آنتروپیک مدل «کلود فیبل ۵.۱» را عرضه کرد؛ کاهش شدید قیمت برای گردش کارهای عامل‌محور سازمانی

خلاصه مطلب این است: آنتروپیک دو مدل هوش مصنوعی جدید به نام‌های کلود فیبل ۵.۱ و میتوس ۵.۱ را عرضه کرده که اصلی‌ترین مزیت فروش آن‌ها، کاهش چشمگیر قیمت برای وظایف مستقل (خودکار) است. عدد تبلیغاتی اصلی – یعنی کاهش ۴۵ درصدی هزینه برای «کارهای عامل‌محور» – طراحی شده تا توجه مدیران ارشد فناوری اطلاعات سازمان‌ها را جلب کند. اما ورای این زبان بازاریابی، این عرضه کمتر درباره جهشی در هوش خام ماشین است و بیشتر درباره رفع یک نقص اقتصادی اساسی در نحوه عملکرد سیستم‌های هوش مصنوعی مدرن.[1][6]

برای درک اینکه آنتروپیک واقعاً چه چیزی را عرضه کرده است، باید به نحوه مصرف محاسبات توسط عوامل هوش مصنوعی نگاه کنیم. وقتی یک چت‌بات استاندارد به سؤالی پاسخ می‌دهد، دستور (پرامپت) را یک بار می‌خواند و پاسخی تولید می‌کند. این یک تراکنش خطی است. اما یک گردش کار عامل‌محور، یک حلقه پیوسته است. به مدل یک هدف داده می‌شود، سپس برنامه‌ای تدوین می‌کند، ابزاری را اجرا یا پایگاه داده‌ای را جستجو می‌کند، نتیجه آن عمل را می‌خواند و سپس تصمیم می‌گیرد که گام بعدی چه باشد.[4][5]

هزینه پنهان این استقلال، رشد تصاعدی (کوادراتیک) زمینه (Context) است. هر بار که عامل یک گام برمی‌دارد، باید کل تاریخچه گام‌های قبلی خود را دوباره بخواند تا رشته فکری خود را حفظ کند. اگر یک عامل برای حل یک تیکت خدمات مشتری ده گام بردارد، سازمان باید هزینه پردازش دستورالعمل‌های اولیه را ده بار جداگانه بپردازد. در طول سال گذشته، شرکت‌هایی که این سیستم‌ها را آزمایش می‌کردند، کشف کردند که اگرچه هوش مصنوعی قادر به انجام کار است، اما مصرف توکن‌ها آن را در مقیاس بزرگ به شدت پرهزینه می‌کند.[6]

این گلوگاه محاسباتی در حال گسترش به کل بخش فناوری است. پیش‌بینی می‌شود هزینه‌های جهانی مراکز داده تا سال ۲۰۵۰ به ۳۱.۶ تریلیون دلار برسد، دقیقاً به این دلیل که این گردش کارهای هوش مصنوعی تکراری و چندمرحله‌ای، به قدرت پردازشی و انرژی بسیار بیشتری نسبت به درخواست‌های نرم‌افزاری سنتی نیاز دارند.[3]

مدل فیبل ۵.۱ به‌طور خاص مهندسی شده تا این ناکارآمدی را در سطح مدل برطرف کند. به گفته آنتروپیک، مدل جدید کاهش قیمت پایه‌ای حدود ۲۵ درصد نسبت به مدل قبلی خود، فیبل ۵، ارائه می‌دهد. با این حال، تخفیف ۴۵ درصدی که به شدت تبلیغ می‌شود، به‌طور خاص برای وظایف پیچیده و چندمرحله‌ای اعمال می‌گردد.[1]

مکانیسم پشت این تخفیف به شدت متکی بر «ذخیره‌سازی موقت دستورات» (Prompt Caching) است. به جای محاسبه مجدد دستورالعمل‌های اصلی و تاریخچه وظیفه در هر حلقه، فیبل ۵.۱ به توسعه‌دهندگان اجازه می‌دهد بخش‌های ثابت پنجره زمینه را در سرورهای آنتروپیک ذخیره کنند. هنگامی که عامل برای تصمیم‌گیری در مورد حرکت بعدی خود بازمی‌گردد، سیستم فقط هزینه اطلاعات جدید اضافه شده را محاسبه می‌کند و سربار استدلال مستقل را به شدت کاهش می‌دهد.[5][6]

و اینجا جایی است که خریدار سازمانی شکاک باید جزئیات دقیق را بخواند. دستیابی به حداکثر صرفه‌جویی مستلزم آن است که توسعه‌دهندگان لایه‌های هماهنگ‌سازی (Orchestration) خود را دقیقاً مطابق با دستورالعمل‌های آنتروپیک ساختار دهند و از نقاط پایانی (API Endpoints) خاصی که برای این رفتار ذخیره‌سازی طراحی شده‌اند، استفاده کنند.

بازار کدنویسی و استدلال مستقل در حال انفجار است – استارتاپ‌هایی مانند Cognition AI صرفاً بر اساس وعده مهندسی نرم‌افزار عامل‌محور به ارزش ۴۷ میلیارد دلار می‌رسند. اقدام آنتروپیک در زمینه قیمت‌گذاری، یک بازی مستقیم است تا اطمینان حاصل کند که این عوامل با ارزش بالا به جای مدل‌های رقیب، روی کلود اجرا شوند.[2][6]

در کنار فیبل ۵.۱، آنتروپیک مدل میتوس ۵.۱ را نیز منتشر کرد؛ یک نسخه متفاوت از مدل که مستقیماً به یک شکایت عمده دیگر سازمان‌ها پاسخ می‌دهد: محافظ‌های ایمنی بیش از حد سخت‌گیرانه. نسخه‌های قبلی کلود به دلیل رد کردن درخواست‌های بی‌ضرر در صورتی که به طور غیرمستقیم به موضوعات حساس مرتبط می‌شدند، بدنام بودند؛ پدیده‌ای که گردش کارهای خودکار را مختل می‌کند.[1]

میتوس ۵.۱ این رد کردن‌های پیش‌فرض را کاهش می‌دهد و مسئولیت بیشتری را به سازمان واگذار می‌کند تا فیلترینگ در سطح برنامه خود را پیاده‌سازی کند. این یک اعتراف ضمنی از سوی آنتروپیک است که مدلی که برای اجرای مستقل کد و مدیریت پایگاه‌های داده طراحی شده، نمی‌تواند کار کند اگر دائماً برای پردازش داده‌های روتین شرکتی، مکث کند و به دنبال تأیید اخلاقی باشد.[1][6]

عرضه این مدل‌ها نشان‌دهنده یک چرخش مشخص در رقابت هوش مصنوعی پیشرو است. هوش به طور فزاینده‌ای به یک کالای عمومی تبدیل می‌شود؛ میدان نبرد جدید، اقتصاد واحد (Unit Economics) است. اگر یک سازمان بتواند هزار عامل مستقل را با هزینه یک مجوز نرم‌افزاری اجرا کند، استقرار هوش مصنوعی از کمک‌خلبان‌های آزمایشی به سمت اتوماسیون ساختاری تغییر جهت می‌دهد.[3][6]