پیشی گرفتن هزینه‌های اجرای هوش مصنوعی از آموزش آن در ۲۰۲۶ با ورود هوش مصنوعی به تولید انبوه

در سال ۲۰۲۶، صنعت هوش مصنوعی از یک آستانه مالی اساسی عبور کرد: برای اولین بار، هزینه اجرای مدل‌های هوش مصنوعی رسماً از هزینه ساخت آن‌ها پیشی گرفت. بر اساس پیش‌بینی جدید شرکت تحقیقات فناوری گارتنر (Gartner)، هزینه جهانی صرف شده برای استنتاج هوش مصنوعی—فرآیند عملیاتی که طی آن یک مدل تکمیل‌شده به پرسش‌ها پاسخ می‌دهد، متن تولید می‌کند و وظایف را اجرا می‌کند—امسال به ۲۳.۳ میلیارد دلار خواهد رسید. این رقم از ۱۹ میلیارد دلاری که برای آموزش مدل‌های جدید پیش‌بینی شده، فراتر می‌رود و نشان‌دهنده یک وارونگی ساختاری در اقتصاد هوش مصنوعی است. در سه سال گذشته، توجه و سرمایه صنعت عمدتاً معطوف به آموزش بود، فرآیندی سرمایه‌بر که شامل تغذیه مجموعه‌داده‌های عظیم به خوشه‌های پردازنده‌های گرافیکی (GPU) پیشرفته بود. این نقطه عطف، که تحلیلگران صنعت از آن به عنوان «وارونگی استنتاج» یاد می‌کنند، نشان می‌دهد که دوران رقابت صرفاً بر سر قابلیت‌های مدل، جای خود را به مرحله جدیدی داده است که در آن چالش اصلی، اجرای پایدار این مدل‌ها در مقیاس جهانی است.[1][2][8]

محاسبات زیربنایی هوش مصنوعی تولیدی، این تغییر مالی را اجتناب‌ناپذیر می‌کند. در حالی که آموزش یک مدل پیشگام ممکن است صدها میلیون دلار در طول چند ماه هزینه داشته باشد، این هزینه محاسباتی خاص به محض اتمام آموزش متوقف می‌شود. در مقابل، اجرای مدل (Inference) از لحظه‌ای که مدل به دست کاربران می‌رسد، آغاز شده و به طور نامحدود ادامه می‌یابد. هر تماس API، هر تصویر تولید شده، و هر گردش کار خودکار، یک هزینه حاشیه‌ای انباشته می‌کند. برای یک اپلیکیشن محبوب مصرف‌کننده یا یک ابزار سازمانی پرکاربرد، ممکن است یک مدل به ده‌ها هزار شتاب‌دهنده نیاز داشته باشد که به طور مداوم کار کنند تا تقاضای روزانه را برآورده سازند. همانطور که یکی از تحلیلگران صنعت اشاره کرد، آموزش مغز مصنوعی را ساخت، اما استنتاج جایی است که در واقع درآمدزایی می‌کند و هوش مصنوعی را از یک زیرساخت یک‌باره به یک قبض خدمات مستمر و فزاینده تبدیل می‌کند.[4][5][8]

با انتقال مدل‌های دقیق و خاص دامنه شرکت‌ها از آزمایشگاه‌های تجربی به محیط‌های تولیدی رو به مشتری، الزامات زیرساختی گسترده‌تر در حال افزایش است. پیش‌بینی می‌شود که هزینه کلی صرف شده برای زیرساخت به عنوان سرویس (IaaS) بهینه‌شده برای هوش مصنوعی، در سال ۲۰۲۶ تقریباً دو برابر شود و با ۹۶.۴ درصد افزایش به ۴۲.۳ میلیارد دلار در سطح جهان برسد. این مدل مصرف مستمر و همیشه روشن، در تضاد شدید با چرخه‌های محاسباتی انفجاری و با شدت بالا است که مشخصه رونق اولیه هوش مصنوعی مولد بود. سازمان‌ها دیگر فقط در حال آزمایش قابلیت‌های هوش مصنوعی نیستند؛ آن‌ها این سیستم‌ها را عمیقاً در گردش کارهای عملیاتی روزانه خود جای می‌دهند و از ارائه‌دهندگان ابری می‌خواهند که ظرفیت محاسباتی پایدار و قابل اعتمادی را فراهم کنند که بتواند اجرای بی‌درنگ (Real-time) را بدون تأخیر مدیریت کند.[1][3][7]

