تغییر معادلات هوش مصنوعی در اروپا؛ رقابت از ساخت مدل‌های غول‌پیکر به مهار هزینه‌ها و توسعه زیرساخت می‌رسد

صنعت هوش مصنوعی در اروپا برای حفظ رقابت‌پذیری و جایگاه خود در بازار جهانی به این نتیجه رسیده است که توسعه مدل‌های زبانی پیشرفته تنها بخشی از نبرد اصلی به‌شمار می‌رود. هرچند مدل‌های بومی و وزن‌باز (Open-weight) تازه‌ای در سراسر این قاره متولد می‌شوند، رقابت در همین لایه نیز به‌شدت داغ شده است. در یکی از تازه‌ترین تحولات، موتور جستجوی آلمانی Ecosia همکاری با شرکت هوش مصنوعی فرانسوی Mistral را متوقف کرده و استفاده از مدل‌های متن‌باز ارائه‌شده روی زیرساخت استارتاپ آلمانی Melious AI را برگزیده است.

هم‌زمان با این تحولات، شرکت‌های اروپایی میلیاردها دلار سرمایه تازه جذب می‌کنند، دامنه محصولات و مدل‌های پایه خود را گسترش می‌دهند و کسب‌وکارهایی را پایه‌ریزی می‌کنند که تقریباً در تمامی لایه‌های بازار هوش مصنوعی با بزرگان جهان رقابت دارند.

برای کسب‌وکارهای اروپایی، دغدغه اصلی دیگر صرفاً یافتن جایگزینی برای غول‌های سازنده مدل‌های زبانی در ایالات متحده مانند OpenAI، Anthropic یا گوگل نیست. این شرکت‌ها اکنون کنترل کامل‌تری بر محل اجرای مدل‌ها، نحوه پردازش و مدیریت داده‌ها، هزینه نهایی استنتاج (Inference) و سهولت جابه‌جایی میان ارائه‌دهندگان مختلف طلب می‌کنند. در واقع امکان اجرای سرویس‌های هوش مصنوعی روی مراکز داده و زیرساخت‌های مستقر در اروپا، حتی اگر خود مدل در نقاط دیگری از جهان آموزش دیده باشد، به یک مزیت رقابتی مهم و قانع‌کننده تبدیل شده است.

این رویکرد پرسش قابل‌توجهی را درباره بلندپروازی‌های قاره سبز برای تبدیل‌شدن به یک قطب جهانی در هوش مصنوعی پیش می‌کشد: آیا اروپا برای رقابت مستقیم با آمریکا و چین واقعاً نیازمند توسعه مدل‌های پیشرو و لبه فناوری است؟ یا شاید فرصت بزرگ‌تر در فراهم‌سازی زیرساخت‌های پایدار، فناوری‌های تخصصی و ساخت ابزارهایی نهفته باشد که هوش مصنوعی را فارغ از مبدأ توسعه مدل، از نظر تجاری سودآور و کارآمد می‌سازند؟

برقراری تعادل میان استقلال فناورانه، مدل‌های متن‌باز، هزینه و کارایی

موتور جستجوی آلمانی Ecosia که تمرکز ویژه‌ای بر فعالیت‌های زیست‌محیطی دارد، پس از حدود پنج ماه بهره‌گیری از فناوری‌های شرکت فرانسوی Mistral تصمیم به تغییر مسیر گرفت. این موتور جستجو به‌جای تکیه بر Mistral به‌عنوان تأمین‌کننده انحصاری، سیستم چت هوشمند و خلاصه‌سازی نتایج جستجوی خود را به استارتاپ آلمانی Melious AI منتقل کرد؛ شرکتی نوپا که از طریق زیرساخت‌های ابری مستقر در اروپا، دسترسی به مجموعه‌ای از مدل‌های وزن‌باز، از جمله مدل‌های آموزش‌دیده در خارج از قاره را فراهم می‌کند.

این تغییر به‌معنای دست کشیدن از هوش مصنوعی متن‌باز و مدل‌های وزن‌باز نبود؛ حوزه‌ای که خود شرکت Mistral همواره پیشگام ترویج آن بوده است. هدف اصلی Ecosia دستیابی به انعطاف‌پذیری بالاتر در انتخاب مدل، کاهش هزینه‌های اجرای استنتاج و تسلط بر مدیریت زیرساخت ارزیابی می‌شود.

