ماذا حدث
تتبنى الشركات الناشئة لتطبيقات الذكاء الاصطناعي بشكل متزايد نماذج مفتوحة الوزن للتخفيف من ارتفاع تكاليف واجهة برمجة التطبيقات (API) من OpenAI وAnthropic. شهدت شركة Harvey، وهي شركة قانونية تعمل بالذكاء الاصطناعي، انخفاض هامش الربح الإجمالي إلى -50% في يونيو بسبب الاستخدام العالي لـ OpenAI's GPT-4. ردًا على ذلك، أصدر هارفي نموذجًا مملوكًا ذاتيًا مدعومًا بـ Kimi K3 من Moonshot AI، والذي أعاد الهوامش الإيجابية. وتعمل شركات أخرى، بما في ذلك Abridge، وDecagon، وRamp، أيضًا على تطوير أو تخصيص نماذجها الخاصة، حيث يقوم بعضها بترحيل ما يصل إلى 80% من حركة المرور إلى الأنظمة المملوكة ذاتيًا. هذا التحول مدفوع باستراتيجيات التسعير القوية من موفري النماذج وتحسين أداء البدائل مفتوحة المصدر.
شهدت شركة Harvey، وهي شركة ناشئة قانونية تعمل في مجال الذكاء الاصطناعي بقيمة 15.6 مليار دولار، انخفاضًا كبيرًا في هامش الربح الإجمالي من 50% إلى -50% في يونيو بسبب ارتفاع تكاليف واجهة برمجة التطبيقات (API) من GPT-4 من GPT-4. ولمعالجة هذه المشكلة، أصدرت Harvey نموذجًا مملوكًا ذاتيًا في أغسطس، مدعومًا بـ Kimi K3 من Moonshot AI، والذي يقدم أداءً قريبًا من أفضل منتجات Anthropic بجزء بسيط من التكلفة، مما يستعيد الهوامش الإيجابية.
وينتشر هذا الاتجاه عبر صناعات متعددة. تقوم Abridge ببناء نموذج أساسي للسيناريوهات السريرية باستخدام نموذج NVIDIA مفتوح المصدر، بينما تقوم Decagon بمعالجة 80% من طلبات الاستعلام الخاصة بها باستخدام نموذجها المملوك ذاتيًا. في مجال التكنولوجيا المالية، يستكشف Ramp وRogo التدريب الذاتي، وفي أدوات البرمجة، أصدرت Cursor وCognition نماذج مخصصة.
تحولت OpenAI وAnthropic إلى فرض رسوم إضافية على مستخدمي المؤسسات مقابل استخدام النموذج، مما يعاقب أنماط "تعظيم الرمز المميز" ذات الحجم الكبير. بالإضافة إلى ذلك، تقوم الشركتان بتوظيف المواهب في المسارات الأساسية لبدء التشغيل وإطلاق مكونات إضافية خاصة بالصناعة، مما يخلق منافسة مباشرة مع عملائهما. إن خطر تعليق الوصول، كما رأينا مع Cursor بعد استحواذ SpaceX عليها، يحفز الشركات الناشئة على السعي للحصول على استقلال النموذج.
على الرغم من هذا التحول، لا تتوقع معظم الشركات الناشئة التخلي بشكل كامل عن OpenAI وAnthropic. لا يزال هارفي يعتمد على Anthropic Opus في المهام المعقدة، مما يشير إلى استراتيجية الاستخدام المختلط. لا تزال هناك تحديات، بما في ذلك ارتفاع تكاليف المواهب لمهندسي الضبط الدقيق، والحاجة إلى بيانات الملكية، ونفقات البنية التحتية الكبيرة لإدارة النماذج ذات الوزن المفتوح.
لماذا يهم
ويشير هذا الاتجاه إلى تحول هيكلي في ديناميكيات تكلفة صناعة الذكاء الاصطناعي، حيث تسعى شركات طبقة التطبيقات إلى تقليل الاعتماد على واجهات برمجة التطبيقات الخاصة باهظة الثمن. بالنسبة إلى OpenAI وAnthropic، اللتين تستعدان للاكتتابات العامة الأولية، فإن تدفق عملاء المؤسسات إلى النماذج ذات الوزن المفتوح يمكن أن يؤدي إلى تآكل تدفقات إيراداتهم الأساسية. تسلط هذه الخطوة الضوء أيضًا على الجدوى المتزايدة للنماذج مفتوحة المصدر كبديل فعال من حيث التكلفة، مما قد يعيد تشكيل المشهد التنافسي ويجبر مقدمي النماذج على تعديل أسعارهم واستراتيجيات الأعمال للاحتفاظ بعملاء المؤسسات.
