هاگینگ فیس چیست و چرا انویدیا برای خرید آن ۱۲٫۹ میلیارد دلار می‌پردازد؟

وقتی انویدیا غول بی‌رقیب دنیای پردازنده‌ها، دست‌به‌جیب می‌شود تا یکی از مهم‌ترین خریدهای تاریخش را نهایی کند، احتمالاً منتظرید پای معماری جدید در میان باشد، یا رقیبی تازه‌نفس برای ChatGPT، یا حتی آزمایشگاهی مخفی که پشت درهای بسته، هوش مصنوعی قدرتمندی هم‌تراز با Claude را آموزش می‌دهد.

ولی Hugging Face، شرکتی که انویدیا می‌خواهد برای تصاحبش ۱۲٫۹ میلیارد دلار بپردازد، بیشتر به خانه‌ی دستاوردهای دیگران شباهت دارد؛ پاتوقی که شرکت‌های هوش مصنوعی از آمریکا و اروپا گرفته تا چین، مدل‌هایشان را منتشر می‌کنند و هزاران برنامه‌نویس و پژوهشگر مستقل، کدها و ساخته‌هایشان را با دیگران به اشتراک می‌گذارند.

گرچه هنوز دو شرکت خبر رسمی معامله را تأیید نکرده‌اند، ولی تا همین‌جا هم مبلغ اعلام شده به حد کافی عجیب به‌نظر می‌رسد. از طرفی درآمد سالانه‌ی هاگینگ‌فیس حدود ۱۵۰ میلیون دلار برآورد می‌شود و سال ۲۰۲۳ هم ارزش کل هاگینگ‌فیس پس از آخرین دور جذب سرمایه‌اش، ۴٫۵ میلیارد دلار تعیین شده بود.

تنها سه سال بعد انویدیا برای خرید این شرکت سه برابر پول روی میز می‌گذارد، ولی چرا؟ درآمد هاگینگ‌فیس به‌تنهایی ارزش خاصی برای انویدیا ایجاد نمی‌کند و حتی دیتاست‌ها و مدل‌هایی که میلیون‌ها کاربر را به این پلتفرم می‌کشانند متعلق به خود شرکت نیستند.

ارزش واقعی هاگینگ‌فیس را باید در عادت و اعتماد میلیون‌ها توسعه‌دهنده‌ای جست‌وجو کنیم که طی چند سال اخیر وقتی دنبال مدلی می‌گردند، پیش از هر چیز به ایموجی خندانی با آغوش باز سر می‌زنند.

تصور کنید نام مدل تازه‌ای را می‌شنوید و می‌خواهید خودتان امتحانش کنید. شاید یکی از نسخه‌های Llama، یا شاید Qwen یا دیپ‌سیک. شاید هم اصلا مدل زبانی نخواهید و به دنبال ابزاری برای تشخیص اشیای داخل تصویر، تبدیل گفتار به متن، ساخت موسیقی یا تولید ویدیو باشید.

مرورگر را باز می‌کنید، نام مدل را می‌نویسید و خیلی زود به لوگوی خندان هاگینگ‌فیس برمی‌خورید. وقتی وارد پلتفرم می‌شوید، امکاناتی بیشتر از یک دکمه‌ی دانلود مقابلتان می‌بینید. فایل‌های مدل، نسخه‌های مختلف، مجوز استفاده، توضیحات سازنده و کد لازم برای اجرا همان‌جا قرار گرفته‌اند.

شما می‌توانید ببینید توسعه‌دهندگان مدل را برای چه کاری ساخته‌اند، کاربران چند بار دانلودش کرده‌اند یا روی چه ابزارها و سخت‌افزاری اجرا می‌شود. گاهی حتی لازم نیست چیزی روی کامپیوتر نصب کنید، چون برخی دموهای آماده اجازه می‌دهند خروجی مدل را همان‌جا در مرورگر ببینید.

صفحه‌ی اصلی هاگینگ‌فیس بیش از دو میلیون مدل، بیش از نیم‌میلیون دیتاست و بیش از یک میلیون اپلیکیشن را فهرست می‌کند؛ مجموعه‌ای که از مدل‌های مشهور چندصدمیلیارد پارامتری تا پروژه‌های کوچک دانشجویی را در بر می‌گیرد.

