تامسون رویترز مدل زبان بزرگ «تامسون» را عرضه کرد؛ کاهش ۹۹ درصدی هزینه هوش مصنوعی پیشرو

هزینه نهایی آموزش مدل هوش مصنوعی جدید تامسون رویترز دقیقاً ۴۵۰ هزار دلار بوده است. در صنعتی که آزمایشگاه‌های پیشرو مانند اوپن‌ای‌آی و آنتروپیک معمولاً میلیاردها دلار صرف خوشه‌های محاسباتی و زیرساخت می‌کنند، این رقم یک خطای گرد کردن (ناچیز) محسوب می‌شود. با این حال، این غول اطلاعاتی مستقر در تورنتو ادعا می‌کند که مدل زبان بزرگ «تامسون» که به تازگی عرضه شده، در وظایف پیچیده حقوقی و نظارتی، با آن سیستم‌های چند میلیارد دلاری برابری می‌کند یا از آن‌ها بهتر عمل می‌کند.[2][4]

«تامسون» که روز دوشنبه اعلام شد، اولین مدل زبان بزرگ اختصاصی این شرکت است که کاملاً داخلی توسعه یافته است. کل سرمایه‌گذاری برای عرضه این مدل به بازار، ۴۰ میلیون دلار در طول دو سال بوده که شامل استعدادهای تخصصی و منابع محاسباتی می‌شود. تامسون رویترز با ساختن این مدل بر روی یک زیربنای متن‌باز موجود، مراحل پرهزینه‌تر توسعه هوش مصنوعی را دور زده است.[1][6]

این مدل یک چت‌بات عمومی نیست. نمی‌تواند شعر بنویسد، برای یک اپلیکیشن موبایل کد تولید کند یا برنامه‌ریزی تعطیلات انجام دهد. در عوض، کاملاً مبتنی بر حوزه است و برای اجرای بررسی‌های ساختاریافته و حجیم اسناد و استدلال‌های حقوقی پیچیده مهندسی شده است. این شرکت از این مدل با عنوان «هوش مصنوعی در سطح امانت‌داری» (Fiduciary-Grade AI) یاد می‌کند، اصطلاحی بازاریابی که هدف آن نشان دادن ایمنی مدل برای متخصصانی است که مسئولیت قانونی خروجی‌های خود را بر عهده دارند.[3][4]

شواهد مربوط به توانایی تامسون تا حد زیادی به داده‌های آموزشی آن متکی است. این مدل بر اساس دهه‌ها محتوای اختصاصی از وست‌لا (Westlaw)، پرکتیکال لا (Practical Law)، چک‌پوینت (Checkpoint) و آرشیو خبری رویترز، آموزش میانی و پسین دیده است. به گفته شرکت، این فرآیند کمتر از ۱۰٪ از کل کتابخانه محتوای آن را استفاده کرده، که فضای قابل توجهی برای تکرارهای آینده باقی می‌گذارد.[1][2]

برای همسو کردن مدل با جریان‌های کاری حرفه‌ای، تامسون رویترز صدها کارشناس موضوعی – وکیل، حسابدار و ویراستار – را به کار گرفت تا خروجی‌ها را ارزیابی کنند، حالت‌های شکست را شناسایی کرده و استدلال مدل را از طریق یادگیری تقویتی هدایت کنند. این نظارت انسانی است که شرکت ادعا می‌کند مزیت تامسون نسبت به مدل‌های عمومی است که صرفاً وب عمومی را خراش می‌دهند.[5][6]

داده‌های معیار داخلی منتشر شده توسط تامسون رویترز نشان می‌دهد که این مدل در بیش از ۱۰۰ آزمون حوزه حقوقی، عملکرد رقابتی با سیستم‌های پیشرو، شامل کلود اوپوس (Claude Opus)، جی‌پی‌تی ۵.۵ (GPT-5.5) و جمینای ۳.۱ پرو (Gemini 3.1 Pro) دارد. این شرکت در وظایف خاصی مانند پیروی از دستورالعمل‌ها و پیمایش محتوای نظارتی متراکم، بهبود قابل توجهی نسبت به مدل متن‌باز پایه گزارش می‌دهد.[2][4]

با این حال، این شواهد دارای ملاحظات قابل توجهی است. نتایج معیار در حال حاضر داخلی هستند و اگرچه تامسون رویترز مدل را برای آزمایش خارجی در اختیار مؤسسات دانشگاهی قرار داده، اما اعتبارسنجی مستقل و جامع هنوز منتشر نشده است. علاوه بر این، عملکرد مدل با استفاده از یک «مهار عامل» (agentic harness) آزمایش شد که آن را مستقیماً به پایگاه‌های داده وست‌لا و پرکتیکال لا متصل می‌کرد و مزیت ساختاری در بازیابی استنادات دقیق به آن می‌داد.[2][6]

آنچه در واقع برای مشتریان عرضه شده، محدودتر از یک دستیار هوش مصنوعی مستقل است. اولین استقرار زنده تامسون در «تحلیل جدولی» (Tabular Analysis)، یک ویژگی خاص در نرم‌افزار حقوقی کوکنسل (CoCounsel Legal) این شرکت است. تحلیل جدولی به وکلا اجازه می‌دهد تا ۱۰,۰۰۰ سند را در برابر ۱۰۰ سؤال متمایز به طور همزمان بررسی کنند، وظیفه‌ای حجیم که مزایای هزینه و سرعت یک مدل هدفمند در آن آشکارتر است.[4][5]

