گوگل نقطه ضعف ChatGPT را پیدا کرد؛ برگ برنده Gemini در جنگ هوش مصنوعی

به گزارش زومان به نقل از بیزنس اینسایدر، در حالی که آنتروپیک، مدل هوش مصنوعی منتشرنشده خود یعنی موتوس را به‌عنوان مدلی قدرتمند بزرگ‌نمایی می‌کند، گوگل تمرکز خود را بر هزینه و سرعت گذاشته است.

گوگل می‌گوید جدیدترین مدل Gemini 3.5 Flash این شرکت با مدل‌های پیشرو در بازار رقابت می‌کند و در عین حال، برای شرکت‌هایی که با مصرف میلیاردها توکن، (واحد اصلی استفاده از هوش مصنوعی)، هزینه‌های سنگینی روی دست خود گذاشته‌اند، صرفه‌جویی مالی به همراه دارد.

سوندار پیچای مدیرعامل گوگل اخیراً گفت: «شرکت‌ها همین حالا هم بودجه سالانه توکن‌های خود را مصرف کرده‌اند و هنوز ماه مه است. اگر شرکت‌ها ترکیبی از Flash و دیگر مدل‌های پیشرو استفاده کنند، می‌توانند پول زیادی صرفه‌جویی کنند.»

زمان معرفی مدل جدید گوگل تصادفی نیست. شرکت‌ها با سرعت به‌سمت استفاده از ابزارهای هوش مصنوعی رفته‌اند؛ ابزارهایی که برای انجام کارهای پیچیده، حجم زیادی توکن مصرف می‌کنند و همین مصرف بالا، صورت‌حساب‌های سنگینی برای مشتریان سازمانی به همراه دارد. در چنین شرایطی، هزینه استفاده از هوش مصنوعی به یکی از دغدغه‌های اصلی شرکت‌ها تبدیل شده است.

هم‌زمان، بسیاری از شرکت‌های کوچک‌تر هوش مصنوعی که برای رسیدن به درآمد پایدار تحت فشار هستند، قیمت محصولات خود را افزایش داده‌اند. نتیجه این روند آن است که مشتریان بیش از گذشته به هزینه واقعی استفاده از مدل‌های هوش مصنوعی توجه می‌کنند و به‌دنبال گزینه‌هایی هستند که عملکرد قابل قبول را با هزینه کمتر ارائه دهند.

همین تغییر، فرصت تازه‌ای برای گوگل ایجاد کرده است.

رقابت در بازار هوش مصنوعی دیگر فقط بر سر قدرتمندترین مدل نیست؛ حالا سرعت، هزینه اجرا و بازده اقتصادی نیز اهمیت زیادی پیدا کرده‌اند. این دقیقاً همان نقطه‌ای است که گوگل می‌تواند از مزیت قدیمی خود استفاده کند؛ مزیتی که طی بیش از دو دهه و با سرمایه‌گذاری سنگین روی زیرساخت ساخته شده است.

در سال‌های نخست رقابت هوش مصنوعی، تمرکز اصلی شرکت‌ها روی ساخت بزرگ‌ترین و هوشمندترین مدل بود. هر شرکت تلاش می‌کرد نشان دهد مدلش از رقبا تواناتر است. اما حالا که فاصله عملکردی مدل‌های بزرگ کمتر شده، مزیت رقابتی به‌تدریج از خود مدل به سمت زیرساخت و نحوه اجرای آن جابه‌جا می‌شود.

گرگ براکمن، رئیس OpenAI، اخیراً همین تغییر را در جمله‌ای خلاصه کرد: «مدل به‌تنهایی دیگر محصول نیست.»

یکی از دلایل اصلی این تغییر، رشد ابزارهای هوش مصنوعی است که می‌توانند وظایف طولانی‌تر و پیچیده‌تری انجام دهند، اما اجرای آن‌ها معمولاً به پردازش‌های پیوسته، درخواست‌های متعدد و مصرف بالای توکن نیاز دارد. هرچه این ابزارها کاربردی‌تر می‌شوند، هزینه استفاده از آن‌ها نیز افزایش پیدا می‌کند.

گوگل از نزدیک می‌داند مصرف توکن تا چه اندازه بالا رفته است. ساندار پیچای اخیراً گفته بود استفاده ماهانه از محصولات هوش مصنوعی گوگل نسبت به سال گذشته هفت برابر شده و به ۳٫۲ کوادریلیون توکن رسیده است.

او همچنین گفته بود اگر بزرگ‌ترین مشتریان گوگل کلود حدود ۸۰ درصد از حجم کاری هوش مصنوعی خود را با ترکیبی از Gemini 3.5 Flash و دیگر مدل‌های پیشرو اجرا کنند، می‌توانند سالانه بیش از یک میلیارد دلار صرفه‌جویی داشته باشند.

نشانه‌های فشار هزینه‌ای در میان شرکت‌ها نیز دیده می‌شود. مدیر عملیات اوبر اخیراً گفته بود توجیه هزینه‌های رو‌به‌افزایش هوش مصنوعی برای این شرکت دشوارتر شده است.