قبل از محبوبیت هاگینگ‌فیس هم مدل‌های هوش مصنوعی منتشر می‌شدند، ولی کار با آن‌ها به‌سادگی امروز نبود. باید فایل را از سورس دیگری پیدا می‌کردید و کد را از مخزنی دیگر. توضیحات را در مقاله‌های رسمی می‌خواندید و روش اجرا را در صفحه‌ای جداگانه می‌یافتید. بعد باید مطمئن می‌شدید نسخه‌ی درست را گرفته‌اید که با امکانات موجود اجرا می‌شود.

هاگینگ‌فیس بیشتر این مراحل را کنار هم گذاشت و فاصله‌ی «مدل منتشر شده» را با «مدلی که می‌توانم امتحانش کنم» کمتر کرد.

سال ۲۰۱۶ وقتی کلمان دولانگ، ژولین شومون و توماس ولف استارتاپشان را در نیویورک تأسیس کردند، هیچ رؤیایی برای ساختن زیرساخت‌های هوش مصنوعی جهان نداشتند. سه کارآفرین فرانسوی می‌خواستند چت‌باتی سرگرم‌کننده برای نوجوانان راه بیندازند؛ دوستی دیجیتال که کاربر بتواند درباره‌ی موضوعات مختلف با آن گپ بزند.

بنیان‌گذاران نام شرکت را هم از ایموجی معروفی وام گرفتند که با چهره‌ای خندان آغوشش را باز کرده بود، علامتی که هنوز کنار نام هاگینگ‌فیس می‌بینیم. البته چت‌بات شرکت هیچ‌وقت به محصول بزرگی تبدیل نشد، اما ساختنش گروه را واداشت ابزارهایی برای پردازش زبان و کار با مدل‌های یادگیری ماشین توسعه دهند.

مؤسسان هم به‌مرور چت‌بات را کنار گذاشتند و روی راهی ساده‌تر برای استفاده از مدل‌های یادگیری ماشین متمرکز شدند، همان چیزی که کاربران واقعاً نیاز داشتند.

در همان دوران معماری ترنسفورمر به‌سرعت در پردازش زبان و دیگر شاخه‌های هوش مصنوعی گسترش پیدا می‌کرد و پژوهشگران مدام مدل‌های جدیدی می‌ساختند. اما انتشار مقاله یا فایل، هیچ تضمینی نمی‌داد که کاربران بتوانند از مدل استفاده کنند. هر گروه ساختار خاص خودش را داشت و برنامه‌نویسان مشتاق باید خودشان قطعات پراکنده را به هم وصل می‌کردند.

هاگینگ‌فیس شهرت اصلی‌اش را به لطف کتابخانه‌ی Transformers به دست آورد. این کتابخانه راهی نسبتاً استاندارد در اختیار برنامه‌نویسان می‌گذاشت تا مدل‌های ازپیش‌آموزش‌دیده را در پروژه‌هایشان به کار بگیرند. به‌جای اینکه برای هر مدل روند جدیدی معرفی شود، بسیاری از مدل‌ها با ابزارهایی آشنا و چند خط کد در دسترس قرار می‌گرفتند.

تنظیم دوباره‌ی مدل‌های هوش مصنوعی با داده‌های محدودتر، Fine-tuning نام دارد. کتابخانه‌ی ترنسفورمرز مدل‌هایی را که تا آن زمان عمدتا در مقالات پژوهشی معرفی می‌شدند، به شیوه‌ای در اختیار برنامه‌نویسان گذاشت که در پروژه‌های واقعی کاربرد داشته باشند.

با محبوب‌شدن کتابخانه Transformers، تعداد بیشتری از پژوهشگران و برنامه‌نویسان مدل‌هایشان را با ابزارهای هاگینگ‌فیس توسعه دادند و بعد نیاز جدیدی شکل گرفت. خود مدل‌ها باید کجا منتشر می‌شدند تا دیگران راحت پیدایشان کنند، تغییرشان دهند و در پروژه‌های خود به کار ببرند یا دوباره به اشتراک بگذارند؟

بخش Hugging Face Hub قرار بود به همین نیاز پاسخ دهد. هاب را می‌توانید فضای میزبانی مخصوص پروژه‌های هوش مصنوعی در نظر بگیرید؛ چیزی شبیه گیت‌هاب اما با امکاناتی که برای مدل‌ها و داده‌های یادگیری ماشین طراحی شده‌اند.

