مدل‌های هوش مصنوعی وزن باز با سرعتی چشمگیر فاصله را با مدل‌های مرزی بسته کاهش می‌دهند: بر اساس تحلیل جدید شرکت تحقیقاتی نیمه‌رسانا SemiAnalysis، با هر دوره متوالی مدل‌های زبان بزرگ، مدل‌های باز به نصف طول می‌کشند تا به اولین مدل بسته آن دوران برسند.

این مطالعه با عنوان "آیا مدل های باز در حال فرا رسیدن هستند؟" و در 21 آگوست توسط ایوان کلوتیر، مکس کان، جردن نانوس و دیلان پاتل منتشر شد، یکی از سیستماتیک ترین تلاش ها برای تعیین کمیت سوالی است که در کل صنعت هوش مصنوعی وجود دارد: اگر مدل های باز تقریباً به اندازه مرز بسته با کسری از هزینه توانمند باشند، آیا آزمایشگاه های مرزی تجارت بادوام دارند؟ برای پوشش عمیق نسخه‌های مدلی که این تغییر را ایجاد می‌کند، [AI Buzz Wire] (https://aibuzzwire.news) را دنبال کنید.

سه دوره از هوش مصنوعی مرزی

نویسندگان استدلال می‌کنند که تاریخچه LLM به سه دوره مجزا تقسیم می‌شود - مقیاس‌بندی اولیه، استدلال، و عاملی - که هر کدام نشان‌دهنده افزایش عملکرد مرحله‌ای در آنچه مدل‌ها می‌توانند به طور مفید انجام دهند.

نکته اصلی روش‌شناختی آنها این است که مقایسه مدل‌ها در دوره‌های مختلف با یک معیار یک اشتباه است. هر معیار محصول دوران خود است: برای تشخیص تفاوت‌های قابلیت‌هایی که در آن زمان وجود داشت ایجاد می‌شود، سپس توسط سازندگان مدل بالا می‌رود تا زمانی که اشباع شود، در این مرحله صنعت اهمیت نمی‌دهد و ادامه می‌دهد. در عوض، تیم SemiAnalysis مجموعه‌های معیاری را برای مدل‌های هر دوره اجرا کرد تا یک امتیاز قابلیت ترکیبی ایجاد کند.

از این طریق، شکاف باز در مقابل بسته به صورت چرخه ای حرکت می کند. در آغاز هر دوره، یک آزمایشگاه مرزی تحقیقات امیدوارکننده‌ای را تکمیل می‌کند، مدلی چشمگیر را آموزش می‌دهد و به جلو می‌پرد. سپس سایر آزمایشگاه‌ها پیشرفت‌های کلیدی را شناسایی می‌کنند، آنها را مهندسی معکوس می‌کنند و شکاف را می‌بندند. نویسندگان می نویسند: "هیچ چیز برای همیشه مخفی نمی ماند - به خصوص وقتی تقطیر را در نظر بگیرید." این فقط یک سوال است که چقدر طول می کشد.

اندازه‌گیری آن‌ها از این سؤال، یافته‌های سرفصل مطالعه را ایجاد کرد: با هر نسل، مدل‌های متن‌باز نیمی از زمان طول می‌کشد تا به اولین مدل منبع بسته آن دوره برسند.

چرا این چرخه احساس متفاوتی دارد

این گزارش در مورد تفاوت بین لحظات مدل باز گذشته و لحظه کنونی صریح است. نویسندگان خاطرنشان می کنند که "لحظه جستجوی عمیق" در ژانویه 2025 سرفصل اخبار شد، اما "هیچ کس در واقع از R1 برای انجام کار با ارزش اقتصادی استفاده نکرد."