همان‌گونه که نشریه POLITICO در گزارش اولیه خود فاش کرد، کریستین کرول (Christian Kroll)، هم‌بنیان‌گذار و مدیرعامل Ecosia، از کارایی مدل‌های Mistral و توجیه اقتصادی قرارداد ناراضی بود. او بعداً در گفت‌وگو با رسانه EU-Startups توضیح داد که این تصمیم با هدف کاهش هزینه‌ها و استفاده از فناوری‌های کم‌مصرف‌تر اتخاذ شده است، نه ترجیح مدل‌های یک کشور خاص بر کشوری دیگر.

موتور جستجوی Ecosia استفاده از مدل‌های متن‌باز شرکت‌های چینی علی‌بابا، Z.ai و Moonshot AI از جمله مدل‌های Qwen، GLM و Kimi را بررسی کرده بود. مزیت کلیدی این مدل‌های وزن‌باز در آن است که مراکز داده و ارائه‌دهندگان مستقل زیرساخت می‌توانند آن‌ها را میزبانی و اجرا کنند، بدون آنکه نیازی به ارتباط مستقیم یا انحصاری با شرکت‌های سازنده آن‌ها وجود داشته باشد.

در عمل، Ecosia یک ارائه‌دهنده تک‌مدلی را با یک راهکار زیرساختی جایگزین کرده است؛ راهکاری که امکان استفاده از مدل‌های گوناگون، حتی مدل‌های توسعه‌یافته در خارج از اروپا را در بستری محلی مهیا می‌سازد. این رویکرد شاید نقطه عطفی بسیار تعیین‌کننده در روند تحولات بازار هوش مصنوعی اروپا باشد.

به‌گفته کرول در مصاحبه با POLITICO، موتور جستجوی Ecosia موفق شد هزینه‌های هوش مصنوعی خود را تقریباً به نصف کاهش دهد و هم‌زمان کیفیت خروجی و کارایی را نیز بهبود ببخشد. چنین دستاوردی برای یک موتور جستجو که باید روزانه حجم عظیمی از پرس‌وجوها را بدون تحمیل هزینه‌های سرسام‌آور پاسخ دهد، پیشنهادی بی‌نهایت جذاب است. در عین حال، این تجربه به‌خوبی نشان می‌دهد که رقابت برای ساخت راهکارهای متن‌باز، مقرون‌به‌صرفه و متکی بر زیرساخت‌های مستقل تا چه اندازه جدی و چالش‌برانگیز شده است.

تمرکز استراتژیک بر زیرساخت پردازشی به‌جای آموزش مدل‌های غول‌پیکر

استارتاپ Melious AI مدل تجاری کاملاً متفاوتی را نسبت به شرکت‌هایی دنبال می‌کند که میلیاردها دلار صرف آموزش مدل‌های پایه می‌کنند. این شرکت به‌جای آموزش مدل‌های زبانی عظیم، مدل‌های وزن‌باز موجود را در مراکز داده اروپایی میزبانی می‌کند و دسترسی به آن‌ها را از طریق رابط کاربری برنامه‌نویسی استنتاج (Inference API) در اختیار مشتریان قرار می‌دهد. با این ساختار، کسب‌وکارها بدون نیاز به راه‌اندازی زیرساخت‌های پردازشی پیچیده و گران‌قیمت، از پیشرفته‌ترین مدل‌ها بهره‌مند می‌شوند.

بر اساس اطلاعات منتشرشده توسط این استارتاپ، ارکان اصلی فعالیت Melious AI شامل استفاده از انرژی‌های تجدیدپذیر در مراکز داده، حفظ حاکمیت و ذخیره‌سازی داده‌ها درون مرزهای اروپا، قیمت‌گذاری رقابتی برای پردازش استنتاج و سازگاری کامل با رابط‌های برنامه‌نویسی استاندارد هوش مصنوعی است.

برای سازمان‌هایی که سیستم‌های خود را بر پایه رابط‌های OpenAI یا Anthropic توسعه داده‌اند، این هماهنگی و سازگاری می‌تواند مهاجرت نرم‌افزارها و ابزارها را بسیار آسان‌تر کند؛ گرچه تفاوت در قابلیت‌های مدل‌ها و ویژگی‌های خاص هر سرویس همچنان نیازمند ارزیابی فنی است.

