هشدار سرمایه‌گذار برجسته آمریکایی: OpenAI و Anthropic در برابر مدل‌های ارزان چینی به دردسر می‌افتند

اسکات ویلسون (Scott Wilson) به‌خوبی می‌داند که شرط‌بندی خلاف جهت بازار و دستیابی به سودهای کلان چه حسی دارد؛ سرمایه‌گذاری زودهنگام او روی SpaceX سودی چند میلیارد دلاری را نصیب موقوفه مالی دانشگاه واشنگتن کرد.

او اکنون دست به پیش‌بینی خلاف جریان دیگری زده است: آزمایشگاه‌های تریلیون دلاری هوش مصنوعی با چالشی بسیار جدی و ساختاری مواجه‌اند.

ویلسون استدلال می‌کند که شرکت‌هایی مانند OpenAI و Anthropic درست در زمانی که مدل‌های ارزان‌قیمت‌تر چینی در حال کاهش فاصله عملکردی خود هستند، خود را متعهد به هزینه‌های مالی سرسام‌آوری کرده‌اند. این دیدگاه کاملاً در تضاد با مواضع خوش‌بین‌های حوزه هوش مصنوعی نظیر وینود کسلا (Vinod Khosla) قرار دارد؛ چهره‌ای که معتقد است دقیقاً همین سرمایه‌گذاری‌های عظیم در زیرساخت، آزمایشگاه‌های پیشگام را شکست‌ناپذیر می‌کند.

ویلسون در این رابطه می‌گوید: «این شرکت‌های پیشروی تریلیون دلاری ارزش تعهدات و بدهی‌های سنگینی را که پذیرفته‌اند ندارند، زیرا در آینده جایگزین‌های رایگان بی‌شماری در دسترس خواهد بود.»

تاکنون OpenAI بازدهی مالی هنگفتی برای شرکت‌های سرمایه‌گذاری خطرپذیر و موسساتی نظیر دانشگاه میشیگان به همراه داشته است؛ دانشگاهی که سرمایه‌گذاری اولیه ۲۰ میلیون دلاری آن در OpenAI اکنون به بیش از ۲ میلیارد دلار ارزش‌گذاری می‌شود. با این حال، ویلسون اعلام کرد با وجود فرصت سرمایه‌گذاری اولیه در این استارتاپ، به دلیل عدم اطمینان از سودآوری پایدار از ورود به آن صرف‌نظر کرده و بدبینی او با گذشت زمان تشدید شده است.

ویلسون می‌افزاید: «زمانی که قرارداد اولیه OpenAI را که برخی همتایان ما در آن شرکت کرده و سودهای کاغذی کلانی به دست آوردند بررسی کردیم، به‌شدت بدبین بودیم و با گذشت زمان این بدبینی برای من عمیق‌تر شده است.»

او این دیدگاه را هفته گذشته در همایش Rock Yard Roundup در فورت ورث که با حضور حدود ۱۰۰ مدیر دارایی، سرمایه‌گذار خطرپذیر و بنیان‌گذار فناوری برگزار شد، مطرح کرد. ویلسون رقابت آزمایشگاه‌های پیشرو هوش مصنوعی را به غرب وحشی تشبیه کرد؛ تب و تابی از هزینه‌های مهارنشدنی و ارزش‌گذاری‌های حبابی که به باور او بعید است پایان خوشی داشته باشد.

هشدار ویلسون در شرایطی مطرح می‌شود که توسعه‌دهندگان چینی مدل‌های هوش مصنوعی مانند DeepSeek، مدل Qwen از شرکت Alibaba، استارتاپ Zhipu AI و Tencent ضمن ارائه مدل‌هایی با هزینه‌های بسیار پایین‌تر، شکاف عملکردی با آزمایشگاه‌های آمریکایی را به حداقل رسانده‌اند. این موضوع بحث‌های گسترده‌ای را میان سرمایه‌گذاران برانگیخته است که آیا OpenAI و Anthropic می‌توانند هزینه‌های سرسام‌آور لازم برای پیشتاز ماندن را در صورت مهاجرت مشتریان به مدل‌های ارزان‌تر و باکیفیت تاب بیاورند یا خیر.

ویلسون توضیح داد پس از گفتگو با همکارانش در چین که شاهد پیشرفت پرشتاب مدل‌های وزن‌باز (Open-weight) بوده‌اند و همچنین مدیران شرکت‌های پورتفوی دانشگاه واشنگتن، تردیدهایش عمیق‌تر شده است؛ زیرا این شرکت‌ها همگی در حال مهاجرت به مدل‌های ارزان‌تر هستند.

او خاطرنشان کرد: «هر زمان با شرکت‌های حاضر در پورتفوی خود، به‌ویژه کسب‌وکارهایی که تمرکز بالایی بر هوش مصنوعی دارند صحبت می‌کنیم، می‌بینیم که همگی با سرعت بالا به سمت فناوری‌های متن‌باز حرکت می‌کنند. این ماجرا مشابه رقابت هر کالای گران‌قیمت آمریکایی با یک محصول وارداتی ارزان‌قیمت، به‌ویژه از مبدأ چین است.»

وینود کسلا: هرگز تا این حد به آینده OpenAI خوش‌بین نبوده‌ام

داده‌های ارائه‌شده توسط پلتفرم OpenRouter که ترافیک درخواستی توسعه‌دهندگان میان مدل‌های مختلف را هدایت می‌کند، تا حدی موید دیدگاه ویلسون است. بر اساس این داده‌ها، مدل DeepSeek سهمی ۲۵.۳ درصدی از درخواست‌های پردازش متن را به خود اختصاص داده است؛ در حالی که سهم OpenAI به ۱۸.۶ درصد و سهم Anthropic به ۲.۹ درصد می‌رسد.

در نقطه مقابل، وینود کسلا، میلیاردر و سرمایه‌گذار اولیه OpenAI، در اظهارنظری مخالفت شدید خود را با دیدگاه ویلسون ابراز کرد و اظهار داشت که هرگز تا این اندازه به چشم‌انداز OpenAI مطمئن نبوده است.

کسلا در واکنش به این انتقادها گفت: «افرادی که این‌گونه فکر می‌کنند اشتباه می‌کنند و نحوه کار این سازوکار را درک نکرده‌اند. آن‌ها تصور می‌کنند ارزش بنیادین در خودِ مدل نهفته است.»

به عقیده کسلا، مزیت رقابتی اصلی در کنترل لایه‌های زیرساختی پرهزینه‌ای است که مدل روی آن اجرا می‌شود. یک شرکت با مدل‌های اختصاصی و بسته می‌تواند تراشه‌ها را به‌صورت هماهنگ و منطبق بر مدل‌های خود طراحی کند؛ مشابه کاری که OpenAI با طراحی تراشه استنتاج Jalapeño انجام داده است. به گفته او، این رویکرد وابستگی به سخت‌افزارهای NVIDIA و ارائه‌دهندگان شخص ثالث ابری را کاهش داده و هزینه تمام‌شده ارائه سرویس به مشتریان را نسبت به اجرای یک مدل متن‌باز روی زیرساخت‌های ابری دیگران به مراتب پایین می‌آورد.

کسلا تأکید کرد: «بحث من بر سر قیمت فروش نیست، بلکه درباره بهای تمام‌شده و هزینه واقعی است. از مصرف برق و دیتاسنتر گرفته تا تراشه‌ها، نرم‌افزارهای زیرساختی و مدل‌های استنتاج، بهای تمام‌شده کل پشته فناوری در مدل‌های انحصاری و بسته به احتمال قریب به یقین کمتر از مدل‌های متن‌باز خواهد بود.»