در مقابل، آن‌ها به مدل‌هایی مانند GLM 5.3 و Kimi K3 اشاره می‌کنند که «واقعاً قادر به انجام بسیاری از همان کارهای کدنویسی و عاملی هستند که Anthropic را به 65 میلیارد دلار ARR رساندند» - اشاره‌ای به مسیر درآمدی که کدنویسی و بار کاری عاملی برای سازنده کلود ایجاد کرده است. این ادعا دارای اهمیت ویژه ای است زیرا این مدل های باز فقط دمو افزار نیستند. آنها برای همان وظایفی که درآمد واقعی برای آزمایشگاه های بسته ایجاد می کند در تولید مستقر می شوند.

اعداد استفاده، تغییر را تقویت می کنند. طبق SemiAnalysis، Fireworks، یک ارائه‌دهنده استنتاج که بسیاری از مدل‌های باز را ارائه می‌کند، اکنون بیش از 40 تریلیون توکن در روز پردازش می‌کند - دو برابر حجم API OpenAI در پایان ماه مارس. همانطور که این گزارش بیان می‌کند، «زمان هیجان‌انگیزی برای مصرف‌کننده توکن» است، در حالی که نبرد برای توکن‌ها اکنون بسیار فراتر از دو قطبی OpenAI-Anthropic است.

سوال کالایی شدن

این مطالعه مستقیماً به این ترس می‌پردازد - که از برخی از گوشه‌ها آن را FUD می‌نامد - که مدل‌های باز توانمند و ارزان، لایه مدل را به‌طور کامل کالایی می‌کنند، نتیجه‌ای که برای حاشیه‌های آزمایشگاه مرزی فاجعه‌بار خواهد بود.

بخش عمومی تجزیه و تحلیل به پاسخ کامل نمی رسد و خوانندگان را به مدل Tokenomics پولی شرکت برای رسیدگی دقیق به امور مالی OpenAI و Anthropic اشاره می کند. اما جهت سفر مشخص است: اگر مدل‌های باز هر دوره در نصف زمان قبلی وارد شوند، پنجره‌ای که در آن آزمایشگاه‌های بسته می‌توانند قیمت‌های بالاتری را برای قابلیت مرزی دریافت کنند، کم‌کم کاهش می‌یابد.

نویسندگان همچنین نسبت به خواندن این روند به عنوان حکم اعدام برای تحقیقات مرزی هشدار می دهند. آنها می نویسند که معیارها، "داستان کامل را بیان نمی کنند" و نتایج گزارش به عنوان "کمتر نزولی" در مدل های مرزی نسبت به آنچه خوانندگان در ابتدا تصور می کنند توصیف می شود - تا حدی به این دلیل که برابری معیار خام با برابری در قابلیت اطمینان، ادغام محصول، توزیع شرکت یا سرمایه مورد نیاز برای ارائه مدل ها در مقیاس یکسان نیست.

چرا مهم است

برای خریداران، یافته‌ها راهبردی را تأیید می‌کند که بسیاری از شرکت‌ها قبلاً اتخاذ کرده‌اند: پیش‌فرض مدل‌های باز یا ارزان‌تر برای حجم عمده توکن در حالی که مدل‌های بسته ممتاز را برای سخت‌ترین کارها رزرو می‌کنند. برای آزمایشگاه‌ها، فشاری را که با آن روبرو می‌شوند در دو جبهه اندازه‌گیری می‌کند - مدل‌های باز در زیر، و هزینه‌های محاسباتی هنگفت در بالا.

و برای اکوسیستم منبع باز، داده های SemiAnalysis چیزی را ارائه می دهد که اغلب کمبود داشته است: شواهد، به جای ایدئولوژی، مبنی بر اینکه شکاف در یک زمان بندی قابل پیش بینی بسته می شود. اگر الگوی نیمه‌وقت در دوره بعدی هوش مصنوعی مرزی باقی بماند، مهم‌ترین سوال صنعت این نیست که آیا مدل‌های باز به عقب می‌رسند یا خیر، بلکه این است که پس از انجام آن‌ها چه چیزی قابل دفاع باقی می‌ماند.

ردیابی مسابقه هوش مصنوعی وزن باز اخبار هوش مصنوعی را بیشتر بخوانید →