هزینه واقعی هوش مصنوعی چقدر است؟ معمای قیمتگذاری»
شرکتهایی مانند مایکروسافت، گوگل و آنتروپیک صدها میلیارد دلار برای توسعه مدلهای زبانی بزرگ یا LLMها سرمایهگذاری کردهاند؛ فناوریای که زیربنای بسیاری از خدمات هوش مصنوعی امروزی است.
با این حال، این شرکتها برای جبران هزینههای خود نسخههای پولی را نیز عرضه میکنند که امکانات پیشرفتهتری، از جمله قابلیتهای بهتر برای برنامهنویسی و امور مالی، دارند.
در کنار این شرکتها، کسبوکارهای دیگری نیز خدماتی بر پایه «عاملهای هوش مصنوعی» ارائه میکنند. این عاملها معمولاً بر پایه یک مدل زبانی بزرگ ساخته شدهاند و میتوانند برای انجام وظایف مشخص، تصمیمگیری و اجرای فرایندها آموزش ببینند.
اما تعیین قیمت این خدمات کار سادهای نیست.
سایمون گوچ از شرکت ساویینت میگوید نمیتوان هزینه استفاده از هوش مصنوعی را برای یک دوره طولانی مانند یک یا چند سال آینده بهطور دقیق تعیین کرد، زیرا شرایط فناوری و هزینهها بهسرعت تغییر میکند.
مشکل از توکنها شروع میشود
وقتی کاربر از مدلهایی مانند چتجیپیتی یا کلود میخواهد به سؤالی پاسخ دهد، کد تولید کند یا فرایندی را خودکار انجام دهد، درخواست او به واحدهای کوچکی به نام «توکن» تقسیم میشود. مدل این توکنها را پردازش میکند و پاسخ خود را نیز به شکل توکن تولید میکند؛ سپس آنها به متن، کد یا دستورهای قابل اجرا تبدیل میشوند.
اما میزان مصرف توکن قابل پیشبینی نیست. تغییر جزئی در یک درخواست میتواند پاسخ متفاوتی ایجاد کند و حتی یک درخواست یکسان نیز همیشه نتیجه مشابهی ندارد. استفاده همزمان از چند عامل هوش مصنوعی نیز میتواند مصرف توکن و در نتیجه هزینه را بیشتر کند.
بر اساس تحلیل گلدمن ساکس، اگرچه هزینه هر توکن در سالهای اخیر کاهش زیادی داشته، میزان مصرف توکن بهشدت افزایش یافته است. این بانک پیشبینی میکند مصرف توکنها بین سالهای ۲۰۲۶ تا ۲۰۳۰، با گسترش استفاده از عاملهای هوش مصنوعی، ۲۴ برابر شود و به ۱۲۰ کوادریلیون توکن در ماه برسد.
شرکتها همیشه از هزینه واقعی خبر ندارند
یکی از مشکلات این است که شرکتها و کاربران اغلب نمیدانند چه مقدار توکن مصرف کردهاند تا زمانی که اعتبارشان تمام شود یا صورتحساب ماهانه به دستشان برسد.
گزارشها حاکی است حتی مایکروسافت استفاده مهندسانش از برخی ابزارهای کدنویسی هوش مصنوعی شرکتهای دیگر را محدودتر کرده است. اوبر نیز در اوایل سال جاری، بودجه یکساله توکنهای مورد استفاده برای کدنویسی با هوش مصنوعی را تنها طی چند ماه مصرف کرد.
ویل ونترز، استاد مدرسه اقتصاد لندن، میگوید مدیریت این هزینه برای شرکتها دشوار است، زیرا خروجی هوش مصنوعی قطعی نیست و ارزش حاصل از آن نیز همیشه قابل پیشبینی نیست.
شرکتها برای کنترل هزینهها به روشهای مختلفی روی آوردهاند؛ از انتخاب مدلهای ارزانتر گرفته تا دقیقتر کردن دستورهایی که به هوش مصنوعی میدهند.
هزینهها چگونه به مشتری منتقل میشود؟
مشکل زمانی جدیتر میشود که یک شرکت هوش مصنوعی را در محصولی قرار دهد که هزاران نفر از آن استفاده میکنند. در این حالت، هزینهها ممکن است بهسرعت افزایش یابد؛ زیرا علاوه بر توسعه نرمافزار، برای آزمایش، امنیت و ایجاد محدودیتهای ایمنی نیز به توکن نیاز است.
از سوی دیگر، اضافه کردن عاملهای هوش مصنوعی بسیار سادهتر از استخدام نیروی انسانی است و همین موضوع میتواند باعث افزایش سریع مصرف شود.
با وجود این، افزایش هزینه لزوماً به معنای زیان نیست. ممکن است استفاده بیشتر از توکنها باعث شود هوش مصنوعی نتیجه بهتری ارائه کند و ارزش بیشتری برای شرکت ایجاد شود.
در نهایت، کسبوکارها باید راهی برای انتقال این هزینهها به مشتریان پیدا کنند. گزینههایی مانند افزایش عمومی قیمتها، دریافت هزینه بر اساس نتیجه یا ارائه بستههای مشخص مطرح شده است.
اما هیچکدام راهحل قطعی نیستند؛ زیرا اگر شرکتهای بزرگ ارائهدهنده مدلهای زبانی قیمتهای خود را تغییر دهند، مدل قیمتگذاری شرکتهای دیگر نیز ممکن است تحت تأثیر قرار گیرد.
به همین دلیل، با وجود کاهش هزینه هر توکن، رشد سریع مصرف و گسترش عاملهای هوش مصنوعی، تعیین قیمت واقعی خدمات هوش مصنوعی همچنان یکی از چالشهای بزرگ این صنعت است.
منبع: BBC News