اگر امروز یک محصول مبتنی بر هوش مصنوعی میسازید، احتمالاً هر ماه با صورتحسابهای سنگین API مدلهای پیشرو دستوپنجه نرم میکنید. شرکت Base44 تصمیم گرفته است برای رهایی از این هزینهها، مغز متفکر خود را شخصاً طراحی کند.
این پلتفرم متخصص Vibe Coding (کدنویسی بر اساس حس و حال) — یعنی روشی برای ساخت اپلیکیشنهای کامل با استفاده از دستورات زبان طبیعی (Natural Language Prompts) بهجای تایپ دستی کد — در ۳۰ ژوئن ۲۰۲۶ مدل اختصاصی خود به نام Base1 را معرفی کرد. هدف از این اقدام، فاصله گرفتن از مدلهای عمومی و گرانقیمتی است که موتور محرک اکثر استارتآپهای هوش مصنوعی هستند. Base44 در مسیر رشد بسیار سریعی است؛ بهطوری که تنها یک سال پیش، شرکت Wix این مجموعه را به مبلغ ۸۰ میلیون دلار خرید. در زمان این تصاحب، شرکت Base44 بهسختی ۶ ماه قدم داشت و تنها با تیمی متشکل از ۸ نفر فعالیت میکرد.
ساخت یک مدل اختصاصی برای شرکتی که در حوزه هوش مصنوعی کاربردی (Applied AI) فعالیت میکند، یک قمار بزرگ محسوب میشود. اکثر استارتآپها صرفاً به مدلهای پیشرو (Frontier Models) مانند GPT-4 یا Claude متصل میشوند و از آنها استفاده میکنند. با این حال، به نقل از ماور شلومو (Maor Shlomo)، بنیانگذار Base44، مالکیت کل زنجیره تکنولوژی (Full Stack) اجازه میدهد تا بهینهسازیهای حیاتی در زمینه تأخیر (Latency)، هزینه و کارایی صورت بگیرد. او معتقد است مدلهای پیشرو هرچند در حال پیشرفت هستند، اما در قابلیتهای خود همواره بسیار «عام» باقی خواهند ماند.
نقشه راه برای ایجاد قابلیت دفاعی
همانطور که در تحلیل قبلی ما دربارهی مدلهای زبانی کوچک (SLM) اشاره کردیم، تخصصگرایی در مدلها مسیر کاهش هزینهها را هموار میکند. طبق گزارش جاناتان یوزروویسی (Jonathan Userovici)، شریک عمومی در شرکت سرمایهگذاری Headline، استارتآپهای هوش مصنوعی برای بقای بلندمدت به سه رکن اساسی نیاز دارند: توزیع (Distribution)، زیرساخت فنی (Tech Stack) و دادهها. Base44 با عرضه مدل Base1 سعی دارد هر سه مورد را بهطور همزمان پوشش دهد تا یک کسبوکار دفاعپذیرتر ایجاد کند.
جزئیات فنی و استراتژیک مدل Base1 به شرح زیر است:
- منشأ دادهها: مدل Base1 بر اساس مجموعهای از دادهها توسعه یافته و آموزش دیده است که از دهها میلیون تعامل واقعی کاربران در پلتفرم تولید شده است. این مجموعه داده با مقیاسپذیری شرکت، بهطور مداوم رشد خواهد کرد.
- کنترل هزینه: مالکیت مدل باعث میشود شرکت کنترل مستقیمی بر هزینههای محاسباتی (Compute) و استنتاج (Inference) داشته باشد. شلومو اشاره میکند که این رویکرد در نهایت برای مشتریان، سریعتر و ارزانتر از استفاده از مدلهای پیشروی گرانقیمتی مانند Opus خواهد بود. این تلاش برای کاهش هزینهها یادآور رویکردهای مشابه در مدلهای تخصصی دیگر است، مانند مدل Oasis 3 که شبیهسازی رانندگی را با هزینهای بسیار پایین ممکن ساخته است.
- بهبود عملکرد: هدف نهایی، ایجاد مدلی است که بهطور دقیقتر با نتایجی که کاربران Vibe Coding انتظار دارند همراستا باشد و برای نتایجی که شرکت میداند کاربران آنها را میپسندند، بهینهتر شود.
- حاشیه سود: در یک بیانیهی رسمی، شرکت توضیح داد که انتظار میرود این مالکیت زیرساختی در طول زمان منجر به ایجاد یک پروفایل حاشیه سود (Margin Profile) بهطور ساختاری قویتر شود.
