هزینه‌های هوش مصنوعی هر فصل به نصف کاهش می‌یابد؛ بازار نرم‌افزار در آستانه تحول

هزینه‌های مرتبط با بهره‌برداری از مدل‌های هوش مصنوعی به‌طرزی سریع در حال کاهش است؛ رویدادی که می‌تواند به شکل غیرقابل‌باوری بازار نرم‌افزارهای پیشرفته را تحت تأثیر قرار دهد.

طبق گزارشی که به نقل از TechSpot توسط مؤسسه Epoch AI منتشر شده، هزینه دستیابی به سطح معین از قابلیت‌های هوش مصنوعی تقریباً هر فصل ۵۰ درصد کاهش می‌یابد؛ به این معنا که هزینه دستیابی به همان سطح از عملکرد به‌صورت تقریبی، سالانه ۱۳ برابر کم‌تر می‌شود.

این گزارش به‌جای تمرکز بر قیمت‌های میانگین محصولات حوزه هوش مصنوعی، به بررسی هزینه‌های مرتبط با رسیدن مدل‌ها به عملکرد معین پرداخته است. یکی از ارزیابی‌های اصلی در این زمینه، آزمون GPQA Diamond است که شامل پرسش‌های علمی در سطح تحصیلات تکمیلی می‌شود.

 



اختلاف بین مدل‌های نوین و قدیمی به‌خوبی وضوح این کاهش هزینه‌ها را فاش می‌سازد. بر اساس این گزارش، مدل GPT o3 که در ژانویه ۲۰۲۵ به بازار عرضه شد، برای دستیابی به نمره ۷۵ درصد در این آزمون حدود ۰/۳۰ دلار برای هر پرسش هزینه برمی‌داشت. درحالیکه، تقریباً یک سال و نیم بعد، مدل GPT-5.6 Luna می‌توانست همان عملکرد را با هزینه‌ای نزدیک به ۰/۰۰۰۴ دلار برای هر پرسش ارائه دهد.

اپوک ای‌آی این روند را با فناوری‌های دیگری نظیر باتری‌های لیتیوم‌یونی، محاسبات و توالی‌یابی دی‌ان‌ای مقایسه کرده است. براساس این مقایسه، هزینه‌های مرتبط با قابلیت‌های هوش مصنوعی تقریباً چهار برابر سریع‌تر از توالی‌یابی دی‌ان‌ای و ۱۸ برابر سریع‌تر از کاهش هزینه باتری‌های لیتیومی کاهش یافته است. البته، این مقایسه دارای برخی محدودیت‌هاست، چرا که زمان‌های بررسی و روش‌های محاسبه برای فناوری‌های مختلف یکسان نیستند.

علاوه بر این، روند کاهش هزینه در تمام دسته‌های وظایف هوش مصنوعی یکسان نیست. بررسی معیارهایی همچون ریاضیات و مسائل شطرنج نشان‌دهنده این است که برخی از وظایف طیف کاهش تدریجی هزینه‌ها را تجربه می‌کنند، در حالی که سایرین با دوران‌های طولانی ثبات روبه‌رو می‌شوند و سپس شاهد کاهشی ناگهانی می‌باشند.

سرعت کاهش هزینه‌ها نیز به‌نظر می‌رسد که در حال رکود است. میزان کاهش میانگین هزینه در پنج معیار مورد بررسی در ابتدا حدود ۶۶ درصد در هر فصل بود، اما پس از دو سال به ۳۲ درصد کاهش یافته است. عواملی چون هزینه انرژی، ظرفیت دیتاسنتر و تجهیزات سخت‌افزاری مرتبط با هوش مصنوعی می‌توانند روند کاهش بیشتر هزینه‌ها را با دشواری مواجه کنند.

این گزارش همچنین به پدیده‌ای موسوم به «بهینه‌سازی معیارها» یا بنچ‌مکسینگ (Benchmaxxing) اشاره می‌کند؛ بهینه‌سازی مدل‌ها در راستای کسب نمرات بالا در آزمون‌ها، بدون اینکه لزوماً عملکرد آن‌ها در دنیای واقعی به موازات بهبود یابد. با وجود این محدودیت‌ها، کاهش هزینه هوش مصنوعی می‌تواند گزینه‌های متنوع‌تری را برای کسب‌وکارها فراهم سازد و فشار بیشتری را بر روی ارائه‌دهندگان مدل‌های پیشرفته ایجاد کند.

مشاهده بیشتر

نوشته های مشابه

دکمه بازگشت به بالا