بروکینگز: شکاف توکنی دسترسی به هوش پیشرفته را لوکس می‌کند

تصور کنید در رقابتی هستید که هرچه سریع‌تر بدوید، خط پایان دورتر می‌شود. این دقیقاً وضعیتی است که اکنون در دسترسی به هوش مصنوعی پیشرفته رخ داده است.

دنیای فناوری در حال گذار از دوران «دسترسی به اینترنت» به دوران «توان مالی برای پردازش» است. در حالی که انقلاب اینترنت بر پهنای باند متمرکز بود، اکنون با پدیده‌ای به نام شکاف توکنی (Token Divide) روبرو هستیم؛ شکافی که بر اساس توانایی پرداخت هزینه‌ی واحدهای محاسباتی تعریف می‌شود که استدلال ماشین را ممکن می‌کنند. این تغییر به این معناست که دسترسی به بالاترین سطح هوش، در حال تبدیل شدن به یک کالای لوکس است. برخلاف شکاف دیجیتال قدیمی که با ارزان شدن پهنای باند به پایان رسید، شکاف توکنی نقطه‌ی پایانی ندارد، زیرا قابلیت‌های هوش مصنوعی مدام در حال گسترش‌اند. کاهش قیمت‌ها به تنهایی نمی‌تواند این فاصله را پر کند، زیرا افزایش میزان مصرف، قیمت‌های ممتاز برای مدل‌های پیشرو و تمرکز روزافزون زیرساخت‌های هوش مصنوعی می‌تواند نابرابری را حتی با کاهش هزینه‌ها گسترش دهد.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اتوماسیون کدنویسی و ابزارهایی مثل Loop Engine اشاره کردیم که چگونه حلقه‌های پیچیده کدنویسی را از طریق زبان Rust خودکار می‌کنند، صنعت از چت‌بات‌های ساده به سمت عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندانی دیجیتال که می‌توانند به‌طور مستقل کارهای پیچیده را مدیریت کنند — حرکت می‌کند. در این اقتصاد جدید، «کنتور» هزینه‌ها هرگز متوقف نمی‌شود و هزینه هوش دیگر یک هزینه سرمایه‌ای یک‌باره نیست، بلکه یک بار عملیاتی تکرارشونده است. اینجاست که یک پرسش بنیادین مطرح می‌شود: آیا دسترسی به مدل‌های دیروز، اصلاً به معنای دسترسی معنادار است؟

مکانیسم عوارضی توکن‌ها

هوش مصنوعی زاینده (Generative AI) — مثل نویسنده‌ای که کلمات را بر اساس احتمال پیش‌بینی می‌کند — ورودی‌ها و خروجی‌ها را از طریق توکن (Token) پردازش می‌کند. توکن‌ها تکه‌های کوچکی از متن هستند — شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد. در متن انگلیسی، هر توکن به‌طور متوسط معادل سه-چهارم یک کلمه است. مدل با شکستن زبان به این توکن‌ها، می‌تواند روابط را به‌صورت ریاضی تحلیل کرده و پاسخ‌های هوشمندانه تولید کند. هر پرامپت و هر گام از استدلال داخلی مدل، مقداری از این واحدها را مصرف می‌کند.

مصرف توکن‌ها ثابت نیست. هرچه پرامپت طولانی‌تر، پاسخ مفصل‌تر و استدلال مدل عمیق‌تر باشد، مصرف توکن و ظرفیت محاسباتی بیشتر می‌شود. این موضوع به‌ویژه در مدل‌های استدلالی (Reasoning Models) — مدل‌هایی که قبل از جواب، یک قدم درنگ می‌کنند و فکر می‌کنند، شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — شدیدتر است، زیرا این مدل‌ها پیش از تولید هر خروجی، محاسبات سنگینی انجام می‌دهند.

به نقل از گزارش‌های صنعتی، صرف‌نظر از اینکه کاربر اشتراک ماهانه ثابت پرداخت کند یا خیر، ارائه‌دهنده برای هر استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی و نه دوره‌ی آموزش آشپز — هزینه‌ای متغیر و اندازه‌گیری شده می‌پردازد. هزینه ثابت اشتراک ممکن است کنتور را از دید مصرف‌کننده پنهان کند، اما هزینه افزایشی هر پرامپت و هر لحظه از تفکر ماشین را از بین نمی‌برد. وقتی کاربران به سقف استفاده می‌رسند، اغلب سرعتشان کم می‌شود (Throttled)، به مدل‌های ضعیف‌تر منتقل می‌شوند یا با هزینه‌های اضافی مواجه می‌شوند. این یک اثر «باج‌گیرانه» یا «عوارضی» ایجاد می‌کند که در آن کیفیت هوش مستقیماً به بودجه کاربر گره خورده است.

