قمار ۵۰۰ میلیون دلاری جف بزوس برای جایگزینی مدل‌های زبانی با نورون‌های زیستی

اگر امروز بودجه‌ی مراکز داده‌های خود را مدیریت می‌کنید، می‌دانید که برق و داده، بزرگ‌ترین دشمنان شما هستند. تصور کنید هوش مصنوعی به جای مصرف گیگاواتی برق، با توان ۲۰ وات — یعنی همان مقدار انرژی مغز انسان — کار کند.

جف بزوس روی این ایده ۵۰۰ میلیون دلار شرط‌بندی کرده است. او باور دارد راهکار نهایی، خرید تعداد بیشتری GPU نیست، بلکه بازگشت به سراغ نورون‌های واقعی است. طبق گزارش‌های منتشر شده، استارتاپ Flourish به دنبال جایگزینی معماری‌های ناکارآمد فعلی با سیستمی به نام Cortex AI است.

بیشتر مدل‌های فعلی، مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — هستند که برای یادگیری به حجم عظیمی از داده نیاز دارند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی هزینه‌های استنتاج در مدل‌های عظیم اشاره کردیم، مصرف انرژی در این سیستم‌ها به شدت بالا است. برای مثال، یک تراشه هوش مصنوعی امروز بیش از ۳۰ برابر مغز انسان برق مصرف می‌کند.

این شرکت از مه ۲۰۲۶ فعالیت خود را در ساختمانی ۱۰ طبقه در نیویورک آغاز کرد. راب ویلیامز (مدیر سابق آمازون) و توماس رادون (عصب‌شناس)، هدایت این تیم را بر عهده دارند. آن‌ها برای یافتن «الگوریتم مرکزی» هوش، از یک روش ترکیبی استفاده می‌کنند:

• آزمایشات آزمایشگاهی با میکروسکوپ‌های الکترونی برای نقشه‌برداری از ستون‌های قشر مغز.
• مدل‌سازی محاسباتی برای تبدیل مدارهای زیستی به سیلیکون.
• پژوهش روی هیپوکامپ برای ساخت سیستم‌های حافظه‌ای که بدون داده‌های حجیم یاد می‌گیرند.

به نقل از مقاله‌ای که جاشوا ووگلشتاین (بنیان‌گذار شرکت) نوشته است، شبکه عصبی (Neural Network) — شبیه نقشهٔ مترویی که سیگنال‌ها را از ورودی به جواب می‌رساند — در یک مگس میوه، ۱۰ برابر بهینه‌تر از یک ترانسفورمر استاندارد عمل می‌کند. حضور افرادی مثل گرگ وین (پژوهشگر DeepMind) در تیم Flourish، نشان از جدیت این رویکرد دارد.

این یک ریسک بزرگ بر سر یک پارادایم جدید است. اگر این راهبرد موفق شود، دوران «قدرت خام» — یعنی ردیف کردن هزاران تراشه برای تغذیه یک مدل — به پایان می‌رسد. برای کسب‌وکارها، این یعنی داشتن هوش مصنوعی روی یک گوشی هوشمند که در لحظه یاد می‌گیرد، نه سیستمی که به یک مرکز داده عظیم وابسته باشد.

گام بعدی شما

• اخبار مربوط به ادغام مدل‌های حافظهٔ الهام‌گرفته از هیپوکامپ در تراشه‌ها را دنبال کنید.
• تفاوت بین محاسبات مبتنی بر ترانسفورمر و مدل‌های زیست‌شناختی را در مقالات تخصصی بررسی کنید.
• اثر کاهش هزینه استنتاج بر استراتژی سخت‌افزاری شرکت خود را پیش‌بینی کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.