افزایش سریع هزینه‌های استنتاج عمدتاً ناشی از گذار از چت‌بات‌های ساده مکالمه‌ای به «هوش مصنوعی عاملی» (Agentic AI) است. این سیستم‌های خودکار طراحی شده‌اند تا کارهای بسیار بیشتری از صرفاً تولید یک پاسخ متنی بر اساس درخواست کاربر انجام دهند. در عوض، آن‌ها گردش کارهای پیچیده و چند مرحله‌ای را به صورت خودکار اجرا می‌کنند. یک مدل عاملی ممکن است یک هدف سطح بالا دریافت کند، یک برنامه گام به گام تدوین کند، زمینه لازم را از یک پایگاه داده اختصاصی شرکت بازیابی کند، ابزارهای نرم‌افزاری خارجی را برای جمع‌آوری اطلاعات بیشتر فراخوانی کند، و سپس به طور حیاتی خروجی‌های خود را قبل از ارائه پاسخ نهایی و صیقلی به کاربر تأیید کند. این فرآیند تکراری و خوداصلاح‌گر، جهشی عظیم در کاربردپذیری را نشان می‌دهد، اما اقتصاد هر تعامل دیجیتال را نیز به طور اساسی تغییر می‌دهد.[1][6][7]

از آنجایی که گردش کارهای عاملی به شدت به تأیید داخلی و اصلاح تکراری متکی هستند، محاسبات مورد نیاز برای یک وظیفه واحد را به روشی غیرخطی چند برابر می‌کنند. در حالی که پردازش یک پرسش چت‌بات استاندارد ممکن است کسری از یک سنت هزینه داشته باشد، یک گردش کار عاملی پیچیده می‌تواند پنج تا سی برابر توکن بیشتری در هر تکمیل وظیفه مصرف کند. هنگامی که یک سیستم به طور مداوم کار خود را بررسی می‌کند و چندین درخواست پس‌زمینه را برای اطمینان از دقت اجرا می‌کند، هزینه هر وظیفه می‌تواند به سرعت از چند پنی به دلار افزایش یابد. با گسترش این سیستم‌های خودکار در میان هزاران کارمند در شرکت‌های فورچون ۵۰۰—که همه چیز از حل و فصل خدمات مشتری تا تحلیل داده‌های پیچیده را مدیریت می‌کنند—قبوض زیرساخت ماهانه به سرعت افزایش می‌یابد و استنتاج را به مرکز هزینه غالب برای هر استقرار بالغ هوش مصنوعی تبدیل می‌کند.[6]

این واقعیت مالی، سازمان‌ها را مجبور می‌کند تا استراتژی‌های ابری خود را به طور اساسی بازنگری کنند و منجر به ظهور یک رشته عملیاتی جدید به نام فاین‌آپز استنتاج (Inference FinOps) شده است. تیم‌های مهندسی به طور فزاینده‌ای بر اقتصاد جزئی هوش مصنوعی تمرکز می‌کنند و استراتژی‌های پیچیده‌ای را برای مدیریت قبوض ابری ماهانه خود بدون قربانی کردن قابلیت‌های سیستم‌هایشان پیاده‌سازی می‌کنند. این شامل مسیریابی پویا گردش کارها در میان مدل‌های مختلف بر اساس پیچیدگی درخواست است—ارسال پرسش‌های روتین به مدل‌های منبع باز کوچک‌تر و ارزان‌تر، در حالی که مدل‌های پیشگام گران‌قیمت برای وظایف استدلالی پیچیده رزرو می‌شوند. تیم‌ها همچنین به شدت در ذخیره‌سازی پاسخ‌های مکرر و آربیتراژ هزینه‌های محاسباتی در میان ارائه‌دهندگان مختلف سرمایه‌گذاری می‌کنند و زیرساخت هوش مصنوعی را به جای یک چک سفید، به عنوان یک زنجیره تأمین بسیار بهینه‌سازی شده در نظر می‌گیرند.[5][6]