يمثل اعتماد نماذج الوزن المفتوح من قبل الشركات الناشئة الكبرى في مجال الذكاء الاصطناعي إجراءً كبيرًا لتوفير التكاليف والذي يمكن أن يغير ديناميكيات الإيرادات لشركتي OpenAI وAnthropic، خاصة أثناء استعدادهما للاكتتابات العامة الأولية. قد يجبر هذا التحول مقدمي النماذج على إعادة النظر في استراتيجيات التسعير وعروض المؤسسات الخاصة بهم للحفاظ على ولاء العملاء.
إن تحسين أداء النماذج مفتوحة المصدر، مثل Kimi K3 من Moonshot AI، يجعلها بديلاً قابلاً للتطبيق لواجهات برمجة التطبيقات الخاصة للعديد من حالات الاستخدام. ومن الممكن أن يؤدي هذا التطور إلى تسريع عملية إضفاء الطابع الديمقراطي على قدرات الذكاء الاصطناعي وتقليل العوائق أمام دخول تطبيقات الذكاء الاصطناعي الجديدة، وتعزيز الابتكار في قطاعات مثل القانون والرعاية الصحية والتمويل.
ويسلط هذا الاتجاه الضوء أيضًا على الأهمية المتزايدة للبيانات والبنية التحتية في تطوير الذكاء الاصطناعي. ويتعين على الشركات الناشئة أن تستثمر في البيانات الخاصة وموارد الحوسبة لتدريب النماذج الفعّالة، وهو ما قد يخلق فرصاً جديدة لمقدمي البيانات وشركات البنية التحتية السحابية في حين يفرض تحديات على الشركات الصغيرة ذات الموارد المحدودة.
الآلية التفاعلية: كيف تعمل فعليًا
استكشف التكنولوجيا الأساسية وراء هذا التطور بشكل تفاعلي.
In AI, what are a model's "parameters"?
ماذا تشاهد بعد ذلك
راقب الأداء المالي لـ OpenAI وAnthropic عند اقترابهما من الاكتتابات العامة الأولية الخاصة بهما، لا سيما أي تغييرات في تسعير واجهة برمجة التطبيقات (API) أو استراتيجيات الاحتفاظ بالمؤسسة. تتبع معدلات اعتماد النماذج ذات الوزن المفتوح بين الشركات الناشئة الكبرى لتطبيقات الذكاء الاصطناعي وتطوير نماذج جديدة مملوكة ذاتيًا في قطاعات مثل الرعاية الصحية والتمويل والخدمات القانونية. لاحظ أيضًا تأثير تكاليف المواهب والبنية التحتية على جدوى نماذج التدريب الذاتي للشركات الناشئة الصغيرة.
راقب أي تغييرات في تسعير واجهة برمجة التطبيقات (API) الخاصة بـ OpenAI وAnthropic أو عقود المؤسسة استجابةً للاعتماد المتزايد لنماذج الوزن المفتوح. ستكون قدرتهم على الاحتفاظ بعملاء المؤسسات أمرًا بالغ الأهمية لتقييمات الاكتتاب العام الأولي واستدامتهم على المدى الطويل.
راقب أداء واعتماد النماذج الجديدة المملوكة ذاتيًا من الشركات الناشئة مثل Harvey وAbridge وDecagon. يمكن أن يؤدي النجاح في هذه المجالات إلى التحقق من صحة نهج المصدر المفتوح وتشجيع المزيد من الهجرة بعيدًا عن واجهات برمجة التطبيقات الخاصة.
ملاحظة تأثير تكاليف المواهب والبنية التحتية على جدوى نماذج التدريب الذاتي. وإذا ظلت هذه الحواجز مرتفعة، فقد تستمر الشركات الناشئة الأصغر حجما في الاعتماد على مزيج من النماذج المفتوحة والمغلقة المصدر، في حين قد تلتزم الشركات الأكبر حجما بشكل كامل بالحلول المملوكة ذاتيا.