بنیاد لینوکس «بنیاد توکنومیکس» را برای استانداردسازی هزینه‌ها و بازده سرمایه‌گذاری هوش مصنوعی راه‌اندازی کرد

بنیاد لینوکس رسماً «بنیاد توکنومیکس» (Tokenomics Foundation) را راه‌اندازی کرد؛ یک ابتکار صنعتی گسترده که با حمایت ۳۰ شرکت بزرگ فناوری برای استانداردسازی نحوه اندازه‌گیری هزینه‌ها و بازده هوش مصنوعی همراه است. این کنسرسیوم بنیان‌گذار شامل شرکت‌های بزرگی مانند اکسنچر (Accenture)، آی‌بی‌ام (IBM)، اس‌ای‌پی (SAP) و جی‌پی مورگان چیس (JPMorganChase)، در کنار ارائه‌دهندگان تخصصی زیرساخت و خدمات ابری است.[1]

تشکیل این نهاد بی‌طرف از نظر فروشنده، در یک نقطه عطف حیاتی برای فناوری سازمانی رخ می‌دهد. در حالی که سازمان‌ها بارهای کاری هوش مصنوعی مولد (Generative AI) و عاملی (Agentic AI) را از فازهای آزمایشی خارج کرده و به تولید در مقیاس کامل می‌رسانند، با یک مدل اقتصادی اساساً جدید مواجه می‌شوند.[1][2]

برخلاف نرم‌افزارهای سنتی مبتنی بر سرویس (SaaS) که متکی بر مجوزهای ماهانه قابل پیش‌بینی هستند، هوش مصنوعی مدرن بر اساس مصرف متغیر صورت‌حساب می‌شود. واحد اصلی این مصرف، «توکن» است؛ قطعه‌ای از یک کلمه، تصویر یا نقطه داده که یک مدل آن را پردازش یا تولید می‌کند.

این تغییر به سمت قیمت‌گذاری متغیر و مبتنی بر توکن، منجر به غیرقابل پیش‌بینی بودن شدید بودجه شده است. داستان‌های وحشتناک صنعتی شروع به انتشار کرده‌اند: اوایل امسال، مدیر ارشد فناوری اوبر (Uber) ظاهراً اعتراف کرد که این شرکت کل بودجه کدنویسی هوش مصنوعی سال ۲۰۲۶ خود را تا ماه آوریل مصرف کرده است.[2]

به طور مشابه، مایکروسافت مجبور شد مجوزهای دستیار کدنویسی هوش مصنوعی را در یک بخش کامل لغو کند، پس از آنکه هزینه‌های توکن به صورت کنترل‌نشده‌ای افزایش یافت. این حوادث یک مشکل ساختاری را برجسته می‌کنند: سازمان‌ها ابزارهای قدرتمندی را مستقر می‌کنند بدون اینکه ابزارهای مالی لازم برای نظارت بر مصرف خود را داشته باشند.[2]

اهمیت این موضوع بسیار زیاد است. طبق پیش‌بینی‌های گلدمن ساکس (Goldman Sachs)، انتظار می‌رود مصرف جهانی توکن بین سال‌های ۲۰۲۶ تا ۲۰۳۰، ۲۴ برابر افزایش یابد و به رقم حیرت‌انگیز ۱۲۰ کوادریلیون توکن در ماه برسد.[1]

برای مدیریت این موج قریب‌الوقوع، بنیاد توکنومیکس خود را به عنوان معادل هوش مصنوعی بنیاد فین‌آپز (FinOps Foundation) معرفی می‌کند، که پیش از این انضباط مالی را به محاسبات ابری آورده بود. در واقع، این دو سازمان با همکاری یکدیگر، حاکمیت هزینه‌های ابری را به عصر هوش ماشینی گسترش خواهند داد.