ابعاد اقتصادی این مدل در تئوری بسیار مجذوب‌کننده است. توسعه مدل‌های پیشرو نیازمند سرمایه‌گذاری هنگفت در تأمین منابع رایانشی، جمع‌آوری داده‌های آموزشی و استخدام نخبگان پژوهشی است. در مقابل، شرکتی که خدمات استنتاج ارائه می‌دهد می‌تواند تمام تمرکز خود را بر بهینه‌سازی اجرای مدل‌های آماده، انتخاب بهترین گزینه‌ها از میان مدل‌های متن‌باز موجود و مدیریت بهینه هزینه‌های پردازش معطوف کند.

البته نپرداختن هزینه آموزش اولیه مدل لزوماً به‌معنای ارزان بودن همیشگی فرآیند استنتاج نیست. قیمت سخت‌افزارها، ضریب استفاده از سرورها، بهای برق، میزان بهینه‌سازی الگوریتم‌ها و ضرورت کسب حاشیه سود پایدار، عواملی هستند که بقای طولانی‌مدت چنین کسب‌وکارهایی را تعیین می‌کنند.

استارتاپ Melious AI هم‌زمان با دنبال کردن این فرصت تجاری، ساختار مدیریتی خود را تقویت کرده است. طبق اعلام شرکت، پاول مولر (Paul Müller)، از شرکای شتاب‌دهنده سرمایه‌گذاری EWOR، پس از مدتی راهنمایی و مربی‌گری بنیان‌گذاران، به‌عنوان مدیرعامل مشترک به Melious پیوسته است. مولر که پیش‌تر هم‌بنیان‌گذار و مدیرعامل شرکت تحلیل داده موبایل Adjust بود و در سال ۲۰۲۲ از سمت خود کناره‌گیری کرد، تجربه ارزشمندی دارد؛ شرکت Adjust در سال ۲۰۲۱ با مبلغی حدود یک میلیارد دلار توسط AppLovin خریداری شد و به یک موفقیت بزرگ در اکوسیستم نرم‌افزاری اروپا تبدیل گردید.

تلاش مضاعف اروپا برای توسعه هم‌زمان مدل‌های پایه و زیرساخت‌ها

با وجود تصمیم Ecosia برای تغییر تأمین‌کننده، شواهدی مبنی بر کند شدن روند پیشرفت شرکت Mistral یا افت توسعه مدل‌های پایه در اروپا دیده نمی‌شود.

شرکت فرانسوی Mistral AI در سپتامبر ۲۰۲۶ موفق به جذب ۳ میلیارد یورو سرمایه تازه شد و ارزش‌گذاری آن به بیش از ۲۱ میلیارد یورو رسید. این دستاورد Mistral را به یکی از باارزش‌ترین شرکت‌های خصوصی هوش مصنوعی در جهان تبدیل کرده و سرمایه هنگفتی را برای توسعه تحقیقات، زیرساخت‌ها و گسترش فعالیت‌های بین‌المللی در اختیار آن گذاشته است.

رونمایی شرکت Mistral از مدل پرچمدار Large 4 ملقب به Le Chonk با حدود یک تریلیون پارامتر در ماه اکتبر، نشان‌دهنده اراده جدی آن برای رقابت با پیشگامان جهان است. این شرکت در ۲۹ اکتبر وزن‌های این مدل را به‌صورت عمومی منتشر کرد تا گزینه‌های در دسترس سازمان‌هایی که مایل به اجرای مدل‌های بسیار پیشرفته روی زیرساخت اختصاصی خود هستند، گسترش یابد.

وزن‌های این مدل تحت مجوز اختصاصی شرکت با نام Mistral Ecosystem Open-Weight License عرضه شده است؛ به این معنا که سازمان‌ها اجازه دارند مدل را دانلود کرده و برای مصارف داخلی مستقر کنند، اما راه‌اندازی سرویس‌های تجاری فروش مدل نیازمند دریافت مجوز جداگانه خواهد بود. این تفکیک حقوقی با توجه به تصمیمات شرکت‌هایی مانند Ecosia و ارائه‌دهندگان زیرساختی نظیر Melious AI اهمیتی دوچندان دارد.

هم‌زمان شرکت Mistral در حال گسترش کسب‌وکار تجاری گسترده‌تری است. سازمان‌های بزرگی نظیر ایرباس (Airbus)، شرکت ASML و بانک HSBC در میان مشتریان تجاری آن دیده می‌شوند و خدمات این شرکت از عرضه مدل‌ها و دستیار هوشمند Le Chat تا ابزارهای سازمانی و زیرساخت‌های محاسباتی اختصاصی را در بر می‌گیرد.