جایگاه در بازار و رقابت
این استراتژی، Base44 را در تقابل مستقیم با رقبایی مانند Lovable قرار میدهد. استارتآپ سوئدی Lovable در تابستان گذشته در مرحله Series A به استاتوس «یونیکورن» رسید و اوایل ماه جاری میلادی به درآمد سالانه تکرارپذیر (ARR) ۵۰۰ میلیون دلاری دست یافت، اما با این وجود همچنان به مدلهای زبانی بزرگ (LLM) خارجی وابسته است. شلومو پیشبینی میکند که سایر بازیگران بازار نیز در نهایت مدلهای خود را آموزش خواهند داد، اما این کار تنها برای کسانی ممکن است که به مقیاس و سرعت کافی برای دستیابی به دادههای لازم رسیده باشند.
در حالی که Wix (شرکت مادر) اخیراً تعدیل نیروی ۲۰ درصدی کارکنان خود را اعلام کرد، Base44 رشد خود را حفظ کرده و بهتازگی اعلام کرد که از مرز ۱۰۰ میلیون دلار درآمد سالانه (ARR) عبور کرده است. برای دستیابی به این جایگاه، شلومو روی یک «تلاش مهندسی عظیم» شرط بسته است تا Base44 را به تنها اپلیکیشن Vibe Coding تبدیل کند که بهطور عمودی یکپارچه (Vertically Integrated) است.
اما میدان رقابت در حال تغییر است و آزمایشگاههای پیشرو در حال ورود به فضای Vibe Coding هستند و به قلمرو Base44 نزدیک میشوند. Claude Code بهعنوان یک بازیگر مستقل ظاهر شده است، در حالی که Cursor و xAI (شرکت مادر Grok) اکنون هر دو متعلق به SpaceX هستند. این غولها دارای حلقههای بازخوردی عظیم و دسترسی گستردهای به دادهها هستند که میتواند مزیت مدلهای تخصصی و کوچکتر را خنثی کند.
یوزروویسی هشدار میدهد که مدلهای پیشرو بهراحتی شکست نمیخورند. او به تجربه استارتآپ Harvey در حوزه فناوریهای حقوقی اشاره میکند که در نهایت پس از درک قدرت مطلق هوش مصنوعی عمومی، برنامههای خود برای آموزش مدل اختصاصی را رها کرد. او انتظار ندارد که شرکتهای هوش مصنوعی کاربردی بهطور گسترده به آزمایشگاههای مدل پیشرو تبدیل شوند، اما این حرکت را در بافتار افزایش هزینههای استنتاج قرار میدهد.
محرکهای بخش سازمانی (Enterprise)
برای مشتریان سازمانی، این تغییر رویکرد مستقیماً با مسائل مالی و «کیف پول» در ارتباط است. اگرچه شرکتهای سازمانی هنوز اقلیت کاربران Vibe Coding هستند، اما سهم آنها در درآمد پلتفرم در حال رشد است. کاربران در تمامی ابعاد (کوچک و بزرگ) در حال ابراز نگرانی نسبت به هزینههای استفاده از هوش مصنوعی هستند.
کسبوکارها اکنون خواستار لایههای ارکستراسیون (Orchestration Layers) هستند که بتوانند ارزانترین مدلی را که قادر به انجام یک وظیفه خاص است، انتخاب کنند. آنها لزوماً بازگشت سرمایه (ROI) مناسبی در استفاده از جدیدترین و گرانترین مدلها برای تمامی موارد کاربرد نمیبینند. در نتیجه، یک زیرساخت کامل در حال شکلگیری است تا مدلهای مناسب انتخاب شوند تا هزینهها سرسامآور نشود و در عین حال عملکرد مشابهی حفظ گردد.
تلاش Base44 برای یکپارچگی عمودی، تلاشی برای بقا در برابر این فشار بر حاشیه سود است. آنها امیدوارند با کنترل وزنها (Weights) — که در واقع دستور پخت مدل است — و دادهها و رابط کاربری، خندقی حفر کنند که یک تماس ساده با API نتواند از آن عبور کند.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا برای تمام تسکهای AI شما، واقعاً به مدلهای Frontier نیاز است یا مدلهای تخصصی ارزانتر پاسخگو هستند.
- مدلهای کوچکتر و بهینهشده (SLMs) را برای کاهش Latency در محصولات خود تست کنید.
- استراتژی جمعآوری دادههای تعاملی کاربران (User Interaction Data) را برای آموزش مدلهای داخلی در اولویت قرار دهید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — برای درک بهتر چالشی که Base44 با آن میجنگد، همکاری OpenAI و Broadcom برای ساخت تراشههای استنتاج را بررسی کنید که تلاش میکند وابستگی به سختافزارهای گرانقیمت را کاهش دهد و سپس به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو