هزینه استفاده از هوش مصنوعی هر فصل ۴۷ درصد کاهش می‌یابد

به گزارش خبرگزاری آنا؛ ارزان‌تر شدن مدل‌های هوش مصنوعی معمولاً با کاهش قیمت هر یک میلیون توکن توضیح داده می‌شود، اما پژوهش تازه Epoch AI سراغ معیار متفاوتی رفته که برای استفاده واقعی از مدل‌ها معنای بیشتری دارد. پژوهشگران به‌جای اینکه فقط بپرسند هر توکن چقدر ارزان‌تر شده، بررسی کرده‌اند رسیدن به یک سطح ثابت از عملکرد در طول زمان چقدر هزینه داشته است؛ یعنی اگر یک مسئله با دشواری مشخص وجود داشته باشد و مدل امروز و مدل ۳ سال قبل هر دو موظف باشند آن را با تقریباً یک سطح از دقت حل کنند، برای رسیدن به همان نتیجه چقدر پول لازم است. بررسی چند بنچمارک علمی، ریاضی و حل مسئله نشان داده هزینه رسیدن به یک سطح ثابت از توانایی از سال ۲۰۲۳ تاکنون به‌طور متوسط در هر فصل ۴۷ درصد کاهش یافته است. چون این افت به‌صورت مرکب ادامه پیدا می‌کند، هزینه پس از یک سال به حدود یک‌سیزدهم می‌رسد؛ یعنی کاری که در آغاز سال ۱۳ دلار هزینه داشت، با ادامه همین نرخ در پایان سال تقریباً با یک دلار قابل انجام می‌شود.

این روش تفاوت مهمی با مقایسه ساده تعرفه مدل‌ها دارد. ممکن است مدل A هر یک میلیون توکن را ارزان‌تر از مدل B بفروشد، اما برای حل یک مسئله پیچیده چند برابر بیشتر فکر کند، متن تولید کند یا مراحل بیشتری را طی کند و در نهایت هزینه کل آن بالاتر تمام شود. پژوهش به همین دلیل نه قیمت روی برچسب مدل، بلکه هزینه واقعی رسیدن به نتیجه را اندازه گرفته و در هر مقطع زمانی ارزان‌ترین راه موجود برای دستیابی به یک سطح مشخص از دقت را پیدا کرده است. به بیان دیگر، سؤال اصلی این نیست که «کدام مدل ارزان‌تر است»، بلکه این است که «ارزان‌ترین راه برای خرید مقدار مشخصی از توان حل مسئله چقدر هزینه دارد». همین تغییر زاویه باعث شده سرعت کاهش هزینه هوش مصنوعی بسیار شدیدتر از چیزی به نظر برسد که صرفاً از جدول قیمت API‌ها دیده می‌شود.

از ۶۰ دلار به حدود ۸ سنت در کمتر از ۱۸ ماه

آزمون GPQA Diamond یکی از واضح‌ترین نمونه‌های این سقوط هزینه را ارائه می‌کند. این بنچمارک از پرسش‌های دشوار علمی در حوزه‌هایی مانند فیزیک، شیمی و زیست‌شناسی تشکیل شده و برای سنجش توان استدلال مدل‌ها در مسائلی استفاده می‌شود که پاسخ دادن به آن‌ها صرفاً با بازیابی یک واقعیت ساده ممکن نیست. Epoch AI یک سطح مشخص از عملکرد در این آزمون را ثابت نگه داشته و سپس محاسبه کرده ارزان‌ترین مدل موجود در هر مقطع برای رسیدن به آن سطح چه هزینه‌ای داشته است.

اوپن‌ای‌آی در بهمن ۱۴۰۳ مدل استدلالی o۳ را عرضه کرد. برآورد گزارش حاکی از آن است که o۳ برای رسیدن به سطح عملکرد مورد بررسی در GPQA Diamond به‌طور متوسط برای هر سؤال حدود ۳۰ سنت هزینه ایجاد می‌کرد. کمتر از ۱۸ ماه بعد، GPT-۵.۶ لونا همان سطح عملکرد را با هزینه حدود ۰.۰۰۰۴ دلار برای هر سؤال به دست آورده است. اگر این اعداد برای کل مجموعه ۱۹۸ سؤالی در نظر گرفته شوند، هزینه تقریبی از حدود ۶۰ دلار به نزدیک ۸ سنت می‌رسد؛ یعنی همان سطح از حل مسئله تقریباً ۷۵۰ برابر ارزان‌تر شده است. محاسبه دقیق خود پژوهش با روش و اعداد کامل‌تر، کاهش ۷۲۵ برابری را گزارش می‌کند.

ابعاد این تغییر با یک مثال ساده ملموس‌تر می‌شود. اگر کالایی ۵۰ هزار دلار قیمت داشته باشد و همان کاهش ۷۲۵ برابری را تجربه کند، قیمت آن به حدود ۶۹ دلار می‌رسد. نکته اصلی نیز همین است که GPT-۵.۶ لونا لزوماً در همه ابعاد ۷۲۵ برابر بهتر از o۳ نیست؛ بلکه مقدار مشخصی از توانایی که کمتر از ۱۸ ماه قبل گران بود، اکنون با کسری بسیار کوچک از همان هزینه خریداری می‌شود. پیشرفت هوش مصنوعی بنابراین ۲ مسیر هم‌زمان دارد؛ مرز توانایی مدل‌های پیشرفته جلوتر می‌رود و در پشت سر آن، قابلیت‌هایی که قبلاً گران و کمیاب بودند به‌سرعت به مدل‌های ارزان‌تر منتقل می‌شوند.

هیچ فناوری تحول‌آفرین دیگری با این سرعت ارزان نشده است

مقایسه تاریخی Epoch AI بخش مهم‌تر گزارش را تشکیل می‌دهد. پژوهشگران سرعت کاهش هزینه هوش مصنوعی را با فناوری‌هایی مقایسه کرده‌اند که هرکدام در دوره خود صنایع بزرگی را متحول کرده‌اند. بر مبنای این تحلیل، هزینه دستیابی به یک سطح ثابت از عملکرد هوش مصنوعی حدود ۴ برابر سریع‌تر از توالی‌یابی DNA، ۶ برابر سریع‌تر از توان محاسباتی سخت‌افزار، ۱۸ برابر سریع‌تر از باتری‌های لیتیوم‌یونی و ۵۴ برابر سریع‌تر از برق کاهش یافته است. این مقایسه به قیمت یک محصول مشخص اشاره ندارد، بلکه سرعت تغییر هزینه هر فناوری را در دوره‌ای که به‌طور جدی در حال پیشرفت بوده، کنار یکدیگر قرار می‌دهد.

تفاوت وقتی ملموس‌تر می‌شود که نرخ سالانه آن‌ها کنار هم قرار گیرد. هزینه رسیدن به توان ثابت در هوش مصنوعی تقریباً ۱۳ برابر در سال کاهش یافته، در حالی که نرخ متناظر برای توالی‌یابی DNA حدود ۱.۸۴ برابر، برای توان محاسباتی حدود ۱.۵۱ برابر، برای باتری لیتیوم‌یونی حدود ۱.۱۶ برابر و برای برق حدود ۱.۰۵ برابر در سال بوده است. به بیان ساده، کاهش هزینه‌ای که در بعضی فناوری‌های قدیمی‌تر ممکن بود سال‌ها یا حتی چند دهه طول بکشد، در بازار مدل‌های هوش مصنوعی می‌تواند ظرف چند فصل اتفاق بیفتد. پژوهشگران با مقایسه این نرخ‌ها در مقیاس لگاریتمی به همان اختلاف ۴، ۶، ۱۸ و ۵۴ برابری رسیده‌اند.

البته دوره‌های زمانی این فناوری‌ها یکسان نیستند و همین موضوع باید هنگام تفسیر نتایج در نظر گرفته شود. داده‌های برق بخش بزرگی از یک قرن، باتری‌های لیتیوم‌یونی چند دهه و توالی‌یابی DNA بیش از ۲ دهه را پوشش می‌دهند، در حالی که داده اصلی هوش مصنوعی تقریباً به ۳ سال اخیر محدود است؛ بنابراین این گزارش ثابت نمی‌کند هزینه هوش مصنوعی برای چند دهه آینده نیز با همین سرعت پایین خواهد آمد. ادعای دقیق‌تر این است که در بازه‌ای که تاکنون داده کافی از مدل‌های جدید وجود داشته، کاهش هزینه رسیدن به یک سطح ثابت از توانایی با سرعتی اتفاق افتاده که نمونه مشابهی در مجموعه فناوری‌های مقایسه‌شده دیده نشده است.

توانایی‌های تازه در ابتدا با سرعت بیشتری ارزان می‌شوند

میانگین ۴۷ درصدی تمام داستان نیست. بررسی Epoch AI حاکی از آن است که وقتی یک سطح تازه از توانایی برای نخستین بار در پیشرفته‌ترین مدل‌های بازار ظاهر می‌شود، هزینه دسترسی به آن در ماه‌ها و فصل‌های بعد حتی سریع‌تر سقوط می‌کند. میانگین ۵ بنچمارک اصلی نشان داده هزینه عملکردی که تازه به مرز بهترین توان موجود رسیده، در ابتدا حدود ۶۶ درصد در هر فصل کاهش پیدا می‌کند؛ نرخی که در صورت ادامه برای یک سال معادل حدود ۷۵ برابر ارزان‌تر شدن است. با گذشت ۲ سال، سرعت کاهش همان سطح از توانایی به حدود ۳۲ درصد در هر فصل می‌رسد که با وجود کندتر شدن، هنوز معادل حدود ۴.۷ برابر کاهش هزینه در سال است.

یکی از توضیح‌های احتمالی به الگوی رقابت در بازار هوش مصنوعی برمی‌گردد. زمانی که تنها یک یا ۲ مدل می‌توانند مسئله‌ای بسیار دشوار را حل کنند، آن توانایی کمیاب است و هزینه بالایی دارد. چند ماه بعد مدل‌های رقیب به همان سطح می‌رسند، مدل‌های کوچک‌تر بهینه می‌شوند، هزینه اجرای سخت‌افزار کاهش پیدا می‌کند و شرکت‌ها برای جذب توسعه‌دهندگان قیمت‌ها را پایین می‌آورند. در نتیجه قابلیتی که امروز فقط در گران‌ترین مدل بازار وجود دارد، ممکن است یک سال بعد در مدلی ارزان و مناسب استفاده انبوه دیده شود. گزارش این سازوکار را یکی از توضیح‌های محتمل می‌داند، اما تأکید می‌کند که داده‌ها به‌تنهایی علت دقیق این روند را اثبات نمی‌کنند.

کاهش ۴۷ درصدی دقیقاً به چه معناست

عدد ۴۷ درصد نباید به این معنا برداشت شود که قیمت اشتراک چت‌جی‌پی‌تی یا تعرفه تک‌تک مدل‌های هوش مصنوعی هر ۳ ماه تقریباً نصف می‌شود. ممکن است یک مدل قدیمی برای مدت طولانی همان تعرفه قبلی را حفظ کند. آنچه کاهش پیدا می‌کند کمترین هزینه موجود در بازار برای رسیدن به یک سطح مشخص از عملکرد است. اگر امروز مدلی برای انجام یک کار یک دلار هزینه داشته باشد و ۶ ماه بعد مدل جدیدی همان کار را با ۳۰ سنت انجام دهد، حتی اگر قیمت مدل قدیمی تغییر نکرده باشد، هزینه واقعی خرید آن سطح از توانایی در بازار پایین آمده است.

این تفاوت از نظر اقتصادی اهمیت زیادی دارد، زیرا تعیین می‌کند چه استفاده‌هایی از هوش مصنوعی عملی می‌شوند. فرض شود یک شرکت می‌خواهد برای هر یک میلیون سند یک فرایند چندمرحله‌ای هوش مصنوعی اجرا کند. اگر هر بار اجرای مدل یک دلار هزینه داشته باشد، کل پروژه یک میلیون دلار هزینه خواهد داشت و شاید اصلاً توجیه اقتصادی نداشته باشد. اگر همان کیفیت خروجی چند نسل بعد با ۵ سنت قابل دستیابی باشد، هزینه همان پروژه به ۵۰ هزار دلار می‌رسد و ناگهان استفاده از آن در مقیاس وسیع امکان‌پذیر می‌شود. همین منطق درباره ایجنت‌هایی که بار‌ها ابزار اجرا می‌کنند، سامانه‌های پشتیبانی مشتری، تحلیل اسناد حقوقی، تولید نرم‌افزار یا پردازش مداوم داده نیز صدق می‌کند.

به همین دلیل اثر ارزان‌شدن هوش مصنوعی فقط به کاهش صورتحساب API محدود نمی‌شود. هر بار که هزینه یک سطح از توانایی چند برابر پایین می‌آید، دسته‌ای از کاربرد‌ها که پیش‌تر از نظر مالی غیرمنطقی بودند وارد محدوده عملی می‌شوند. قابلیت پیشرفته‌ای که ابتدا شاید فقط برای چند صد درخواست مهم استفاده شود، پس از کاهش هزینه می‌تواند روی میلیون‌ها درخواست عادی اجرا شود. این تغییر مقیاس می‌تواند اثر اقتصادی بسیار بزرگ‌تری از چند درصد بهبود در دقت یک مدل داشته باشد.