هر پروژه در هاب صفحه و مخزن خودش را دارد که فایل‌های مدل هوش مصنوعی، مجموعه‌ای از دیتاست یا حتی یک برنامه‌ی کاربردی آماده‌ی اجرا را میزبانی می‌کند. اگر سازنده بعداً مدل یا فایل‌هایش را تغییر دهد، نسخه‌های قبلی از بین نمی‌روند و تاریخچه‌ی تغییرات باقی می‌ماند.

مدل‌ها شناخته‌شده‌ترین بخش هاگینگ‌فیس محسوب می‌شوند، اما هاب فقط محل نگهداری مدل نیست. در بخش Datasets می‌توانید مجموعه‌داده‌هایی را پیدا کنید که برای آموزش یا آزمایش مدل‌ها استفاده می‌شوند. بخش Spaces هم به سازندگان اجازه می‌دهد دموی قابل‌استفاده‌ای از مدلشان بسازند.

مثلاً اگر کسی یک مدل تولید تصویر منتشر کرده باشد، کاربر مجبور نیست به خواندن توضیحات اکتفا کند. می‌تواند همان‌جا پرامپتی بدهد و نتیجه‌ی مدل را ببیند.

بخش Model Card هم توضیح می‌دهد مدل برای چه کاری ساخته شده، چطور باید از آن استفاده کرد، چه محدودیت‌هایی دارد و در آزمایش‌ها چه عملکردی نشان داده است. البته کیفیت اطلاعات مدل‌های مختلف با هم متفاوت‌اند، ولی همین توضیحات معمولاً به کاربر کمک می‌کند پیش از دانلود فایل‌های سنگین بفهمد دقیقاً با چه مدلی سروکار دارد.

بیشتر محتواهای هاگینگ‌فیس به‌طور آزاد و رایگان در دسترس همه قرار می‌گیرند؛ بااین‌حال شرکت از خدماتی که در کنار این اکوسیستم ارائه می‌دهد درآمد کسب می‌کند. مشتریان سازمانی می‌توانند برای مخازن خصوصی، تعیین سطح دسترسی کارکنان، پشتیبانی، فضای ذخیره‌سازی و توان پردازشی پول بپردازند.

هاگینگ‌فیس همچنین سرویس‌هایی ارائه می‌دهد که اجرای مدل‌ها را روی زیرساخت مدیریت‌شده بر عهده می‌گیرند یا دسترسی به مدل‌های شرکت‌های مختلف را از یک مسیر واحد فراهم می‌کنند؛ بنابراین بیزینس مدل شرکت به فروش مدل‌های رایگانی که کاربران در هاب منتشر کرده‌اند، متکی نیست.

هاگینگ‌فیس را معمولاً با لقب گیت‌هاب هوش مصنوعی معرفی می‌کنند و این تشبیه بی‌دلیل هم نیست. ما گیت‌هاب را به‌عنوان مکانی آشنا برای انتشار کد، ثبت نسخه‌های مختلف برنامه و همکاری روی پروژه‌ها می‌شناسیم و هاگینگ‌فیس هم الگوی مشابهی را به دنیای هوش مصنوعی می‌آورد، ولی به‌جای تمرکز صرف بر کد، از مدل‌ها، دیتاست‌ها و اپلیکیشن‌های یادگیری ماشین میزبانی می‌کند.

پروژه‌های هاگینگ‌فیس نیز می‌توانند مخزن مخصوص خودشان را داشته باشند و گروه‌های برنامه‌نویسی تغییرات پروژه‌هایشان را در طول زمان قدم‌به‌قدم ثبت می‌کنند. ولی مدل‌های هوش مصنوعی صرفاً مجموعه‌ای فایل حاوی کد نیست.

حجم پارامترها و وزن‌های یک مدل گاهی به ده‌ها یا صدها گیگابایت می‌رسد و آموزش و ارزیابی‌شان هم به حجم عظیمی داده نیاز دارد. ازسوی‌دیگر بیشتر کاربران دوست دارند پیش از دانلود، نمونه‌ی خروجی را ببینند. هاگینگ‌فیس کد، وزن‌ها، داده، توضیحات و دموی اجرایی را کنار هم قرار می‌دهد.