این وضعیت نشان می‌دهد که شرکت Mistral نه‌تنها باید با توسعه‌دهندگان غول‌پیکر آمریکایی و چینی رقابت کند، بلکه باید در داخل قاره اروپا نیز رو در روی کسب‌وکارهایی بایستد که بدون پرداخت هزینه‌های سنگین تحقیق و توسعه، مدل‌های وزن‌باز را روی سرورهای خود میزبانی کرده و به مشتریان می‌فروشند.

در کنار Mistral، رویکردهای دیگری نیز در قاره اروپا برای ساخت مدل‌های زبانی بنیادین در جریان است.

ابتکار هوش مصنوعی سوئیس (Swiss AI Initiative) با حمایت دانشگاه‌های مطرح ETH Zurich و EPFL، در ژوئیه ۲۰۲۶ مدل پیشرفته Apertus 1.5 را عرضه کرد. این مدل از توانایی‌های استدلالی ارتقایافته، درک چندوجهی و شفافیت کامل در داده‌های آموزشی برخوردار است. طبق گزارش رسانه Swissinfo، تعداد دانلودهای این مدل تا ماه سپتامبر از مرز ۴ میلیون بار فراتر رفته و دست‌کم در ۷۰ سامانه سازمانی و خارجی پیاده‌سازی شده است.

پروژه‌های اروپایی دیگری نظیر OpenEuroLLM نیز در حال توسعه مدل‌هایی هستند که به‌طور اختصاصی برای پوشش نیازهای زبانی و فرهنگی متنوع قاره اروپا طراحی شده‌اند. این آمارها تمایل و علاقه شدید پژوهشگران را نشان می‌دهد؛ هرچند صرف تعداد دانلودها نشان‌دهنده موفقیت تجاری فراگیر در بازار نیست.

با این همه، دسترسی به وزن‌های یک مدل (Open-weight) لزوماً به‌معنای متن‌باز بودن کامل آن (Open-source) نخواهد بود. دسترسی داشتن به وزن‌های محاسباتی به این معنا نیست که توسعه‌دهنده به داده‌های آموزشی خام، کدهای تمرین‌دهی یا آزادی عمل کامل برای بازتوزیع مدل دسترسی دارد. برای سازمان‌ها و دولت‌هایی که دغدغه استقلال کامل داده‌ها را دارند، این تفاوت‌های ساختاری و حقوقی از اهمیت فراوانی برخوردار است.

دولت‌های اروپایی نیز همگام با بخش خصوصی، سرمایه‌گذاری‌های سنگینی را روی توسعه زیرساخت‌های محاسباتی انجام می‌دهند.

در ماه ژوئیه، کمیسیون اروپا در اطلاعیه‌ای رسمی از برنامه تأسیس تا ۷ ابرکارخانه هوش مصنوعی (AI Gigafactories) خبر داد؛ طرحی که با حمایت مالی ۱۰ میلیارد یورویی از محل بودجه عمومی و جذب حداقل ۲۰ میلیارد یورو سرمایه خصوصی پشتیبانی می‌شود.

هدف از ایجاد این مراکز عظیم، تأمین توان پردازشی موردنیاز برای آموزش، شخصی‌سازی و بهره‌برداری از مدل‌های بسیار پیشرفته در داخل مرزهای اتحادیه اروپاست.

با این وجود، استقرار مراکز داده در خاک اروپا تمامی وابستگی‌های خارجی را برطرف نمی‌کند. مراکز داده اروپایی همچنان به پردازنده‌های پیشرفته‌ای وابسته‌اند که عمدتاً توسط شرکت‌های غیراروپایی تولید می‌شوند. علاوه بر این، حتی مدل‌هایی که روی سرورهای محلی اجرا می‌شوند نیز اغلب از معماری‌ها، روش‌های آموزشی و نوآوری‌های علمی نشأت‌گرفته از سایر نقاط جهان استفاده می‌کنند.

این تناقض چالش مهمی را به‌همراه دارد: اگر معنای استقلال فناورانه صرفاً استفاده انحصاری از مدل‌های ساخته‌شده در اروپا باشد، شرکت‌ها ممکن است مبالغ گزافی برای سیستم‌هایی بپردازند که بهترین عملکرد را در بازار ارائه نمی‌دهند. اما اگر استقلال را به مفهوم تسلط بر زیرساخت، حفظ حریم داده‌ها و آزادی در انتخاب ارائه‌دهنده تعریف کنیم، مدل‌های توسعه‌یافته در خارج از اروپا نیز می‌توانند نقش مؤثری در موفقیت کسب‌وکارها ایفا نمایند.