رقابت می‌تواند عمر برتری مدل‌ها را کوتاه کند

سقوط سریع هزینه همچنین توضیح می‌دهد چرا برتری اقتصادی یک مدل ممکن است بسیار کوتاه‌مدت باشد. شرکتی که امروز به توانایی تازه‌ای دست پیدا می‌کند شاید بتواند برای مدتی آن را با قیمت بالا عرضه کند، اما داده‌های گزارش حاکی از آن است که رقبا و نسل‌های بعدی به‌سرعت همان سطح را با هزینه پایین‌تر ارائه می‌کنند. در چنین بازاری، مزیت فقط رسیدن به یک قابلیت تازه نیست؛ حفظ فاصله با رقبا اهمیت بیشتری پیدا می‌کند، زیرا خود قابلیت قبلی با سرعت زیادی به کالایی ارزان‌تر تبدیل می‌شود.

پژوهشگران نیز به همین نکته اشاره می‌کنند و می‌نویسند سود بالاتر از معمول برای ارائه یک سطح مشخص از توان مدل‌های زبانی ممکن است دوام زیادی نداشته باشد. این روند هم می‌تواند نتیجه رقابت شدید میان شرکت‌ها باشد و هم خود رقابت را تشدید کند؛ زیرا شرکت‌ها می‌دانند مدلی که امروز در مرز فناوری قرار دارد احتمالاً مدت زیادی نمی‌تواند همان مزیت قیمتی را حفظ کند.

اما «قیمت فکر کردن» معیار بی‌نقصی نیست

خود گزارش چند محدودیت مهم را مطرح می‌کند. بنچمارک‌ها الزاماً معادل کار واقعی نیستند و شرکتی ممکن است مدل خود را به‌گونه‌ای آموزش دهد که در یک آزمون شناخته‌شده عملکرد بسیار خوبی داشته باشد، بدون اینکه همان میزان پیشرفت در تمام استفاده‌های روزمره دیده شود. داده‌ها همچنین فرض می‌کنند در هر زمان ارزان‌ترین مدل موجود برای انجام یک کار انتخاب می‌شود، در حالی که یک شرکت واقعی ممکن است به‌دلیل سازگاری نرم‌افزار، قرارداد، امنیت یا هزینه مهاجرت ماه‌ها و سال‌ها از همان مدل قبلی استفاده کند و تمام کاهش هزینه موجود در بازار را به دست نیاورد. بازه ۳ ساله داده‌ها نیز برای نتیجه‌گیری درباره روند‌های چندده‌ساله کوتاه است.

مقایسه هوش مصنوعی با برق و باتری نیز کاملاً هم‌جنس نیست. یک کیلووات‌ساعت برق واحد نسبتاً ثابتی است و می‌توان قیمت آن را در طول چند دهه مستقیم‌تر مقایسه کرد، اما چیزی که گزارش «قیمت فکر کردن» می‌نامد دائماً در حال تغییر است. مدل‌های جدید فقط متن تولید نمی‌کنند و مجموعه‌ای از استدلال، برنامه‌نویسی، تحلیل تصویر، استفاده از ابزار‌ها و انجام کار‌های چندمرحله‌ای را ارائه می‌دهند. خود پژوهش نیز تأکید می‌کند این عبارت یک چارچوب برای اندازه‌گیری هزینه توانایی‌های هوش مصنوعی است و نباید مانند قیمت یک کالای کاملاً ثابت تفسیر شود.

با وجود این محدودیت‌ها، پیام اصلی داده‌ها روشن است. تحول هوش مصنوعی فقط مسابقه‌ای برای ساخت مدل‌هایی با توان بیشتر نیست؛ توانایی‌هایی که دیروز کمیاب و گران بودند هم‌زمان با سرعت بسیار زیادی ارزان می‌شوند. کاهش هزینه یک سطح از استدلال علمی از حدود ۶۰ دلار به نزدیک ۸ سنت در کمتر از ۱۸ ماه نمونه‌ای فشرده از همین اتفاق است. اگر حتی بخشی از این روند ادامه پیدا کند، اثر نسل‌های بعدی هوش مصنوعی شاید فقط از هوشمندتر شدن آن‌ها ناشی نشود، بلکه از این واقعیت بیاید که مقدار زیادی از همان هوش با هزینه‌ای آن‌قدر پایین در دسترس قرار گیرد که استفاده از آن در مقیاسی که امروز اقتصادی نیست، عادی شود.