بازار سخت‌افزار همگام با این تکامل نرم‌افزاری در حال انطباق است و چشم‌انداز رقابتی برای سازندگان جهانی تراشه را تغییر می‌دهد. در حالی که دوران آموزش با رقابت برای به حداکثر رساندن قدرت محاسباتی خام و پهنای باند حافظه تعریف می‌شد—رقابتی که تقریباً انحصار را برای پردازنده‌های گرافیکی پرچمدار تثبیت کرد—بازار استنتاج مجموعه‌ای کاملاً متفاوت از معیارها را در اولویت قرار می‌دهد. هنگام اجرای یک مدل در تولید، عوامل حیاتی عبارتند از هزینه به ازای هر توکن، تأخیر (Latency) و بهره‌وری انرژی. از آنجایی که بارهای کاری استنتاج عموماً کمتر به پهنای باند حافظه عظیمی که برای ساخت یک مدل از ابتدا لازم است، متکی هستند، دری برای سیلیکون‌های سفارشی و شتاب‌دهنده‌های تخصصی باز می‌شود که می‌توانند پرسش‌ها را سریع‌تر و ارزان‌تر از سخت‌افزارهای آموزشی بازسازی‌شده پردازش کنند.[4]

این واگرایی در الزامات سخت‌افزاری، زمینه را برای یک نزاع چندفروشنده‌ای در بازار شتاب‌دهنده‌های هوش مصنوعی فراهم می‌کند. پیش‌بینی‌های صنعت نشان می‌دهد که تراشه‌های استنتاج تا سال ۲۰۲۶، ۶۰ تا ۷۰ درصد از بازار ۴۰۰ میلیارد دلاری شتاب‌دهنده‌های هوش مصنوعی را به خود اختصاص خواهند داد، در حالی که سه سال قبل این رقم حدود ۴۰ درصد بود. ارائه‌دهندگان ابری و رقبای سخت‌افزاری مستقل به طور تهاجمی در حال توسعه تراشه‌هایی هستند که به طور خاص برای ارائه مدل‌ها در مقیاس طراحی شده‌اند، با این شرط‌بندی که درآمد بلندمدت در سخت‌افزار هوش مصنوعی از اجرای مستمر مدل‌ها به دست خواهد آمد نه از ایجاد اولیه آن‌ها. در حالی که اعتبار و سودهای اولیه متعلق به سخت‌افزاری بود که مدل‌ها را آموزش می‌داد، سهم بازار بلندمدت احتمالاً متعلق به زیرساختی خواهد بود که آن‌ها را کارآمدتر اجرا می‌کند.[4]

در نهایت، وارونگی بودجه هوش مصنوعی نشان می‌دهد که این فناوری در حال بلوغ و تبدیل شدن به زیرساخت واقعی سازمانی است. درست مانند برق یا اتصال به اینترنت، هوش مصنوعی در حال تبدیل شدن به یک ابزار بنیادی است که سازمان‌ها به طور مستمر به آن وابسته هستند و تنها زمانی متوجه آن می‌شوند که از کار بیفتد یا صورتحساب ماهانه برسد. از آنجایی که پیش‌بینی می‌شود سهم استنتاج از هزینه‌های زیرساخت بهینه‌شده برای هوش مصنوعی تا سال ۲۰۲۷ به ۵۹ درصد افزایش یابد، میدان نبرد برای آینده محاسبات هوش مصنوعی به طور قطعی تغییر کرده است. این صنعت ثابت کرده است که می‌تواند مغزهای دیجیتالی فوق‌العاده توانمندی بسازد؛ چالش تعیین‌کننده دهه آینده این خواهد بود که چگونه می‌توان آن‌ها را به طور مقرون به صرفه فعال نگه داشت.[1][8]