افسر سابق MI6 با استارتاپ Overmind، انحصار غول‌های فناوری را در هوش مصنوعی سازمانی به چالش می‌کشد

سازمان اطلاعات بریتانیا سال‌ها پیش تایلر ادواردز (Tyler Edwards) را برای یک دوره آموزشی اعزام کرد؛ مأموریتی با دستورالعمل‌هایی ویژه که شامل سوار شدن در یک ون همراه با فردی ناشناس و قرار دادن تلفن همراه در جعبه‌ای مهروموم‌شده بود. ادواردز مقصد آن سفر را «قلعه» به یاد می‌آورد. سال‌ها بعد، زمانی که او کاوش در پتانسیل‌های هوش مصنوعی را برای فعالیت‌های اطلاعاتی آغاز کرد، کنترل این فناوری چالش‌برانگیزتر از تصور او شد.

ادواردز در این باره می‌گوید: «ما نمی‌توانستیم در تصمیم‌گیری‌های حیاتی مرگ و زندگی به هوش مصنوعی اعتماد کنیم. بخش عمده این چالش ناشی از آن بود که ناچار بودیم برای ساخت این فناوری به شرکت‌های شخص ثالث تکیه کنیم، بدون آنکه بر نحوه کارکرد سیستم یا نتایج حاصل از آن کنترلی داشته باشیم.»

استارتاپ Overmind، شرکتی که او هم‌بنیان‌گذار و مدیرعامل آن است، در ابتدا بر نظارت کسب‌وکارها بر عملکرد ایجنت‌های هوش مصنوعی متمرکز بود. با این حال، او خیلی زود دریافت که نگرانی مشتریان نه از خطرات احتمالی به‌کارگیری هوش مصنوعی، بلکه از سرعت بالاتر رقبا در پذیرش این فناوری است. این بینش او را به سوی فرصتی بسیار بزرگ‌تر هدایت کرد. ادواردز توضیح می‌دهد: «اگر بتوانید هوش مصنوعی را متناسب با نیازهای اختصاصی خود توسعه دهید، شیوه عملکرد آن را شکل دهید و نتایج دلخواهتان را تعیین کنید، کنترلی بی‌نهایت بیشتر بر فناوری خواهید داشت و با اطمینان خاطری بالاتر از قابلیت‌های آن بهره‌مند می‌شوید.»

این استارتاپ لندنی که در سال ۲۰۲۵ تأسیس شد، در دور جذب سرمایه بذری خود در ماه فوریه موفق به جذب ۲ میلیون پوند به رهبری Osney Capital شد. سپس در ماه اکتبر، یک پلتفرم متن‌باز را در دسترس عموم قرار داد تا به توسعه‌دهندگان کمک کند داده‌های اختصاصی سازمانی را بدون نیاز به تیمی مجزا از پژوهشگران یادگیری ماشین، به مدل‌های تخصصی هوش مصنوعی تبدیل کنند. ادواردز سابقه فعالیت در سازمان‌های اطلاعاتی MI5 و MI6 را در کارنامه دارد؛ جایی که به توسعه ابزارهای عملیات سایبری تهاجمی بریتانیا کمک می‌کرد و بعدها هدایت تیم‌هایی را برای بررسی کاربرد هوش مصنوعی در خودکارسازی تحلیل داده‌های اطلاعاتی بر عهده گرفت. در کنار او، سم برانت (Sam Brunt)، هم‌بنیان‌گذار و مدیر ارشد عملیات این مجموعه، تجربه گسترش و توسعه شرکت‌های موفقی چون Funding Circle و Vertice را با خود به‌همراه دارد.

برانت آموزش مدل‌ها بر اساس داده‌ها و دانش اختصاصی را که مدل‌های پرچم‌دار پیشرو هرگز با آن‌ها مواجه نشده‌اند، یک مزیت رقابتی مهم می‌داند؛ اما در عین حال تأکید می‌کند مالکیت مدل باید توجیه اقتصادی داشته باشد. او می‌گوید: «مالکیت مدل نباید به هدفی مستقل تبدیل شود. اگر یک رابط برنامه‌نویسی (API) کار را به‌خوبی انجام می‌دهد، از همان استفاده کنید. ساخت یک مدل اختصاصی زمانی منطقی و جذاب می‌شود که بهبود عملکرد یا ارزش تجاری حاصل، هزینه‌های توسعه و نگهداری آن را کاملاً توجیه کند.»

تبدیل رفتار ایجنت‌ها به مدل‌های تخصصی هوش مصنوعی

ابزارهای اولیه این شرکت، نحوه اجرای وظایف توسط ایجنت‌ها را پایش می‌کردند و انحراف آن‌ها از مسیر تعیین‌شده را مشخص می‌ساختند. امروزه همین سوابق ثبت‌شده، نقاط شکست را به‌دقت شناسایی می‌کنند و به نمونه‌های آموزشی ارزشمندی برای تعلیم مدل‌های تخصصی تبدیل می‌شوند.

ادواردز می‌گوید: «امروزه بخش عظیمی از فناوری و هوش مصنوعی در دست انگشت‌شماری از نهادها و شرکت‌های غول‌پیکر متمرکز شده است. این تمرکز قدرت، همراه با دشواری اعتماد به سیستم‌هایی که تحت کنترل شما نیستند، دقیقاً همان مشکلی بود که از دید من ریشه بحران محسوب می‌شد. وقتی با سرمایه‌گذاران صحبت می‌کنیم، شفاف می‌گوییم که هدف ما صرفاً ساده‌تر کردن تنظیم دقیق (Fine-tuning) نیست؛ بلکه می‌خواهیم هوش را توزیع کنیم و آن را به ابزاری قابل‌اعتمادتر تبدیل نماییم.»

این پلتفرم ابتدا کدهای پایگاه نرم‌افزاری شرکت را تحلیل می‌کند تا متوجه شود ایجنت‌ها دقیقاً برای چه مأموریتی طراحی شده‌اند. سپس با بهره‌گیری از ردپای اجرایی واقعی در محیط عملیاتی، یعنی همان داده‌های نحوه انجام کار توسط ایجنت‌ها، این تصویر را به‌روز نگه می‌دارد. در مرحله بعد، پلتفرم ارزیابی‌هایی انجام داده و تغییرات پرامپت یا کد را پیش از اعمال تنظیم دقیق روی یک مدل موجود، به بوته آزمایش می‌گذارد.

ادواردز این چالش را با مثالی ملموس توضیح می‌دهد: دستیار هوش مصنوعی‌ای را تصور کنید که برای خرید یک فنجان لاته فرستاده می‌شود، اما تصمیم می‌گیرد مزرعه قهوه تأسیس کند! شاید در نهایت نوشیدنی به دست شما برسد، اما مسیر طی‌شده کاملاً نامعقول بوده است. ایجنت‌های سازمانی نیز ممکن است از طریق مراحلی بسیار پرهزینه یا غیرمجاز به پاسخ درست برسند و ارزیابی صرف خروجی نهایی، این خطاهای پنهان را نادیده می‌گیرد. او می‌گوید برخی از پیاده‌سازی‌های آن‌ها نزدیک به ۱۲۰ آزمون مختلف را در سراسر چرخه اجرای یک ایجنت اجرا می‌کنند که ترکیبی از بررسی‌های قطعی و داوری‌های مبتنی بر مدل هوش مصنوعی است.

مدل‌های آموزش‌دیده پیش از استقرار، با مدل پایه فعلی مقایسه و ارزیابی می‌شوند. مشتریان کنترل کامل وزن‌های مدل (پارامترهای یادگرفته‌شده‌ای که اجرای مدل را در هر محیط دیگر ممکن می‌سازد) را حفظ می‌کنند و در صورت نیاز می‌توانند به نسخه‌های پیشین بازگردند.

برانت انتظار دارد این هوش مصنوعی برای هر مشتری کاملاً منحصربه‌فرد شود. او می‌گوید: «یک محصول مالی هوش مصنوعی فرضی را در نظر بگیرید که به دو بانک HSBC و بارکلیز خدمات می‌دهد. به‌جای تکیه بر یک مدل و هوش پایه یکسان، هر بانک می‌تواند مدلی آموزش‌دیده بر اساس فرآیندها، سیاست‌ها و دانش اختصاصی خود داشته باشد؛ مدلی که کارکرد آن را ویژه همان کسب‌وکار می‌سازد. ما معتقدیم این رویکرد پیوند میان شرکت‌های نرم‌افزاری و مشتریانشان را دگرگون خواهد کرد.»

با این حال، سوابق عملیاتی به‌تنهایی نشان نمی‌دهند که آیا ایجنت دقیقاً خواسته کسب‌وکار را برآورده کرده است یا خیر. فرایند ارزیابی همچنان به نمونه‌های مستقل و استانداردهای تعیین‌شده توسط کسب‌وکار نیاز دارد؛ در غیر این صورت، آموزش مدل ممکن است به‌جای اصلاح خطا، همان رفتارهای نادرست را تقویت کند.

کاهش هزینه‌های استنتاج بدون افت دقت مدل

برجسته‌ترین نمونه تجاری این رویکرد به یک مشتری فعال در حوزه فناوری‌های مالی (فین‌تک) مربوط می‌شود؛ هرچند این آمار چشمگیر نیازمند واکاوی دقیق‌تری است.

برانت در این زمینه توضیح می‌دهد: «یک شرکت فین‌تک از مدل‌های پیشرو و پرچم‌دار برای استخراج و دسته‌بندی داده‌ها از فاکتورها و ایمیل‌ها استفاده می‌کرد. ما با آموزش یک مدل کوچک‌تر اختصاصی برای همین وظیفه، توانستیم هم دقت و سرعت پردازش را ارتقا دهیم و هم هزینه‌های استنتاج را تا ۹۶ درصد کاهش دهیم. البته باید توجه داشت که این رقم صرفاً بیانگر هزینه‌های استنتاج است، نه کل هزینه‌های توسعه و عملیاتی‌سازی مدل. نقطه سربه‌سر یکسانی برای همه پروژه‌های اختصاصی‌سازی وجود ندارد؛ اگر حجم پردازش پایین باشد یا هزینه سرویس‌های ابری مدل‌های بزرگ به‌شدت افت کند، از نظر اقتصادی توجیهی برای ساخت مدل اختصاصی نخواهد بود.»

در ارزیابی بیش از ۴ هزار پرسش حقوقی برگرفته از ۱۰۰ قرارداد، مدل اختصاصی این استارتاپ توانست به امتیاز F1 معادل ۹۱.۶ درصد دست یابد، در حالی که این رقم برای یک مدل پرچم‌دار پیشرو ناشناس ۸۲ درصد بود. شاخص F1 تعادلی میان دقت (میزان مرتبط بودن داده‌های بازیابی‌شده) و جامعیت (توانایی یافتن تمام داده‌های مرتبط) برقرار می‌کند؛ امتیازی بالا در این شاخص نشان می‌دهد که مدل جزئیات درست را استخراج کرده و نتایج نامربوط یا جاافتاده را به حداقل رسانده است. علاوه بر این، هزینه استنتاج برای مدل اختصاصی به ازای هر ۱۰۰۰ سؤال تنها ۱.۰۳ دلار برآورد شد، در حالی که این رقم برای مدل پرچم‌دار ۲۰.۹۴ دلار بود. البته در مقایسه با یک مدل پیشروی ارزان‌تر، این اختلاف کمتر شد و هزینه مدل اختصاصی به حدود نصف مدل عمومی رسید.

ادواردز خاطرنشان می‌کند: «بخش عمده بنچمارک‌هایی که ما استفاده می‌کنیم آزمون‌های عمومی و استاندارد هستند، نه معیارهایی که خودمان طراحی کرده باشیم. مشاهدات مکرر ما نشان می‌دهد که روی مجموعه‌داده‌های تخصصی، یک مدل کوچک‌تر با آموزش مناسب می‌تواند از مدل‌های پرچم‌دار غول‌پیکر بهتر عمل کند؛ طبق تجربه ما، این اتفاق در حدود ۹ مورد از هر ۱۰ ارزیابی رخ می‌دهد.»

این شرکت همچنین از بهبود ۸۶ درصدی در دقت امور حقوقی خبر می‌دهد. ادواردز روند آزمون را تشریح کرد، اما درباره تطابق دقیق این ادعا با نتایج منتشرشده توضیح بیشتری نداد. این آزمون‌ها کارایی مدل‌های تخصصی بهینه‌سازی‌شده را با مدل‌های عمومی مقایسه می‌کنند و هزینه‌های اولیه آموزش را در نظر نمی‌گیرند. در زمینه استخراج داده‌های زیست‌پزشکی از میان ۱۰ هزار جفت داده، مدل بهینه‌سازی‌شده به امتیاز F1 معادل ۵۴.۹ درصد در برابر ۱۴.۱ درصد مدل عمومی رسید. همچنین یک مدل ۱۲ میلیارد پارامتری در حوزه هوانوردی از نظر درک مفاهیم عملکردی هم‌تراز با مدل پرچم‌دار ارائه داد، در حالی که میزان توهم و جعل اطلاعات در خلاصه گزارش‌های آن ۱۹.۴ درصد در مقایسه با ۳۳.۴ درصد مدل بزرگ بود؛ بنابراین اختصاصی‌سازی توانسته خطاها را به‌شکل چشمگیری مهار کند، هرچند آن‌ها را کاملاً به صفر نرسانده است.

رویارویی رقبا با راهبرد Overmind در بازار بهینه‌سازی هوش مصنوعی

بازار آموزش و بهینه‌سازی مدل‌ها بسیار شلوغ و رقابتی است. شرکت‌هایی همچون Together AI و Fireworks AI خدمات بهینه‌سازی را در کنار استنتاج ارائه می‌کنند. استارتاپ Together AI آموزش، استقرار و بهینه‌سازی پیوسته را در بستری یکپارچه ترکیب کرده که می‌تواند در ابر خصوصی یا روی سخت‌افزار اختصاصی مشتری اجرا شود. از سوی دیگر، Fireworks AI در سال ۲۰۲۵ بهینه‌سازی مبتنی بر یادگیری تقویتی را اضافه کرد و قادر است نسخه‌های سفارشی متعددی از مدل‌ها را روی زیرساخت اشتراکی مدیریت کند.

سرویس AWS Bedrock متعلق به آمازون چالشی مستقیم‌تر به شمار می‌رود؛ خدمات بهینه‌سازی مبتنی بر یادگیری تقویتی در این بستر به سازمان‌ها امکان می‌دهد رفتار مطلوب مدل را تعریف کرده و آن را بر اساس سوابق فراخوانی‌های قبلی API آموزش دهند. این راهکار، چرخه بازخورد مشابهی را در درون پلتفرمی ارائه می‌دهد که بسیاری از شرکت‌ها از پیش بابت آن هزینه می‌پردازند. شرکت OpenAI نیز خدمات بهینه‌سازی از طریق یادگیری تقویتی را به فروش می‌رساند، هرچند مدل حاصل همچنان روی سرورهای خود آن باقی می‌ماند. هم‌زمان، موجی از ادغام در میان بازیگران مستقل در جریان است؛ شرکت Rubrik استارتاپ Predibase را خرید که مدل‌های متن‌باز را با داده‌های مشتریان بهینه‌سازی می‌کرد، در حالی که پلتفرم OpenPipe وابسته به CoreWeave در تاریخ ۳۰ ژوئیه ۲۰۲۶ پذیرش پردازش‌های آموزش و استنتاج را متوقف کرد.

در بخش پژوهش، شرکت Thinking Machines متعلق به میرا موراتی (Mira Murati) ابزار Tinker را ارائه می‌دهد که کنترل مستقیم بر حلقه آموزش مدل را برای محققان فراهم می‌سازد. ارائه‌دهندگان دیگری نظیر LangSmith ،Langfuse و Braintrust نیز تمرکز خود را بر ثبت و رصد ردپای ایجنت‌ها معطوف کرده‌اند.

مزیت رقابتی اصلی Overmind ایجاد پیوندی یکپارچه میان تمامی این بخش‌ها است. یک تیم محصول می‌تواند عملکرد ایجنت‌ها را پایش کند، خطاهای آن‌ها را تفکیک نماید، نمونه‌های آموزشی جدید بسازد و مدل‌ها را بازآموزی کند؛ همه این مراحل در یک محیط متمرکز انجام می‌شود. این پلتفرم از روش‌های گوناگون تنظیم دقیق، از آموزش کامل پارامترهای مدل گرفته تا یادگیری تقویتی و روش LoRA پشتیبانی می‌کند.

زمانی که از ادواردز پرسیده شد چه چیزی مانع غول‌های تثبیت‌شده بازار از تقلید این فرایند می‌شود، او با صراحت پاسخ داد: «کاملاً هیچ چیز! مزیت‌های دفاعی سنتی در دنیای فناوری در حال فروپاشی هستند. ما تصمیمی آگاهانه گرفتیم که پلتفرم خود را متن‌باز نگه داریم و این استراتژی تغییر نخواهد کرد. اینکه آیا چنین رویکردی به برگ برنده ما در رقابت بدل خواهد شد یا خیر، گذشت زمان نشان خواهد داد؛ امیدوارم بهترین تیم پیروز شود.»

با از میان رفتن برتری‌های انحصاری فنی، ادواردز روی سهولت استفاده تمرکز کرده است. شرکت‌های متعددی توانایی اجاره توان پردازشی قدرتمند را دارند، اما از نیروی متخصص برای آماده‌سازی داده‌های آموزشی، پیکربندی مدل‌ها و مدیریت این فرایند پیچیده بی‌بهره‌اند. او همچنین ارائه‌دهندگان زیرساخت‌های ابری را نه به‌عنوان رقیب، بلکه در قامت شرکای بالقوه تجاری می‌بیند.

برانت اظهار می‌کند: «مشتریان می‌توانند کل فرایند آموزش را بر روی زیرساخت اختصاصی خود به اجرا درآورند. برای نمونه، این مسئله برای یک بانک امری حیاتی است؛ چراکه داده‌ها و چرخه یادگیری مدل باید منحصراً در محیط امن خود بانک باقی بمانند. ما قصد نداریم با بخش‌های مختلف زیرساخت آن‌ها وارد رقابت شویم.»

این استارتاپ قصد دارد به کسب‌وکارها کمک کند هوشی بسازند که رقبایشان امکان دسترسی به آن را نداشته باشند؛ در حالی که خود نرم‌افزارش را به‌شکل رایگان در اختیار همگان قرار می‌دهد تا رقبا هم بتوانند آن را بررسی و بازتولید کنند. البته گزینه‌های استقرار خصوصی در Together AI نیز باعث شده ادعای کنترل انحصاری دیگر یک برگ برنده کاملاً منحصربه‌فرد نباشد. فرصت واقعی شاید در تبدیل ارتقای مستمر مدل‌ها به فرآیندی چنان ساده و روتین نهفته باشد که سازمان‌ها به پرداخت مداوم هزینه برای استفاده از آن مشتاق بمانند.

آیا سازمان‌ها می‌توانند بدون وابستگی به یک شرکت خاص، مالک مدل هوش مصنوعی خود باشند؟

البته میزبانی محلی به خودی خود تضمین نمی‌کند که داده‌ها حتماً درون شبکه خصوصی باقی بمانند. پیکربندی پیش‌فرض Overmind برای تأمین توان پردازشی به پلتفرم Modal و برای ارزیابی عملکرد مدل به OpenRouter متکی است؛ بنابراین سازمان‌هایی که به جداسازی کامل و امنیت حداکثری نیاز دارند، باید این سرویس‌ها را با گزینه‌های داخلی جایگزین کرده و مسیر تبادل داده‌های خود را اعتبارسنجی کنند. ادواردز می‌گوید: «ما باور نداریم که شرکت‌ها فقط به دلیل انتخاب یک پلتفرم خاص، ناچار باشند کنترل دارایی‌های هوشمند خود را واگذار کنند.»

این استارتاپ همچنین مدعی تطابق با استانداردهای امنیتی معتبر SOC 2 و ISO 27001 است. هسته اصلی پلتفرم تحت مجوز AGPL عرضه شده که تعهداتی را برای شرکت‌های ارائه‌دهنده سرویس به‌همراه دارد، در حالی که کیت توسعه نرم‌افزار (SDK) آن با مجوز انعطاف‌پذیرتر MIT در اختیار عموم است.

برانت تشریح می‌کند: «برای مشتریانی که از سرویس ابری ما استفاده می‌کنند، مدل تجاری مبتنی بر پرداخت بر اساس میزان استنتاج است، نه قفل شدن اجباری در پلتفرم. اگر مشتری تصمیم به ترک سرویس بگیرد، می‌تواند مدل آموزش‌دیده خود را به‌راحتی بارگیری کرده و در هر زیرساخت دیگری مستقر کند؛ این یعنی ما برای حفظ مشتریان باید همواره ارزش‌آفرینی کنیم. علاوه بر این، در حال برنامه‌ریزی برای عرضه نسخه‌ای تجاری هستیم که سازمان‌ها بتوانند آن را به‌طور کامل در زیرساخت‌های بومی خود اجرا کنند.»

این استارتاپ از ده‌ها هزار بار دانلود SDK و استقبال فعال شرکت‌های خدمات مالی و حقوقی خبر داده و به کاربردهای نوظهور در حوزه‌های سلامت و امنیت سایبری اشاره می‌کند؛ با این حال، هنوز اطلاعاتی درباره میزان درآمد یا تعداد دقیق مشتریان پولی منتشر نکرده است. برانت می‌گوید: «شمار دانلودها نشانه امیدوارکننده‌ای از میزان توجه بازار است، اما نشان نمی‌دهد شرکت‌ها واقعاً تا چه اندازه از این فناوری بهره می‌برند. ما هم‌اکنون مشتریانی داریم که برای استنتاج روی مدل‌های اختصاصی هزینه پرداخت می‌کنند؛ اما آزمون معنادارتر این خواهد بود که آیا این مشتریان در گذر زمان به استفاده از پلتفرم ادامه می‌دهند و آن را به سایر جریان‌های کاری خود نیز گسترش خواهند داد یا خیر.»

شرط‌بندی بزرگ‌تر Overmind بر این باور استوار است که سازمان‌ها در آینده برای مدل‌های آموزش‌دیده بر اساس دانش بومی خود، ارزشی به مراتب بیشتر از سرویس‌های هوشمندی قائل خواهند شد که هر کسی می‌تواند از چند غول فناوری اجاره کند. اگر پیش‌بینی ادواردز و برانت درست از آب درآید، کسب‌وکارها در آینده قادر خواهند بود ارائه‌دهندگان سرویس هوش مصنوعی خود را آزادانه تغییر دهند، بدون آنکه آموزه‌ها و تجربیاتی را که سال‌ها به مدل‌های خود آموخته‌اند، از دست بدهند.