اقتصاد مقیاس و هوش

اقتصاد توکن‌ها به‌شدت به نفع سازمان‌های بزرگ است. شرکت‌های بزرگ می‌توانند برای حجم بالا یا تعهدات ظرفیتی، مذاکره کرده و تخفیف بگیرند. آن‌ها همچنین مهندسانی را به خدمت می‌گیرند تا هزینه‌های استنتاج را از طریق روش‌های مسیریابی (Routing) و حافظه پنهان (Caching) کاهش دهند. این یک نابرابری سیستماتیک برای شرکت‌های کوچک ایجاد می‌کند که باید با رقبایی بجنگند که می‌توانند برای هر مشتری، مقدار بیشتری از هوش مصنوعی را به کار بگیرند.

این تفاوت به آموزش نیز سرایت کرده است. دانش‌آموزی که مدرسه یا والدینش توان مالی پرداخت هزینه مدرس‌های خصوصی هوش مصنوعی پیشرفته‌تر را دارند، برتری محسوسی نسبت به دیگران پیدا می‌کنند. حتی اگر صنعت در آینده به سمت مدل‌های پرداخت به ازای هر تکلیف، هر عامل یا هر نتیجه حرکت کند، منطق زیربنایی باقی می‌ماند: هوش باید خریداری شود و کسانی که توان پرداخت بیشتر دارند، ابزار رقابتی برتری خواهند داشت. در این فضای رقابتی، حتی مفاهیمی چون ارزش تلاش انسانی در برابر خروجی‌های ماشینی در حال بازتعریف هستند تا مشخص شود چه چیزی واقعاً «لوکس» محسوب می‌شود.

چرا کاهش قیمت‌ها شکاف را پر نمی‌کند؟

در سال ۲۰۲۵، قیمت استنتاج مدل‌های زبانی بزرگ به‌سرعت اما نابرابر کاهش یافت. طبق گزارش مؤسسه پژوهشی Epoch AI، نرخ کاهش قیمت‌ها در هر توکن بین ۹ تا ۹۰۰ برابر در سال متغیر بود. آزمایشگاه‌های پیشرو آمریکایی مثل OpenAI و Anthropic مدل‌های ارزان‌تری را برای مقابله با مشتریانی که به دلیل هزینه‌ها به سمت رقبای چینی می‌رفتند، عرضه کردند.

به‌طور مشخص در ۳۰ ژوئیه ۲۰۲۴، OpenAI قیمت مدل GPT 5.6 Luna را — که سریع‌ترین و ارزان‌ترین مدل آن برای کارهای حجیم است — ۸۰٪ کاهش داد و آن را از ۶ دلار به ۱.۲۰ دلار به ازای هر میلیون توکن خروجی رساند. روز بعد، آزمایشگاه چینی DeepSeek با قیمت ۲۸ سنت به ازای هر میلیون توکن خروجی، این رقم را باز هم پایین‌تر آورد.

با این حال، گزارش مؤسسه بروکینگز (Brookings Institution) استدلال می‌کند که کاهش قیمت‌ها ممکن است از چهار طریق شکاف را عمیق‌تر کند:

• اثر مصرف (پارادوکس جِوونز): این پارادوکس که نام خود را از اقتصاددان قرن نوزدهم، ویلیام استنلی جِوونز گرفته است، بیان می‌کند وقتی منبعی ارزان شود، مردم بیشتر از آن استفاده می‌کنند. هزینه‌ی پایین‌تر واحدها، تعاملات طولانی‌تر، پیچیده‌تر و فعالیت‌های خودکار بیشتر را دعوت می‌کند و در نهایت هزینه کل را بالا می‌برد.
• اثر پیشرو (Frontier Effect): شکاف یک هدف متحرک است. در حالی که مدل‌های سطح پایین ارزان می‌شوند، مدل‌های پیشرو و قدرتمند قیمت‌های ممتاز خود را حفظ می‌کنند. برای مثال، در ۳۰ ژوئیه، OpenAI قیمت لایه پایین را ۸۰٪ و لایه متوسط را ۲۰٪ کم کرد، اما قیمت مدل پیشرویش بدون تغییر باقی ماند.
• اثر جایگاه نسبی: هوش یک ابزار رقابتی است. اگر یک دانش‌آموز ثروتمند به مدرس هوش مصنوعی نامحدود دسترسی داشته باشد و دیگری در میانه تکلیف به سقف توکن‌هایش برسد، فاصله نتایج آن‌ها بیشتر می‌شود. برخلاف پهنای باند، که سرعت ۱۰۰ مگابیت در یک عمارت لوکس با یک خانه پیش‌ساخته تفاوتی ندارد، هوش مصنوعی «سقف کفایت» ندارد.
• اثر تمرکز: در حالی که قیمت مدل‌ها می‌افتد، زیرساخت‌های زیربنایی — یعنی تراشه‌ها و محاسبات ابری — متمرکزتر می‌شوند. گزارش سال ۲۰۲۵ FTC نشان داد که چگونه شراکت بین ارائه‌دهندگان بزرگ ابر و توسعه‌دهندگان مدل می‌تواند دسترسی رقبای کوچک به توان محاسباتی را محدود کند. این تمرکز سخت‌افزاری در سطح کلان، با سیاست‌های سخت‌گیرانه واشینگتن برای محدود کردن دسترسی چین به تراشه‌های پیشرفته همسو است تا برتری محاسباتی در دستان گروه محدودی باقی بماند.