وزن‌ها، در واقع پارامترهایی هستند که رفتار مدل را شکل می‌دهند، اطلاعاتی که مدل در مرحله آموزش یاد می‌گیرد. دسترسی به وزن‌ها به شما اجازه می‌دهد مدلی را اجرا یا Fine-tune کنید، اما لزوماً به شما نمی‌گوید مدل از ابتدا چگونه، با چه داده‌هایی و طی چه فرایندی ساخته می‌شود.

بنابراین برای توصیف بسیاری از محتواهایی که در هاگینگ‌فیس منتشر می‌شوند، به‌جای اوپن سورس باید از عبارات مدل‌های باز یا وزن باز (Open-weight) استفاده کنیم.

ما نمی‌توانیم فهرست بلند مدل‌های هوش مصنوعی را دارایی هاگینگ‌فیس بدانیم. اگر انویدیا این شرکت را بخرد، مالک مدل‌های مشهوری مانند Llama، کوئن یا دیپ‌سیک نمی‌شود، همان‌طور که وقتی مایکروسافت گیت‌هاب را خرید، تمامی کدهایی را که در آن میزبانی می‌شدند، تصاحب نکرد.

مهم‌ترین دارایی هاگینگ‌فیس رفتار جامعه‌ای است که طی سال‌ها از این پلتفرم استفاده کرده‌اند. سازندگان مدل می‌دانند مخاطبانشان در هاگینگ‌فیس حضور دارند و محصولشان را آنجا منتشر می‌کنند. توسعه‌دهنده نیز انتظار دارد مدل‌های تازه و نسخه‌های تغییریافته را در هاگینگ‌فیس پیدا کند. حضور هر گروه، طرف مقابل را به پلتفرم می‌آورد.

از طرف دیگر نباید جایگاه هاگینگ‌فیس را با OpenAI یا آنتروپیک مقایسه کنیم. این شرکت‌ها عمدتاً می‌خواهند مشتری از مدل و API خودشان استفاده کند؛ درحالی‌که هاگینگ‌فیس اعتبارش را از حضور هم‌زمان بازیگران مختلفی که گاهی رقیب یکدیگرند، بالا می‌برد.

انویدیا به‌جای خریدن یک مدل موفق، می‌تواند پلتفرمی را بخرد که به مردم فرصت می‌دهد از بین مدل‌های متعدد، گزینه‌ی مطلوبشان را انتخاب کنند. پس اگر معامله‌ی گزارش‌شده نهایی شود، انویدیا صرفا برای کد سایت یا درآمد سالانه‌شده‌ی حدود ۱۵۰ میلیون‌دلاری آن ۱۲٫۹ میلیارد دلار نمی‌پردازد. غول تراشه‌سازی می‌خواهد به توسعه‌دهنده‌ای نزدیک شود که هنوز تصمیم نگرفته کدام مدل را انتخاب و روی چه زیرساختی اجرایش کند.

اگر بخواهیم تاریخچه‌ی روابط انویدیا و هاگینگ‌فیس را بررسی کنیم، به سال ۲۰۲۳ می‌رسیم، یعنی زمانی که انویدیا به همراه گوگل، آمازون، سیلزفورس، AMD، اینتل و چند سرمایه‌گذار دیگر در آخرین دور جذب سرمایه‌ی ۲۳۵ میلیون‌دلاری هاگینگ‌فیس شرکت کرد و ارزش استارتاپ به ۴٫۵ میلیارد دلار رسید.

بااین‌حال چند ماه پیش، هاگینگ‌فیس پیشنهاد سرمایه‌گذاری ۵۰۰ میلیون‌دلاری انویدیا را رد کرد، چرا که مدیرانش از سایه‌ی سنگین و تسلط یک سرمایه‌گذار واحد وحشت داشتند. هنوز نمی‌دانیم چرا هاگینگ‌فیس نظرش را تغییر داد و ناگهان به فروش کامل پلتفرم رضایت داد؛ ولی لااقل انگیزه‌ی انویدیا را بهتر درک می‌کنیم.

انویدیا تقریباً همه‌جای رونق هوش مصنوعی حضور دارد، اما نامش معمولاً در لحظات مشخصی پروژه‌ها را تحت‌تأثیر قرار می‌دهد، همان وقتی که یک مدل هوش مصنوعی برای آموزش یا اجرا، به قدرت پردازشی نیاز پیدا می‌کند. پلتفرم هاگینگ‌فیس به انویدیا اجازه می‌دهد پیش از آنکه توسعه‌دهنده حتی به سخت‌افزار فکر کند، با او وارد تعامل شود.

مسیر یک توسعه‌دهنده معمولاً از صفحه‌ی یک مدل در هاگینگ‌فیس آغاز می‌شود. او فایل‌ها را بالا و پایین می‌کند، مجوزها را می‌سنجد، مدل را به بوته‌ی آزمایش می‌سپارد و چه‌بسا با داده‌های اختصاصی خودش آن را شخصی‌سازی کند. اما کمی بعد باید تصمیم بگیرد که این مدل قرار است کجا و با چه ابزاری اجرا شود.

انویدیا در این مرحله با معماری CUDA، فریم‌ورک NeMo، میکروسرویس‌های NIM، زیرساخت ابری DGX Cloud و البته مجموعه پردازنده‌های گرافیکی از توسعه‌دهندگان استقبال می‌کند.

البته قرار نیست هر بازدید از هاگینگ‌فیس مستقیماً به فروش پردازنده‌های گرافیکی ختم شود. بعضی مدل‌ها آن‌قدر سبک‌اند که روی لپ‌تاپ یا حتی گوشی‌های هوشمند هم اجرا می‌شوند و پلتفرم نیز طبیعتاً از سخت‌افزارهای رقیب پشتیبانی می‌کند.

بااین‌وجود انویدیا برگ برنده‌اش را لحظه‌ی انتخاب کاربر می‌داند، زیرا هرچه زودتر در مسیر توسعه‌ی یک پروژه با برنامه‌نویس هم‌قدم شود، فرصت بیشتری برای جهت‌دادن به تصمیم بعدی پیدا می‌کند.

بزرگ‌ترین خریداران انویدیا، سعی می‌کنند راه‌هایی بیابند و وابستگی‌شان به این شرکت را کمتر کنند. گوگل با پردازنده‌های تنسور، آمازون با توسعه‌ی تراشه‌های Trainium و Inferentia و مایکروسافت با Maia، همگی به دنبال استقلال سخت‌افزاری‌اند.

حتی شرکت‌های توسعه‌دهنده مدل‌های بسته مثل OpenAI نیز در تلاش‌اند کنترل بیشتری روی سخت‌افزار موردنیازشان داشته باشند.

در بازاری که زیر سایه‌ی سنگین چند مدل هوش مصنوعی بسته قرار دارد، خریداران سخت‌افزار هم محدود می‌شوند. هزاران شرکت از طریق API به مدل هوش مصنوعی متصل می‌شوند، ولی سازنده‌ی مدل درباره‌ی زیرساخت تصمیم می‌گیرد؛ تا جایی که کاربر نهایی معمولاً خبر ندارد درخواستش روی چه تراشه‌ای پردازش می‌شود.

گزارش بیزینس اینسایدر نیز خرید هاگینگ‌فیس را در واقع یک سپر دفاعی برای انویدیا می‌داند؛ سپری در برابر آینده‌ای که شاید در انحصار سازندگان مدل‌های بسته و تراشه‌های اختصاصی‌شان باشد. بی‌دلیل نیست که انویدیا با تمام قوا از گسترش مدل‌های باز دفاع می‌کند و در مارس ۲۰۲۶، خود را فعال‌ترین سازمان در پلتفرم هاگینگ‌فیس نامید.

هر مدل قابل‌دانلود، صرفاً ابزار جدیدی برای توسعه‌دهنده نیست و می‌تواند مصرف‌کنندگان جدیدی هم برای توان محاسباتی انویدیا به همراه بیاورد.

انویدیا مدت‌ها پیش به این حقیقت پی برد که یک تراشه‌ی سریع، به‌تنهایی نمی‌تواند توسعه‌دهندگان را برای همیشه پایبند کند. به همین دلیل، معماری CUDA را خلق کرد؛ شبکه‌ای گسترده از نرم‌افزارها، کتابخانه‌ها و ابزارهای کاربردی که با پردازنده‌های گرافیکی این شرکت کار می‌کردند.

کودا باعث شد مهاجرت از اکوسیستم انویدیا از تعویض سخت‌افزار فراتر برود و گاهی به معنای بازنویسی کدها، تغییر ابزارها و فرایند کاری باشد.

اگر کودا توانست انویدیا را در مرحله‌ی ساخت و اجرای نرم‌افزار وارد بازی کند، هاگینگ‌فیس می‌تواند رویارویی توسعه‌دهنده و محصولات انویدیا را تا لحظه‌ی انتخاب مدل جلو بیاورد.

انویدیا برای بهره‌بردن از این معامله مجبور نیست هاگینگ‌فیس را به یک فروشگاه انحصاری برای برند خودش تبدیل کند. اتفاقاً برعکس، حفظ ماهیت نسبتاً باز این پلتفرم، بیشترین سود را برای مالک جدیدش به همراه خواهد داشت.

ارزش واقعی هاگینگ‌فیس از جایی سرچشمه می‌گیرد که غول‌هایی مثل متا، گوگل، مایکروسافت و میسترال در کنار هزاران تیم مستقل، مدل‌هایشان را زیر یک سقف منتشر می‌کنند و کاربر می‌تواند محصولات رقبا را شانه‌به‌شانه بسنجد.

از سوی دیگر، ثروت و زیرساخت عظیم انویدیا می‌تواند بار مالی سنگین این پلتفرم را به دوش بکشد. میزبانی از مدل‌های ویدیویی، چندوجهی و رباتیک که هر روز حجیم‌تر می‌شوند و به توان پردازشی سهمگین‌تری نیاز دارند، اصلاً ارزان تمام نمی‌شود. منابع انویدیا می‌تواند امنیت پلتفرم را ارتقا دهد و دامنه‌ی خدماتش را گسترده‌تر کند.

ولی هاگینگ‌فیس در حال حاضر با پردازنده‌های AMD و اینتل، شتاب‌دهنده‌های آمازون (AWS) و پردازنده‌های تنسور گوگل کار می‌کند. کارشناسان دنیای متن‌باز همین بی‌طرفی نسبی را پایه‌ی اصلی اعتبار هاگینگ‌فیس می‌دانند.

کاربران با مشاهده‌ی همین تغییرات کوچک حس می‌کنند زمین بازی دیگر کاملاً منصفانه نیست. توسعه‌دهندگان هم می‌توانند مخازن و پلتفرم‌های دیگر را جدی‌تر بگیرند.

تا زمانی که جزئیات قرارداد و برنامه‌های دو شرکت به‌طور رسمی روی میز قرار نگیرد، میزان استقلال هاگینگ‌فیس یا تغییرات احتمالی در رتبه‌بندی مدل‌ها در هاله‌ای از ابهام باقی می‌ماند. شاید هم هیچ چیزی نسبت به گذشته تغییر نکند. انویدیا شاید کل هاگینگ‌فیس را بخرد، اما اعتماد جامعه‌ی توسعه‌دهندگان کالایی نیست که همراه با قرارداد منتقل شود.

هاگینگ‌فیس مسیرش را با چت‌باتی ساده برای سرگرمی نوجوانان آغاز کرد؛ پروژه‌ای که خیلی زود از روی صحنه کنار رفت اما ابزارهای پشت صحنه باقی ماندند و شرکت را به جایی رساندند که امروز، توسعه‌دهندگان به‌محض شنیدن نام مدلی جدید، برای استخراج فایل‌ها، بررسی مجوزها، دستورات اجرا یا تماشای یک دمو، راهی پلتفرم می‌شوند.

تا پیش از این، انویدیا همیشه در میانه‌ی میدان ظاهر می‌شد؛ درست در همان ثانیه‌ای که یک مدل برای جان‌گرفتن، به قدرت پردازشی نیاز داشت. اما حالا، این غول تراشه‌ساز می‌تواند چند قدم جلوتر و جایی بایستد که توسعه‌دهنده هنوز در میان گزینه‌ها پرسه می‌زند.

لحظه‌ی مهم انتخاب کاربران، هر روز میلیون‌ها بار در سراسر جهان تکرار می‌شود و اگر از زاویه‌ی دید استراتژیست‌های انویدیا به ماجرا نگاه کنیم، حضور پیش‌دستانه ارزش پرداخت چک سنگین ۱۲٫۹ میلیارد دلاری را دارد.