هزینه پنهان جایگزین هوش مصنوعی در ایران

به گزارش نماد اقتصاد، نقطه شروع بحث جایگزین هوش مصنوعی در ایران، وابستگی نرم‌افزارهای جدید به «API» های مدل‌های خارجی است. در معماری بسیاری از محصولات هوش مصنوعی، مدل زبانی در داخل محصول نصب نشده و برنامه صرفا درخواست را به یک ارائه‌دهنده بیرونی ارسال می‌کند. در این ساختار، هر محدودیت در دسترسی، پرداخت یا پایداری سرویس می‌تواند مستقیما بر محصول نهایی اثر بگذارد.

سایت رسمی شرکت «OpenAI» نشان می‌دهد ایران در فهرست مناطق پشتیبانی‌شده فهرست «API» قرار ندارد. این شرکت همچنین تصریح کرده است که ارائه یا دریافت دسترسی از خارج از کشورهای فهرست‌شده می‌تواند به مسدود یا تعلیق حساب منجر شود.

بنابراین، برای یک استارت‌آپ ایرانی، جایگزین هوش مصنوعی در ایران نباید فقط انتخاب یک مدل دیگر باشد؛ بلکه بخشی از مدیریت ریسک فناوری هم در این رابطه باید مدنظر قرار بگیرد. شرکتی که پاسخ‌گویی چت‌بات، خلاصه‌سازی اسناد، تولید محتوا، تحلیل داده یا قابلیت‌های هوشمند محصول خود را به یک «API» خارجی وابسته کرده، در صورت ناپایداری این دسترسی ناچار است معماری جایگزین داشته باشد.

این مسئله در شرایطی اهمیت بیشتری پیدا می‌کند که هوش مصنوعی در حال عبور از مرحله ابزار جانبی و ورود به لایه اصلی محصولات نرم‌افزاری است. هرچه سهم هوش مصنوعی در عملکرد محصول بیشتر شود، هزینه تغییر مدل و زیرساخت نیز افزایش می‌یابد.

جایگزین هوش مصنوعی در ایران؛ ساخت مدل بومی

تصویر رایج از جایگزین هوش مصنوعی در ایران این است که باید یک مدل زبانی بزرگ داخلی ساخته شود تا جای مدل‌های خارجی را بگیرد؛ اما مسیر عملی بازار لزوما چنین موضوعی را دنبال نمی‌کند.

یک کسب‌وکار می‌تواند از مدل‌های متن‌باز یا «Open-weight» استفاده، آن‌ها را روی زیرساخت داخلی مستقر و سپس با روش‌هایی مانند «RAG»، «Fine-tuning» یا اتصال به پایگاه دانش اختصاصی، مدل را برای کاربرد خود آماده سازد.

این رویکرد با روند جهانی نیز هم‌خوان است. رویترز در بررسی روند مدل‌های باز گزارش کرده است که شرکت‌ها و دولت‌ها به این مدل‌ها به‌عنوان ابزاری برای کاهش وابستگی به فناوری‌های اختصاصی توجه نشان می‌دهند؛ هرچند این مدل‌ها همچنان به زیرساخت پردازشی، مدیریت امنیت و منابع فنی نیاز دارند.

در نتیجه، جایگزین هوش مصنوعی در ایران می‌تواند مجموعه‌ای از مدل‌های مختلف و نه یک مدل واحد باشد. برای یک چت‌بات فارسی ممکن است مدل کوچک‌تر و تخصصی کفایت کند، در حالی که کاربردهای پیچیده‌تر به مدل بزرگ‌تر و ظرفیت پردازشی بالاتری نیاز دارند.

همین تفاوت، ساختار هزینه را نیز تغییر می‌دهد چراکه مسئله دیگر فقط قیمت هر توکن نیست؛ بلکه هزینه اجرای مدل، «GPU»، شبکه، ذخیره‌سازی، نگهداری و نیروی متخصص نیز وارد محاسبات می‌شود.

سرویس «AIaaS» داخلی

یکی از نشانه‌های شکل‌گیری این بازار، توسعه خدمات «AIaaS» در زیرساخت‌های ابری داخلی است. یک شرکت بزرگ فناوری داخلی در معرفی سرویس «AIaaS» خود اعلام کرده است که کاربران می‌توانند از مدل‌های جهانی و مدل‌های میزبانی‌شده و اختصاصی این شرکت استفاده کنند. این سرویس همچنین قابلیت‌هایی مانند پرداخت ریالی، پرداخت هزینه در ازای میزان مصرف (Pay-As-You-Go)، ایجاد پایگاه دانش اختصاصی و سرویس تولید تقویت شده با بازیابی (RAG) را ارائه می‌کند.

این تحول برای جایگزین هوش مصنوعی در ایران اهمیت دارد؛ زیرا شرکت‌ها را از الزام ساخت تمام اجزای زیرساخت هوش مصنوعی از صفر دور می‌کند. در چنین مدلی، شرکت توسعه‌دهنده می‌تواند بخش پردازش و استقرار مدل را از ارائه‌دهنده زیرساخت دریافت کند و تمرکز خود را روی محصول، داده و تجربه کاربر بگذارد.

در این ساختار، مفهوم «مدل بومی» نیز تغییر می‌کند. یک مدل ممکن است در خارج توسعه یافته باشد، اما روی زیرساخت داخلی اجرا شود؛ یا مدل باز خارجی برای زبان فارسی و کاربردهای ایرانی تنظیم شود. بنابراین مرز میان مدل خارجی و مدل بومی دیگر به سادگی گذشته نیست.

از این منظر، جایگزین هوش مصنوعی در ایران بیشتر از آنکه یک مسابقه برای تولید نام‌های جدید باشد، رقابتی بر سر کنترل لایه‌های مختلف زنجیره فناوری است.

هزینه جایگزینی برای همه شرکت‌ها برابر نیست

مهم‌ترین بخش مغفول در بحث جایگزین هوش مصنوعی در ایران، هزینه انتقال است. هزینه‌ای که یک شرکت برای استفاده از «API» خارجی می‌پردازد، معمولا به میزان مصرف مرتبط است. اما در معماری داخلی، هزینه‌ها می‌توانند به مجموعه‌ای از خدمات مانند پردازش «GPU»، ذخیره‌سازی، شبکه، نگهداری مدل، مانیتورینگ، امنیت و نیروی انسانی تقسیم شوند.

ارائه‌دهندگان داخلی «Cloud GPU» نیز همین نیاز را هدف گرفته‌اند. برای نمونه، یک شرکت فناورمحور داخلی خدمات پردازش ابری «GPU» و «HPC» را برای پروژه‌های هوش مصنوعی عرضه می‌کند و مدل آن بر استفاده از توان پردازشی اجاره‌ای به جای خرید مستقیم سخت‌افزار متمرکز است.

به این ترتیب، جایگزین هوش مصنوعی در ایران می‌تواند صورت‌حساب فناوری را از هزینه «API» به هزینه زیرساخت منتقل کند. این تغییر برای استارت‌آپ‌ها اهمیت ویژه‌ای دارد. یک شرکت کوچک ممکن است توان مالی خرید و نگهداری سخت‌افزار گران‌قیمت را نداشته باشد و در نتیجه، استفاده از «GPU» ابری برای آن منطقی‌تر باشد. در مقابل، شرکت‌های بزرگ‌تر ممکن است بتوانند بخشی از ظرفیت پردازشی را به شکل اختصاصی تامین کنند.

در نتیجه نمی‌توان بدون داده‌های مالی واقعی، رقم واحدی برای هزینه مهاجرت همه شرکت‌ها اعلام کرد. به همین دلیل هزینه جایگزین هوش مصنوعی در ایران به اندازه مدل، تعداد درخواست‌ها، نوع کاربرد، میزان پردازش و معماری محصول وابسته است.

بازار جدید؛ اجاره توان پردازشی

اگر وابستگی به «API» خارجی کاهش پیدا کند، یک بازار تازه نیز اهمیت بیشتری پیدا می‌کند و آن بازار فروش و اجاره توان پردازشی است.

در این بازار، شرکت‌ها به جای خرید یک مدل آماده، بخشی از ظرفیت «GPU» را اجاره کرده و مدل را روی زیرساخت ارائه‌دهنده اجرا می‌کنند. این روند می‌تواند فرصت جدیدی برای شرکت‌های ابری ایجاد کند؛ زیرا رشد کاربردهای هوش مصنوعی به طور مستقیم به ظرفیت پردازشی نیاز دارد.

از این منظر، جایگزین هوش مصنوعی در ایران فقط بازار مدل‌های زبانی را توسعه نمی‌دهد؛ بلکه تقاضا برای «GPU»، مرکز داده، شبکه، ذخیره‌سازی و خدمات مدیریت مدل را نیز افزایش می‌دهد.