خود کوکنسل یک پلتفرم چندمدلی باقی خواهد ماند. در حالی که تامسون اکنون موتور پیش‌فرض برای تحلیل جدولی است، مدیران می‌توانند به صورت دستی به مدل‌های دیگر تغییر وضعیت دهند، و سیستم گسترده‌تر کوکنسل همچنان وظایف مختلف را به مدل‌های پیشرو شخص ثالث هدایت خواهد کرد، زمانی که آن‌ها مزیت واضح‌تری ارائه دهند. این رویکرد ترکیبی نشان می‌دهد که تامسون رویترز به طور کامل شراکت‌های خود با شرکت‌های بزرگ فناوری را رها نکرده، بلکه به طور انتخابی آن‌ها را در جایی که داده‌های اختصاصی مزیت رقابتی ایجاد می‌کنند، جایگزین می‌کند.[1][3][6]

معماری زیربنایی تامسون به طور غیرمستقیم بر مدل متن‌باز کووِن (Qwen) علی‌بابا متکی است، اگرچه مدیران تأکید می‌کنند که سیستم به صورت ماژولار طراحی شده است. اگر یک زیربنای وزن باز بهتر ظاهر شود، تامسون رویترز می‌تواند آن را جایگزین کند. یک مدل غربالگری ثانویه در بالای سیستم قرار دارد تا استانداردهای ایمنی، اخلاقی و بی‌طرفی سیاسی را اجرا کند.[3]

برای تشویق پذیرش توسعه‌دهندگان و بررسی دانشگاهی، تامسون رویترز یک نسخه کوچک‌تر و وزن باز از مدل تامسون را در هاگینگ فیس (Hugging Face) منتشر می‌کند. این انتشار غیرتجاری هم به عنوان یک اقدام شفاف‌سازی و هم ابزاری برای جذب نیرو عمل می‌کند و به محققان خارجی اجازه می‌دهد تا معماری مدل را بررسی کرده و دقت استناد آن را تأیید کنند.[1][6]

منافع استراتژیک برای تامسون رویترز بسیار زیاد است. اوایل سال جاری، سهام این شرکت پس از عرضه یک ابزار فناوری حقوقی رقیب توسط آنتروپیک، تقریباً ۱۰٪ کاهش یافت و ترس سرمایه‌گذاران را برانگیخت که هوش مصنوعی عمومی، نرم‌افزارهای تخصصی را به کالایی ارزان تبدیل کند. تامسون رویترز با عرضه مدل خود، تلاش می‌کند ثابت کند که داده‌های اختصاصی – نه فقط قدرت محاسباتی خام – عامل تمایز نهایی در خدمات حرفه‌ای هستند.[3][5]

صنعت نرم‌افزار گسترده‌تر به دقت نظاره‌گر است. در حالی که شرکت‌ها در بخش‌های مختلف، بودجه‌های هنگفت هوش مصنوعی را صرف پرداخت تماس‌های API به آزمایشگاه‌های پیشرو می‌کنند، جذابیت مدل‌های مبتنی بر حوزه و کنترل‌شده از نظر هزینه در حال افزایش است. اگر تامسون ثابت کند که یک مدل تخصصی ۴۰ میلیون دلاری می‌تواند به طور قابل اعتماد از یک مدل عمومی ۲ میلیارد دلاری در یک حوزه عمودی خاص بهتر عمل کند، می‌تواند موجی از ساختارهای اختصاصی مشابه را در مراقبت‌های بهداشتی، مالی و مهندسی ایجاد کند.[3][5]

در حال حاضر، بخش حقوقی میدان اثبات است. شرکت‌های حقوقی و بخش‌های حقوقی شرکتی به طور منحصر به فردی نسبت به حفظ حریم خصوصی داده‌ها، استنادات توهم‌زا و تغییر هزینه‌های API حساس هستند. تامسون رویترز تضمین کرده است که داده‌های مشتری هرگز برای آموزش مدل تامسون بدون رضایت صریح استفاده نمی‌شود، که یک اطمینان حیاتی برای شرکت‌هایی است که اطلاعات محرمانه را مدیریت می‌کنند.[1][4]

در نهایت، عرضه تامسون یک فرضیه اساسی در مورد آینده هوش مصنوعی را آزمایش می‌کند. اجماع سیلیکون ولی مدت‌هاست بر این باور است که مقیاس تنها چیزی است که نیاز دارید – اینکه مدل‌های عظیم و عمومی در نهایت هر وظیفه تخصصی را جذب خواهند کرد. تامسون رویترز ۴۰ میلیون دلار شرط بسته است که آینده متعلق به مدل‌های بسیار تخصصی و بسیار کارآمدی است که بر اساس داده‌هایی ساخته شده‌اند که آزمایشگاه‌های پیشرو به سادگی نمی‌توانند به آن‌ها دسترسی داشته باشند.[2][6]