شکست راهکارهای قدیمی

پر کردن شکاف دیجیتال بر پایه نهادهای مدنی مثل کتابخانه‌ها و مدارس بود. در ابتدا، کتابخانه‌ها دسترسی به اینترنت را فراهم کردند که در زمانی که درخواست‌های شغلی منحصراً آنلاین شدند، حیاتی بود. مدارس اتصال را از آزمایشگاه کامپیوتر به میز هر دانش‌آموز بردند. کنگره آمریکا از طریق ساختار بودجه‌ای FCC به بیمارستان‌های روستایی، مدارس و کاربران کم‌درآمد کمک کرد تا این زیرساخت‌ها ایجاد شود.

اما هوش مصنوعی این منطق را وارونه می‌کند. شکاف دیجیتال یک چالش «هزینه سرمایه‌ای» بود؛ وقتی فیبر نوری لوله‌کشی شد، هزینه هر جست‌وجوی وب تقریباً صفر شد. اما هوش مصنوعی یک چالش «هزینه عملیاتی» است. یک کتابخانه نمی‌تواند صرفاً «دسترسی» به یک مدل پیشرو بدهد، چون هر جلسه کاربر، کنتور هزینه را می‌چرخاند. این تبدیل یک سرمایه‌گذاری یک‌باره را به یک هزینه تکرارشونده و غیرقابل پیش‌بینی برای نهادهای عمومی تبدیل می‌کند.

بیمارستان‌های روستایی اکنون اینترنت را که برایش جنگیده بودند دارند، اما اکنون به هوش نیاز دارند. با افزایش تعداد بیماران و استفاده از AI، کیفیت استنتاج پزشکی ممکن است بسته به بودجه مرکز درمانی متفاوت باشد. این یک هزینه تکرارشونده با اندازه نامشخص ایجاد می‌کند که می‌تواند مانعی برای توانمندسازی شود.

هدف متحرک نمایی

سیاست‌های پهنای باند بر معیارهای «کفایت» استوار بود. FCC تعریف سرعت کافی را از ۲۵ مگابیت در سال ۲۰۱۵ به ۱۰۰ مگابیت در سال ۲۰۲۴ رساند. اما محاسبات هوش مصنوعی در مسیری کاملاً متفاوت است. بین سال‌های ۲۰۱۰ تا ۲۰۲۴، قدرت محاسباتی مورد نیاز برای آموزش مدل‌های پیشرو بیش از ۱۰۰ میلیون برابر رشد کرد و تقریباً هر ۶ ماه دو برابر شد.

در این نرخ نمو، هر معیار ثابتی برای «دسترسی کافی به توکن» بلافاصله منسوخ می‌شود. هر یارانه‌ای که بر اساس یک خط پایه تعریف شود، ریسک نهادینه کردن شکاف را دارد؛ زیرا در حالی که بازار جلو می‌رود، دسترسی کاربران را به هوشِ دیروز محدود می‌کند و در واقع شکاف را کدگذاری می‌کند.

زمینه: تاریخچه دسترسی

برای درک شکاف توکنی باید به تاریخچه شکاف دیجیتال نگاه کرد. این اصطلاح در سال ۱۹۹۵ توسط لری ایروینگ، معاون وقت وزیر بازرگانی برای ارتباطات و اطلاعات در دولت بیل کلینتون، رایج شد. در ابتدا، شکاف بر روی توان مالی خرید کامپیوترها و دسترسی به اینترنت دیال-آپ متمرکز بود. در دهه ۲۰۰۰، تمرکز به سمت پهنای باند پرسرعت تغییر کرد.