یکی از چالش‌های اصلی که این بنیاد قصد حل آن را دارد، عدم شفافیت زنجیره تأمین هوش مصنوعی است. قیمت یک توکن تنها نوک کوه یخ است؛ هزینه کل واقعی مالکیت شامل محاسبات زیربنایی، ذخیره‌سازی، کشینگ پایگاه داده و نیروی کار مهندسی است.[1]

علاوه بر این، ناکارآمدی‌های سخت‌افزاری، هزینه واقعی عملیات هوش مصنوعی را پنهان می‌کنند. تحقیقات فعلی صنعت نشان می‌دهد که میانگین استفاده از پردازنده‌های گرافیکی (GPU) در سازمان‌ها تنها پنج درصد است، به این معنی که بخش عمده‌ای از هزینه یک توکن که به صورت داخلی میزبانی می‌شود، در واقع به سخت‌افزارهای بیکار گره خورده است.

صنعت همچنین با کمبود معیارهای استاندارد برای موفقیت دست و پنجه نرم می‌کند. در حال حاضر، بسیاری از سازمان‌ها به معیارهای ظاهری (که گاهی اوقات «توکن‌سازی حداکثری» نامیده می‌شوند) تکیه می‌کنند که حجم صرف فعالیت هوش مصنوعی را اندازه‌گیری می‌کنند، نه تأثیر واقعی آن بر کسب‌وکار.

این گسست به وضوح در هیئت مدیره منعکس شده است. نظرسنجی‌های اخیر نشان می‌دهند که تنها چهارده درصد از مدیران ارشد مالی (CFOs) گزارش می‌دهند که بازدهی واضح و قابل اندازه‌گیری از سرمایه‌گذاری‌های هوش مصنوعی خود مشاهده کرده‌اند، عمدتاً به این دلیل که تیم‌هایشان به جای خروجی‌های تجاری، ورودی‌های محاسباتی را اندازه‌گیری می‌کنند.

برای پر کردن این شکاف، بنیاد توکنومیکس در حال توسعه مجموعه‌ای از چارچوب‌های باز است. یکی از دستاوردهای کلیدی، «چارچوب بیگ-تی» (Big-T Framework) است که یک متدولوژی استاندارد برای طبقه‌بندی پیچیدگی یک بار کاری، قبل از هدایت آن به مقرون‌به‌صرفه‌ترین مدل، ارائه خواهد داد.[1]

این بنیاد همچنین تله‌متری هزینه توکن را در مشخصات باز هزینه و استفاده فین‌آپز (FOCUS) ادغام خواهد کرد. این گسترش به سازمان‌ها اجازه می‌دهد تا داده‌های هزینه‌های هوش مصنوعی خود را در میان هایپراسکیلرها و ارائه‌دهندگان مدل‌های پیشرو مختلف، استانداردسازی کنند و یک داشبورد یکپارچه برای هزینه‌های هوش مصنوعی ایجاد نمایند.[1]

مانع بزرگ دیگری که این گروه به آن خواهد پرداخت، مقایسه اقتصادی بین رابط‌های برنامه‌نویسی تجاری هوش مصنوعی (API) و مدل‌های متن‌باز میزبانی‌شده داخلی است. تعیین نقطه سربه سر دقیق که در آن اجرای یک پلتفرم خصوصی هوش مصنوعی ارزان‌تر از پرداخت به ازای هر توکن به یک فروشنده می‌شود، در حال حاضر یکی از پیچیده‌ترین تصمیمات مالی در فناوری اطلاعات سازمانی است.

بنیاد توکنومیکس امیدوار است با ایجاد یک زبان مشترک و بی‌طرف از نظر فروشنده برای ارزش هوش مصنوعی، تمرکز صنعت را از «هزینه به ازای هر توکن» به «هزینه به ازای هر نتیجه» تغییر دهد. در صورت موفقیت، این ابتکار به کسب‌وکارها اطمینان می‌دهد تا زیرساخت‌های هوش مصنوعی خود را به طور پایدار گسترش دهند و تضمین می‌کند که عصر بعدی محاسبات بر یک پایه اقتصادی محکم استوار خواهد بود.[1]