سرویس‌های داخلی «AIaaS» نیز دقیقا در همین نقطه قرار دارند. یک شرکت فناوری داخلی دیگر در معرفی سرویس خود علاوه بر مدل‌های میزبانی‌شده، از قابلیت ایجاد «Endpoint» اختصاصی، تولید تقویت شده با بازیابی (RAG) و اتصال به کتابخانه‌هایی مانند «LangChain» و «OpenAI» سخن گفته است.

بنابراین، جایگزین هوش مصنوعی در ایران در حال نزدیک شدن به یک زنجیره کامل‌تر است؛ زنجیره‌ای که از سخت‌افزار و پردازش آغاز می‌شود و به مدل، داده و نرم‌افزار می‌رسد.

معماری هبریدی؛ راه میانه کسب‌وکارها

یکی از مهم‌ترین پیامدهای این وضعیت، حرکت به سمت معماری هبریدی است. در چنین معماری‌ای، یک محصول الزاما تمام درخواست‌ها را به یک مدل ارسال نمی‌کند. بخشی از پردازش می‌تواند روی مدل داخلی یا متن‌باز انجام شود و وظایف دیگر، در صورت فراهم بودن دسترسی، از مدل‌های خارجی استفاده کنند.

این ساختار برای جایگزین هوش مصنوعی در ایران اهمیت دارد؛ زیرا وابستگی کامل به یک ارائه‌دهنده را کاهش می‌دهد. برای نمونه، یک چت‌بات فارسی می‌تواند پرسش‌های ساده را با یک مدل داخلی پاسخ دهد، اطلاعات اختصاصی سازمان را از پایگاه دانش داخلی دریافت کند و تنها برای برخی وظایف پیچیده‌تر به مدل دیگری متصل شود. البته انتخاب چنین معماری‌ای به محدودیت‌های فنی، هزینه و الزامات داده هر شرکت بستگی دارد.

مزیت این روش در انعطاف‌پذیری است؛ اما پیچیدگی مدیریتی آن نیز بیشتر است. توسعه‌دهنده باید کیفیت مدل‌ها را ارزیابی، خروجی آن‌ها را با یکدیگر مقایسه و برای تغییر ارائه‌دهنده، لایه نرم‌افزاری مناسب داشته باشد. در نتیجه، جایگزین هوش مصنوعی در ایران به تدریج از یک محصول جایگزین به یک معماری جایگزین تبدیل می‌شود.

داده فارسی؛ مزیت رقابتی جدید

مسئله دیگری که در این فرآیند اهمیت پیدا می‌کند، داده است. مدل خام، تنها یکی از اجزای محصول هوش مصنوعی محسوب می‌شود. برای کاربردهای تخصصی، داده فارسی، پایگاه دانش و روش بازیابی اطلاعات می‌توانند نقش تعیین‌کننده‌ای داشته باشند.

اینجاست که جایگزین هوش مصنوعی در ایران می‌تواند فرصت جدیدی برای شرکت‌های فعال در حوزه تولید تقویت شده با بازیابی (RAG)، پردازش زبان فارسی، «Fine-tuning»و مهندسی داده ایجاد کند.

یک شرکت داخلی نیز در معرفی سرویس‌های داخلی «AIaaS» خود بر امکان ساخت پایگاه دانش اختصاصی با داده‌های مشتریان تاکید کرده است.

این مسیر نشان می‌دهد رقابت در بازار دیگر منحصرا میان مدل‌های بزرگ نیست. شرکتی که بتواند داده فارسی را بهتر سازمان‌دهی کند، بازیابی دقیق‌تری ارائه دهد و مدل مناسب را با هزینه پایین‌تر اجرا کند، می‌تواند بخشی از ارزش بازار را در لایه‌ای غیر از خود مدل به دست آورد.

به همین دلیل، جایگزین هوش مصنوعی در ایران می‌تواند تقاضا برای مهارت‌هایی مانند مهندسی داده، فرایند مدیریت چرخه عمر یادگیری ماشین (MLOps)، بهینه‌سازی مدل، تولید تقویت شده با بازیابی (RAG) و مدیریت زیرساخت «GPU» را نیز افزایش دهد؛ البته اندازه این اثر به سرعت توسعه بازار بستگی خواهد داشت.