دن مورگان، تحلیلگر Synovus Trust، به بیزینس اینسایدر گفت:

با پیچیده‌تر شدن عامل‌های هوش مصنوعی، فرایندهای طولانی‌مدت به وضعیت معمول تبدیل شده‌اند. همین موضوع در بسیاری از سازمان‌ها شوک قیمتی ایجاد کرده است.

به‌گفته مورگان، هزینه و بازگشت سرمایه در این بازار رابطه‌ای مستقیم با هم دارند؛ زیرا سودآوری در حوزه هوش مصنوعی کار ساده‌ای نیست. برای برخی شرکت‌ها، دسترسی به پیشرفته‌ترین مدل‌های موجود دیگر الزام قطعی نیست. در بسیاری از کاربردها، مدلی که «به‌اندازه کافی خوب» باشد، می‌تواند گزینه‌ای منطقی‌تر از مدل گران‌تر و قدرتمندتر باشد.

اینجاست که موقعیت گوگل برجسته می‌شود. این شرکت نسبت به بسیاری از رقبا کنترل بیشتری بر هزینه و سرعت اجرای هوش مصنوعی دارد، زیرا بخش بزرگی از زنجیره را خودش در اختیار دارد: از تراشه و مرکز داده گرفته تا سرویس ابری، مدل‌های هوش مصنوعی و اپلیکیشن‌هایی که روی آن‌ها ساخته می‌شوند.

تحلیلگران موسسه ویلیام بلر (شرکت خدمات مالی و بانک سرمایه‌گذاری) اوایل ماه جاری برآورد کردند که هزینه محاسبات داخلی هوش مصنوعی برای گوگل، به‌دلیل استفاده از تراشه‌های اختصاصی TPU و تأمین مستقیم قطعات از تولیدکنندگان، حدود ۵۰ درصد کمتر از رقباست و این اختلاف در برخی موارد ممکن است به ۷۵ درصد هم برسد.

در مقابل، OpenAI برای اجرای هر درخواست در ChatGPT و Codex به مایکروسافت، اوراکل و دیگر ارائه‌دهندگان زیرساخت ابری هزینه پرداخت می‌کند. این شرکت‌ها نیز برای پردازنده‌های گرافیکی موردنیاز خود به انویدیا پول می‌دهند. در عمل، تقریباً هر شرکتی که ابرارائه‌دهنده زیرساخت ابری نباشد، ناچار است برای اجرای مدل‌های هوش مصنوعی به شرکت دیگری وابسته باشد.

این همان الگویی است که گوگل پیش‌تر در جست‌وجو تجربه کرده بود. اگر محاسبات، به تعبیر سم آلتمن، سرنوشت شرکت‌های هوش مصنوعی را تعیین می‌کند، گوگل بیش از ۲۵ سال برای ساختن این سرنوشت آماده شده است.

در سال ۲۰۰۶، گوگل بیش از ۴۰ درصد بازار جست‌وجو را در اختیار داشت و به‌سرعت از رقبا فاصله می‌گرفت. دلیل موفقیتش فقط کیفیت نتایج نبود؛ گوگل توانسته بود جست‌وجو را سریع‌تر و ارزان‌تر از رقبا ارائه کند. حتی نمایش زمان پاسخ‌گویی جست‌وجو برحسب میلی‌ثانیه، بخشی از همین رویکرد بود: گوگل می‌خواست نشان دهد سرعت، بخشی از محصول است.

گوگل به‌جای اتکا به سرورهای گران‌قیمت، سیستم‌های اختصاصی خود را با قطعات ارزان و آماده بازار ساخت تا هم سرعت را بالا ببرد و هم هزینه‌ها را کنترل کند. هرچه کاربران بیشتری از گوگل استفاده می‌کردند، داده‌های بیشتری تولید می‌شد؛ داده‌هایی که به بهبود موتور جست‌وجو کمک می‌کردند و چرخه‌ای می‌ساختند که خود را تقویت می کرد و همین چرخه در نهایت رقبایی مانند یاهو را به حاشیه برد.

نتایج گوگل لازم نبود همیشه بهترین نتیجه مطلق باشند. کافی بود به‌اندازه کافی خوب، سریع و کم‌هزینه ارائه شوند تا کاربران بارها و بارها به آن بازگردند.

گوگل اکنون تلاش می‌کند چرخه‌ای مشابه را با Gemini بسازد. تفاوت اینجاست که این بار، در کنار زیرساخت عظیم فنی، یک کسب‌وکار تبلیغات جست‌وجوی بسیار سودآور نیز دارد که می‌تواند بخشی از هزینه‌های سنگین هوش مصنوعی را تأمین کند. این در حالی است که رقبایی مانند OpenAI و آنتروپیک همچنان برای جذب سرمایه و دسترسی به توان محاسباتی بیشتر رقابت می‌کنند.

رقابت جست‌وجو در ظاهر رقابت بر سر کیفیت پاسخ‌ها بود، اما در واقع یک رقابت زیرساختی محسوب می‌شد. گوگل حالا روی این فرض حساب می‌کند که رقابت هوش مصنوعی نیز در نهایت مسیری مشابه خواهد داشت.