانی تبدیل شود.

سیستم هماهنگ‌کننده‌ی محصولات مایکروسافت یا به‌زعم نادلا، «ارکستراسیون» این شرکت، از مجموعه‌مدل‌های آنتروپیک، OpenAI و خانواده‌ی MAI تشکیل می‌شود؛ بااین‌حال او تأکید می‌کند که باید مدل‌ها را فقط به‌عنوان بخشی از سیستم در حال صعود ببینیم.

امروزه وقتی صحبت از هوش مصنوعی به‌میان می‌آید، اغلب بحث‌های عمومی پیرامون مقایسه‌ی خود مدل‌ها پیش می‌رود؛ برای مثال کدام‌یک امتیاز بالاتری می‌گیرد، کدام‌یک بهتر استدلال می‌کند یا پاسخ دقیق‌تری می‌دهد؛ اما کارایی محصولی که کاربر در نهایت با آن روبه‌رو می‌شود، به اجزای دیگری نیز بستگی دارد.

چارچوب اجرایی ایجنت که مدل را به اجزای محصول متصل می‌کند؛ حافظه که اطلاعات لازم را در طول کار نگه می‌دارد؛ زمینه که موقعیت و هدف درخواست را برای مدل روشن می‌کند و مهارت‌ها و ابزارهایی که امکان جست‌وجو، محاسبه یا دست‌کاری فایل‌ها را می‌دهند؛ همگی در عملکرد نهایی سیستم‌های هوشمند اثرگذارند.

شاید یک مدل در آزمون‌های رایج هوش مصنوعی امتیاز فوق‌العاده‌ای به‌دست آورد؛ ولی نتواند کار ساده‌ای مثل اصلاح فرمول در اکسل را طبق نظر کاربر انجام دهد. در مقابل، مدلی کوچک‌تر که ابزارها و ساختار این وظیفه را می‌شناسد، خروجی مطلوب‌تری خواهد داشت.

ارزیابی‌های عمومی معمولاً توانایی مدل را با شاخص‌های استاندارد صنعت می‌سنجند؛ ولی شرکت‌ها به معیارهایی اختصاصی نیاز دارند که نشان دهد هر مدل در محیط واقعی محصولاتشان چگونه کار مشتری را به سرانجام می‌رساند.

نادلا از کنارگذاشتن شرکای بیرونی حرف نمی‌زند؛ او شرکت‌ها را به توسعه‌ی سیستم‌هایی تشویق می‌کند که از مدل‌های مختلف بهره می‌برند و درعین‌حال استقلال خود را حفظ می‌کنند. او می‌نویسد:

معیار کلیدی دیگری که به شما اطمینان می‌دهد کنترل اوضاع را در دست دارید، این است که نتایج ارزیابی‌تان حتی زمانی که یک مدل خاص حذف می‌شود، به رشد و صعود خود ادامه می‌دهد.

- ساتیا نادلا، مدیرعامل مایکروسافت

به‌عقیده‌ی نادلا اگر حافظه، زمینه، ابزارها، مهارت‌ها و منطق انجام کار درون یک مدل خاص محبوس شوند، حذف مدل مسیر پیشرفت محصول را متوقف می‌کند؛ ولی وقتی اجزای مهم فرایندهای شرکت را در کنترل خود نگه می‌دارید، می‌توانید مدل دیگری را در همان محیط جایگزین کنید.

مایکروسافت برای رسیدن به چنین هدفی، محیط‌های یادگیری تقویتی (RLEs) را توسعه می‌دهد. مدل در این محیط با ابزارهای واقعی کار می‌کند و با همان چارچوب اجرایی، تعامل‌ها و نتایجی آموزش می‌بیند که پس از ورود به محصول با آن‌ها روبه‌رو خواهد شد. در محیط‌های RLEs، مدل چندین مرحله را پشت سر می‌گذارد، نتیجه‌ی عمل خود را می‌بیند و برای تکمیل وظیفه‌ای پاداش می‌گیرد که واقعاً برای مشتری اهمیت دارد.