شکوفایی اکوسیستم استارتاپ‌های هوش مصنوعی در اروپا

اکوسیستم هوش مصنوعی اروپا بسیار فراتر از مدل‌های پایه حرکت کرده و دامنه‌اش به حوزه‌هایی بسیار گسترده‌تر از مدل‌های زبانی ساده کشیده شده است.

بر اساس داده‌های گزارش وضعیت هوش مصنوعی در اروپای سال ۲۰۲۶ که توسط Dealroom و Prosus منتشر شده است، استارتاپ‌های هوش مصنوعی در این قاره طی سال ۲۰۲۵ موفق به جذب ۲۱٫۸ میلیارد دلار سرمایه‌گذاری جسورانه شدند که رشدی ۵۸ درصدی را نسبت به سال قبل نشان می‌دهد. این رقم یک رکورد تاریخی به‌شمار می‌رود و نشان می‌دهد برخی از بزرگ‌ترین بازیگران اروپایی، محصولاتی می‌سازند که موفقیت تجاری آن‌ها به برنده شدن در مسابقه مدل‌های زبانی عمومی وابسته نیست.

استارتاپ مستقر در لندن Synthesia در ژانویه ۲۰۲۶ موفق به جذب ۲۰۰ میلیون دلار سرمایه با ارزش‌گذاری ۴ میلیارد دلار شد. پلتفرم ویدیویی این استارتاپ توانسته مشتریان سازمانی بزرگی را که به‌دنبال خودکارسازی آموزش‌های سازمانی، ارتباطات و تولید محتوای ویدیویی هستند به خود جذب کند. استارتاپ Synthesia در سال ۲۰۲۵ درآمد تکرارشونده سالانه (ARR) خود را از مرز ۱۰۰ میلیون دلار عبور داد که گواهی بر مقیاس‌پذیری واقعی کسب‌وکار آن است.

استارتاپ آلمانی Helsing نیز در ماه ژوئیه ۱٫۸ میلیارد دلار سرمایه را بر مبنای ارزش‌گذاری ۱۸ میلیارد دلاری جذب کرد که نشان‌دهنده علاقه فزاینده سرمایه‌گذاران به فناوری‌های دفاعی مبتنی بر هوش مصنوعی است. این شرکت فعالیت‌های خود را از تحلیل داده‌های میدان نبرد به توسعه پهپادهای خودران و سامانه‌های دفاعی نوین گسترش داده است.

استارتاپ‌های کوچک‌تر اروپایی نیز با حمایت شرکت‌های شتاب‌دهنده و حامی فناوری‌های نوظهور مانند EWOR، چالش‌هایی را هدف گرفته‌اند که شاید غول‌های سازنده مدل‌های زبانی مستقیماً به آن‌ها ورود نکنند.

برای نمونه، استارتاپ Reactive AI روی معماری‌های جایگزینی کار می‌کند که هدف آن‌ها کاهش چشمگیر هزینه‌های حفظ زمینه (Context) در مدل‌هاست. در همین حال، استارتاپ SE3 Labs سامانه‌های هوش مصنوعی مکانی توسعه می‌دهد که داده‌های حسگرها را به مدل‌های سه‌بعدی تعاملی برای سیستم‌های خودران تبدیل می‌کند؛ استارتاپ Tacent Labs نیز ابزارهایی را برای راستی‌آزمایی ادعاهای علمی از طریق تطبیق با مقالات و شواهد پژوهشی ایجاد کرده است.

گروهی دیگر از شرکت‌های نوپا بر فرآیندهای تجاری بسیار تخصصی متمرکز شده‌اند؛ استارتاپ Oblex حسابرسی مالی را متحول می‌کند، شرکت Parametric تدارکات پروژه‌های مهندسی را خودکارسازی می‌نماید و استارتاپ Tattvam AI طراحی خودکار نیمه‌هادی‌ها و تراشه‌ها را امکان‌پذیر می‌سازد.

اگرچه ادعاهای برخی از این استارتاپ‌ها پیرامون عملکرد، کاهش هزینه‌ها و سهم بازار هنوز نیازمند اثبات کامل در مقیاس‌های بزرگ است، این رویکردها تنوع چشمگیر فرصت‌هایی را به نمایش می‌گذارند که پیشگامان اروپایی فراتر از رقابت صرف بر سر مدل‌های زبانی بنیادین، در حال دنبال کردن آن‌ها هستند.