درصدی که قابل استناد نیست

با وجود نشانه‌های روشن توسعه زیرساخت داخلی، یک خلا مهم همچنان باقی مانده که همان اندازه واقعی هزینه مهاجرت شرکت‌های ایرانی از «API» های خارجی به زیرساخت داخلی است.

در منابع عمومی بررسی‌شده، داده مستقلی که نشان دهد این مهاجرت برای یک استارت‌آپ متوسط چه میزان هزینه ایجاد کرده یا مصرف «API» های داخلی دقیقا چه مقدار افزایش یافته، منتشر نشده است.

بنابراین ادعای رشد ۳۲۰ درصدی ترافیک «API» های بومی را نمی‌توان به‌عنوان یک واقعیت آماری در گزارش ثبت کرد. همین خلا داده‌ای خود یک مسئله مهم برای بازار است؛ زیرا بدون انتشار اطلاعات مربوط به مصرف، هزینه «GPU»، ظرفیت مراکز داده و هزینه اجرای مدل‌ها، ارزیابی اقتصادی دقیق این انتقال دشوار خواهد بود.

در چنین شرایطی، جایگزین هوش مصنوعی در ایران هنوز بیشتر از آنکه با آمار جامع سنجیده شود، از طریق نشانه‌های زیرساختی مانند توسعه سرویس‌های داخلی «AIaaS»، ارائه «GPU» ابری، میزبانی مدل، خدمات تولید تقویت شده با بازیابی (RAG) و تلاش برای کاهش وابستگی به سرویس‌های خارجی قابل مشاهده است.

بعد از «API» رقابت بر سر زیرساخت است

آنچه در حال شکل‌گیری است، تغییر جایگاه هوش مصنوعی در اقتصاد دیجیتال ایران است. اگر در مرحله نخست، مسئله اصلی دسترسی به مدل‌های پیشرفته بود، اکنون مسئله به توانایی اجرای پایدار و اقتصادی مدل‌ها نزدیک شده است.

در این چارچوب، جایگزین هوش مصنوعی در ایران دیگر یک گزینه اضطراری برای زمان قطع سرویس نبوده و حتی می‌تواند به بخشی از طراحی بلندمدت محصولات نرم‌افزاری تبدیل شود.

شرکت‌هایی که چنین مسیری را انتخاب می‌کنند، باید میان کیفیت مدل، هزینه پردازش، سرعت پاسخ، امنیت داده و امکان توسعه آینده تعادل ایجاد کنند. در این میان هیچ‌یک از این متغیرها به‌تنهایی تعیین‌کننده نبوده و انتخاب مدل ارزان‌تر نیز الزاما به معنای کاهش هزینه نهایی محصول نخواهد بود.

از سوی دیگر، توسعه زیرساخت داخلی می‌تواند بازار جدیدی برای ارائه‌دهندگان «GPU»، مراکز داده، شرکت‌های ابری و متخصصان مدل‌سازی ایجاد کند. آروان‌کلاد با توسعه خدمات «AIaaS» و شرکت‌های ارائه‌دهنده «GPU» ابری با عرضه توان پردازشی، نمونه‌هایی از همین تغییر در ساختار بازار هستند.

در نهایت، جایگزین هوش مصنوعی در ایران را باید در سطح زنجیره ارزش فناوری ارزیابی کرد؛ زنجیره‌ای که از «GPU» و مرکز داده شروع می‌شود، به مدل و داده می‌رسد و در نهایت در قالب «API» و محصول نرم‌افزاری به کاربر ارائه می‌شود.

آنچه فعلا می‌توان با اتکا به منابع موجود گفت، این است که بازار ایران در حال ایجاد لایه‌هایی برای کاهش وابستگی به دسترسی مستقیم به برخی سرویس‌های خارجی است، اما برای اندازه‌گیری هزینه واقعی این تغییر، هنوز به داده‌های شفاف درباره مصرف «GPU»، هزینه «API»، تعداد کاربران، ظرفیت مراکز داده و صورت‌حساب استارت‌آپ‌ها نیاز است.

به همین دلیل، داستان جایگزین هوش مصنوعی در ایران هنوز بیش از آنکه داستان جایگزینی یک مدل با مدل دیگر باشد، روایت انتقال وابستگی از یک لایه فناوری به مجموعه‌ای از لایه‌های جدید است؛ لایه‌هایی که اکنون ارزش اقتصادی آن‌ها در پردازش، زیرساخت، داده و خدمات ابری شکل می‌گیرد.