ارزیابی‌های اختصاصی محصول نیز مسیر آزمایش را تعیین می‌کنند و تیم‌ها می‌توانند مدل را بارها تغییر دهند و اصلاح کنند، تا زمانی که به هدف نهایی تعادل کیفیت و هزینه برسند. نادلا می‌گوید مدل‌های MAI اکنون در شماری از کاربردها، مدل‌های پیشگام همه‌منظوره را شکست می‌دهند؛ درحالی‌که توکن‌های بسیار کمتری مصرف می‌کنند و به پردازنده‌های به‌مراتب ارزان‌تری نیاز دارند.

نادلا بزرگ‌ترین فرصت پیش روی مایکروسافت را بهینه‌سازی تمام لایه‌های تشکیل‌دهنده‌ی محصولاتی مانند گیت‌هاب کوپایلت و اکسل می‌داند که بخشی از زندگی کاری مردم جهان‌اند. او می‌نویسد:

هر زمان که مدل‌های اختصاصی MAI عملکردی برابر یا بهتر از جایگزین‌های پیشگام بازار ارائه دهند، ترافیک پردازشی محصولاتمان را به سمتشان هدایت می‌کنیم. ما در حال حاضر نتایج اولیه و بسیار امیدوارکننده‌ای در گیت‌هاب کوپایلت، اکسل و اوت‌لوک می‌بینیم و پیاده‌سازی همین رویکرد را در کوپایلت چت، پاورپوینت و سایر ابزارها نیز آغاز کرده‌ایم. ازآنجاکه کل این سیستم به‌طور مداوم یاد می‌گیرد و به قله‌های بالاتر صعود می‌کند؛ نتایج روزبه‌روز بهتر خواهند شد.

- ساتیا نادلا، مدیرعامل مایکروسافت

گزارش مایکروسافت نشان می‌دهد فرایند انتقال و کنترل مهارت‌ها چگونه پیش می‌رود. این شرکت مدل MAI-Code-1-Flash را ابتدا در چارچوب گیت‌هاب کوپایلت برای وظایف عامل‌محور کدنویسی آموزش داد. سپس مدل در محیط یادگیری تقویتی مخصوص اکسل قرار گرفت تا کار با ابزارها و جریان‌های کاری صفحات گسترده را بیاموزد.

مایکروسافت می‌خواست ببیند آیا توانایی‌هایی که عامل کدنویسی می‌آموزد، به مهارت‌های تخصصی دیگری تبدیل می‌شوند یا خیر. طبق ارزیابی‌های داخلی شرکت، مدل تخصصی MAI وظایف رایج اکسل را با کیفیتی مشابه GPT‑5.6 انجام می‌دهد؛ ولی هزینه‌ی کمتری صرف می‌کند. سایز کوچک مدل نیز اجازه می‌دهد روی پردازنده‌های گرافیکی H100 و A100 اجرا شود و به جدیدترین شتاب‌دهنده‌ها وابسته نباشد.

نادلا در پایان تأکید می‌کند که تجربه‌ی گسترش قابلیت‌های پیشروی هوش مصنوعی به محصولات مایکروسافت محدود نمی‌شود. به‌عقیده‌ی او هر مشتری و سازمان دیگری نیز می‌تواند با ارزیابی‌های اختصاصی، محیط‌های یادگیری تقویتی، جریان‌های کاری و بستر اطلاعاتی مخصوص، سیستم‌های هوشمند مستقل خودش را توسعه دهد.

مایکروسافت می‌خواهد تمامی امکانات لازم را به‌عنوان بخشی از پلتفرم Foundry و زنجیره‌ی ابزارهایش در اختیار کسب‌وکارها قرار دهد تا همه بتوانند سیستم در حال صعود خودشان را بسازند.

بیایید به سؤال ابتدای مقاله برگردیم. اگر عموم شرکت‌ها به مدل‌های قدرتمند مشابه دسترسی داشته باشند، شناخت داخلی کسب‌وکارها به مزیت رقابتی تبدیل می‌شود. اینکه موفقیت را چگونه تعریف می‌کنند، چه ابزارهایی را در اختیار عامل‌های هوش مصنوعی می‌گذارند، کدام مراحل را برای انجام کار ضروری می‌دانند و چگونه نتیجه را می‌سنجند.