گزارشی جدید از شرکت پژوهشی هوش مصنوعی Epoch AI نشان میدهد که قیمت هوش مصنوعی در سالهای اخیر هزاران برابر کاهش یافته است؛ سرعتی که از هر فناوری تحولآفرین دیگری در قرن گذشته بیشتر است. این گزارش حاکی از آن است که هزینه هوش مصنوعی هر سه ماه یکبار کمی کمتر از ۵۰ درصد ارزانتر میشود و سالانه ۱۳ برابر کاهش مییابد.
این روند از باتریهای لیتیومی، توالییابی DNA و حتی توان محاسباتی (Compute) که در بیشتر قرن گذشته از پیشرفتهای سریع قانون مور (Moore's Law) بهره میبرده، سریعتر است.
اگرچه این کاهش هزینهها احتمالاً به پذیرش این فناوری کمک میکند، اما پرسشهای دشواری را درباره ضرورت وابستگی به توسعه پیشرو هوش مصنوعی ایجاد میکند و ممکن است حفظ وفاداری مشتری و درآمد پایدار را برای خدمات شخص ثالث هوش مصنوعی دشوارتر سازد.
اگر بدانید که در هر زمان مشخص، تنها چند هفته یا چند ماه با سرویسی فاصله دارید که تواناتر و ارزانتر خواهد بود، چه انگیزهای برای پذیرش آن در همین لحظه وجود دارد؟ اگر یک سرویس رقیب چیز بهتری با قیمت مناسبتر ارائه دهد، چرا باید به ارائهدهنده فعلی خود وفادار بمانید؟
این موضوع معضل دشواری را برای آزمایشگاههایی مانند OpenAI و Anthropic ایجاد میکند که برای دستیابی به قابلیتهای بیشتر در هوش مصنوعی رقابت میکنند. همانطور که گزارش نشان میدهد، دستیابی به سودهای کلان حتی با مدلهای پیشرفتهای که از رقبا پیشی میگیرند، دشوار به نظر میرسد؛ بهویژه زمانی که این مزیت ممکن است تنها زودگذر باشد.
سقوط سریعتر از توالییابی DNA و توان محاسباتی قرن بیستم
گزارش Epoch AI تصویر تکاندهندهای از هزینه نسبی آنچه «تفکر مصنوعی» مینامد، ترسیم میکند. این گزارش نشان میدهد که هزینه هوش مصنوعی ظرف تنها پنج سال صدها هزار بار کاهش یافته است. در مقایسه، قیمت باتریهای لیتیومی بین سالهای ۱۹۹۱ تا ۲۰۲۴ تنها ۱۰۰ بار در آن بازه زمانی تقریباً ۲۵ ساله کاهش یافته است. توان محاسباتی بیشترین کاهش را در طول عمر خود تجربه کرده و از سال ۱۹۴۰ طی ۶۰ سال، صدها میلیارد بار افت داشته است.
این امر بهویژه با در نظر گرفتن این نکته حائز اهمیت است که قانون مور (Moore's Law) در بیشتر ۶۰ سال گذشته یک ثابت معتبر باقی مانده است. با بهبود چشمگیر عملکرد و بهرهوری محاسباتی در هر سال، اثر ترکیبی آن به کامپیوترهای مدرنی منجر شده است که در مقایسه با قابلیتهای محاسباتی خود، هم بهطور چشمگیری سریعتر از پیشینیان خود هستند و هم اجرای آنها بسیار ارزانتر تمام میشود.
عملکرد هوش مصنوعی و هزینههای آنتیبیوتیک برای آن عملکرد، با سرعتی حتی بیشتر در حال کاهش است.
معیاری که بیشترین شباهت را در کاهش هزینه روی نمودار نشان میدهد، توالییابی DNA است؛ مثالی که اغلب از کاهش هزینه فناوری ذکر میشود. هزینه نسبی آن حتی بیشتر از هوش مصنوعی کاهش یافته است، اما این روند کمی بیش از ۲۰ سال به طول انجامید.
شرکت Epoch AI نشان میدهد که هوش مصنوعی همین روند را تنها در نیم دهه طی کرده است. این یعنی هر سه ماه یکبار کمی کمتر از ۵۰ درصد ارزانتر میشود و سالانه ۱۳ برابر کاهش مییابد. این سقوط با سرعتی چهار برابر سریعتر از توالییابی DNA و ۱۸ برابر سریعتر از باتریهای لیتیومی در حال شتاب گرفتن است.
چندین هشدار و محدودیت برای این نتایج وجود دارد. توان محاسباتی تنها دوره منتهی به سال ۲۰۰۱ را پوشش میدهد و هیچ آماری از هزینه نسبی آن پس از آن وجود ندارد و برق نیز تنها تا سال ۱۹۷۳ ردیابی شده است، به این معنی که انفجار انرژی خورشیدی در سالهای اخیر کاملاً از قلم افتاده است. کاهش هزینه هوش مصنوعی نیز تنها از سال ۲۰۲۳ به بعد ردیابی شده و دادههای قبل از آن تاریخ از روند کوتاهتر موجود و تحقیقات خارجی برونیابی شدهاند.
شرکت Epoch AI همچنین این نتایج را بر اساس یک مدل خاص پایه گذاری نکرده، بلکه بر اساس مدلهایی است که به امتیاز ۸۱.۲۵ درصد یا بالاتر در معیار پرسش و پاسخ گوگل در سطح فارغالتحصیلان (GPQA Diamond) دست یافتهاند و هزینه پاسخگویی مدل به یکی از سوالات چند گزینهای در آزمون را ردیابی کرده است.
این معیار قابلیتهای هوش مصنوعی را در طیف وسیعی از حوزههای دانش اندازهگیری میکند، اما لزوماً کل طیف قابلیتهای هوش مصنوعی را پوشش نمیدهد. با این حال، میتواند نشان دهد که انجام این نوع وظایف چقدر برای مدلهای جدیدتر آسانتر شده است، زیرا آنها نه تنها در آزمون امتیازات بالاتری کسب میکنند، بلکه این کار را با هزینه بسیار کمتری نیز انجام میدهند.
چقدر ارزانتر؟
شرکت Epoch AI به مدل GPT o3 شرکت OpenAI اشاره میکند که در ژانویه ۲۰۲۵ منتشر شد و توانست امتیاز ۷۵ درصدی را در آزمون GPQA Diamond با قیمت ۰.۳۰ دلار به ازای هر سوال کسب کند. با این حال، تنها یک سال و نیم بعد، شرکت OpenAI مدل GPT-5.6 Luna را منتشر کرد که میتواند در همان آزمون امتیازی مشابه کسب کند، اما هزینه آن تنها ۰.۰۰۰۴ دلار به ازای هر سوال است.
اما این نوع کاهش سریع هزینه در حوزههای مختلف یکنواخت نیست و پیشرفت خطی ندارد. Epoch AI با گسترش تحقیقات خود برای شامل شدن نتایج معیارهای اضافی در پازلهای شطرنج و ریاضیات، متوجه نرخهای بسیار متفاوتی از بهبود بهرهوری هزینه شد. در حالی که معیار GPQA Diamond دورههایی از کاهش سریع هزینه و به دنبال آن دورههایی از رکود و ثبات را نشان داد، آزمون آزمایشی AIME OTIS پیشرفت بسیار منظمتری را در هر نقطه داده نشان داد. معماهای شطرنج نیز، اگرچه با همان درصد موفقیت ردیابی نشدند، پیشرفت منظمتر و ثابتی را به نمایش گذاشتند.
با این حال، پیشرفتهای ریاضیات پیشرفته (Frontier Math) بین سالهای ۲۰۲۵ و ۲۰۲۶ به سختی بهبود یافت و سپس در اواسط سال هزینهها به شدت سقوط کرد.
شرکت Epoch AI همچنین تأکید میکند که نرخ کاهش هزینه در حال نزول است و به نظر میرسد این مورد برای اکثر معیارهای اندازهگیری شده برای هر سطح عملکرد خاص صدق کند. در سراسر پنج معیار، این شرکت در ابتدا کاهش هزینه ۶۶ درصدی در هر فصل را ردیابی کرد، اما دو سال بعد، این میزان به ۳۲ درصد در هر فصل کاهش یافته است.
این میتواند نشان دهد که پیشرفت هوش مصنوعی در حال کند شدن است یا کاهش هزینههای استفاده از هوش مصنوعی دشوارتر میشود؛ بهویژه در سال ۲۰۲۶، زیرا قیمت انرژی و سختافزار محاسباتی سر به فلک کشیده است. اگر مواد خام برای هوش مصنوعی بسیار گرانتر از گذشته باشند، ارائه یک سرویس ارزانتر کار دشواری خواهد بود.
بهینهسازی برای بنچمارکها همچنان یک مشکل است
قابل بحثترین مشکل بالقوه برای این دادهها، همانطور که Epoch AI برجسته میکند، پتانسیل «بنچماکسینگ» (Benchmaxxing) است. این شامل توسعهدهندگان هوش مصنوعی است که مدلهای خود را بهطور ویژه آموزش میدهند تا در بنچمارکهایی که برای آزمایش قابلیتهای عمومیتر طراحی شدهاند، عملکرد خوبی داشته باشند.
فریب دادن بنچمارکها کاری است که شرکتهای نرمافزاری همیشه انجام دادهاند؛ شرکتهای Nvidia و ATI در سال ۲۰۰۳ به دلیل انجام این کار با 3DMark مچگیری شدند و هزاران نتیجه آزمایش شرکت Intel در سال ۲۰۲۴ به دلیل انجام کاری مشابه با یک بنچمارک دیگر نامعتبر شناخته شدند.
بنچمارکگیری Epoch AI از عناصر تصادفی برای تلاش جهت جلوگیری از تشخیص آزمایش شدن مدلها توسط خودشان یا آموزشدهندگان برای مؤثر بودن در آزمایشهای شخص ثالث استفاده کرد. اما این شامل همه آزمایشها نمیشود و آنهایی که فاقد این ویژگی بودند، نرخهای کاهش بیشتری را نشان دادند که نشان میدهد مقداری بهینهسازی بنچمارک در دادهها در جریان است.
این امر نتایج را بیاعتبار نمیکند، اما مستلزم آن است که با کمی شک و تردید به آنها نگاه کنیم.
همه از این صرفهجوییها بهرهبرداری نمیکنند
نگرانی اصلی برای توسعهدهندگان هوش مصنوعی، بهویژه آنهایی که مدلهای پیشرو را توسعه میدهند و در عین حال صدها میلیارد دلار صرف زیرساخت میکنند، این است که این نتایج نشان میدهد پرداخت هزینه برای هر نوع امتیاز ویژهای فایدهای ندارد. با وجود اینکه مدلهایی مانند Fable، Mythos و آخرین مدلهای OpenAI در مقایسه با همتایان خود هنوز برای اجرا گران هستند، هزینههای توکن به طور مداوم در حال کاهش است زیرا توسعهدهندگان پرچمدار در مرز پارتو (Pareto frontier) - نقطهای که در آن هزینه کارآمد و هوش بالا به هم میرسند - با یکدیگر رقابت میکنند.
اما اگر مدلهای دیگر بتوانند ۹۰ درصد از همان هوش را با کسری از هزینه به دست آورند و این هزینه احتمالا تنها در هفتهها و ماههای آینده کاهش خواهد یافت، آیا نیازی به پرداخت هزینه برای آخرین ویژگیها و قابلیتها وجود دارد؟ بهویژه اگر آن مدلهای دیگر دارای وزن باز (open-weight) باشند، به این معنی که اشخاص ثالث بتوانند برای ارائه کارآمدترین و مقرونبهصرفهترین نسخه از آن مدل رقابت کنند.
اما مانند هر چیز دیگری که افراد برای آن اشتراک میخرند، موضوع تنها قیمت نیست و فقط به هوش یا قابلیتها نیز مربوط نمیشود. آشنایی مهم است: با رابط کاربری (UI)، با جریانهای کاری و با بقیه بخشهایی که سازمان شما اجرا میکند. اعتماد در هر نوع تعهد مداومی، به ویژه مالی، بسیار بزرگ است. آیا میتوانید به آن سرویس شخص ثالث جدید که مدل ارزانتری نسبت به مدلی که در سال گذشته استفاده کردهاید ارائه میدهد، اعتماد کنید؟ شاید، اما آیا ارزش ریسک کردن را دارد؟
تغییر به یک مدل جدید به معنای تأیید صحت آن بنچمارکهای جدید و اعتماد به این است که قیمتها در آینده به طور چشمگیری تغییر نخواهند کرد (که احتمالاً خواهند کرد) و به طور بالقوه پسانداز شما را بیاعتبار نمیکنند. شما باید اعتماد کنید که سیستمی که استفاده میکردید یک هفته دیگر به شما نمیرسد و سیستم جدید هیچ باگ یا نگرانی مربوط به حریم خصوصی ندارد.
تغییر ابزارهای هوش مصنوعی به سادگی تعقیب هزینه یا هوش نیست. در حالی که قیمتها ممکن است به طور چشمگیری کاهش پیدا کنند، این لزوماً به این معنا نیست که یک مدل اشتراکی برای هوش مصنوعی غیرممکن است. بلکه توجیه آن فقط سختتر شده است.
منبع: tomshardware.com