پهنای باند در نهایت گسترش یافت چون اپراتورهای شبکه مدل کسب‌وکاری داشتند که افزایش تعداد اتصالات را پاداش می‌داد. وقتی زیرساخت ساخته شد، مصرف می‌توانست در قیمت‌های ماهانه ثابت گنجانده شود. این به مصرف‌کنندگان کم‌درآمد اجازه داد تا از یارانه‌های ثابت کمک بگیرند. اما هوش مصنوعی چنین ساختاری ندارد؛ چون هر استنتاج نیاز به محاسبات اضافی دارد، ارائه‌دهندگان باید هزینه هر پرس‌وجوی جدید را یا جذب کنند، یا محدود کنند و یا به کاربر منتقل کنند.

راهکارهای پیشنهادی برای کاهش اثرات

گزارش بروکینگز برای جلوگیری از ایجاد یک «طبقه زیرینِ فاقد هوش»، تغییرات ساختاری و اندازه‌گیری‌های زیر را پیشنهاد می‌کند:

• استانداردهای کفایت نسبی: به‌جای سرعت ثابت، سیاست‌گذاران باید دسترسی را بر اساس درصدی از قابلیت‌های فعلی مدل‌های پیشرو تعریف کنند. این مانند یک «شاخص هزینه زندگی» برای بازار توکن عمل می‌کند، زیرا تعداد مطلق توکن‌ها تقریباً بلافاصله منسوخ می‌شوند.
• محاسبات عمومی: برای شکستن انحصار شرکت‌های خصوصی، نیاز به محاسبات مورد حمایت دولت است. نمونه‌هایی مانند پروژه NAIRR بنیاد ملی علوم، CalCompute در کالیفرنیا و Empire AI در ایالت نیویورک به این موضوع اشاره دارند.
• گواهینامه ایمنی برای وزن‌های باز: مدل‌های وزن‌های باز (Open Weights) — مدل‌هایی که ساختارشان علناً منتشر شده — دسترسی ارزان‌قیمت فراهم می‌کنند اما نگرانی‌های امنیت ملی (به‌ویژه مدل‌های چینی) را برمی‌انگیزند. یک برنامه استاندارد گواهینامه ایمنی به مدارس و بیمارستان‌ها اجازه می‌دهد تا با اطمینان از این ابزارها استفاده کنند.
• قوانین عدم تبعیض: جلوگیری از دستکاری قیمت‌ها، اولویت‌بندی یا محدودیت‌های استفاده توسط آزمایشگاه‌های پیشرو برای سود رساندن به اپلیکیشن‌های خودشان. این تضمین می‌کند که مالکان زیرساخت‌های کلیدی نتوانند قابلیت‌ها را برای مزیت شخصی محدود کنند. این لزوماً به مقررات «حامل مشترک» نیاز ندارد، اما از تبعیض علیه کاربر جلوگیری می‌کند.
• حمایت نهادی: استفاده از کنسرسیوم‌های خرید دولتی برای دادن اهرم تخفیف‌های حجمی به مدارس و کتابخانه‌ها، مشابه همان چیزی که شرکت‌های بزرگ دارند. این مشابه روشی است که FCC زمانی به مدارس کمک کرد تا اتصالات «آخرین مایل» خود را بسازند تا از ISPهای محلی متکبر دور شوند.
• شفافیت: ایجاد «برچسب تغذیه» برای هوش مصنوعی. تعهد به افشای اطلاعات به کاربر اطلاع دهد که چه زمانی به مدل ضعیف‌تری منتقل شده است و داده‌های شفافی از مصرف توکن ارائه دهد، چیزی که در حال حاضر برای بسیاری از مشترکین در دسترس نیست.

جزئیات: مسیر پیش‌رو

پر کردن شکاف توکنی نیازمند یک سوابق واقعی جدید برای تصمیمات سیاسی است. گزارش بروکینگز مکانیسم‌های زیر را پیشنهاد می‌دهد:

• چارچوب‌های اندازه‌گیری: کنگره باید به نهادهایی مثل مؤسسه ملی استانداردها و فناوری (NIST) یا بنیاد ملی علوم (NSF) اختیار دهد تا معیارهایی فراتر از شمارش ساده توکن، مانند «هزینه به ازای هر تکلیف تکمیل‌شده» یا «قابلیت به ازای هر دلار» توسعه دهند.
• اصلاح ساختار بازار: سیاست‌ها باید به فعالیت‌های یکپارچه شرکت‌های مسلط AI بپردازند. در حالی که رقابت در لایه مدل وجود دارد، لایه‌های میان‌افزار (Middleware)، توزیع و یکپارچه‌سازی اپلیکیشن‌ها همچنان به‌شدت متمرکز هستند.
• اهرم نهادی: تقویت نهادهای محلی برای مقابله با قدرت شرکتی. همان‌طور که FCC زمانی به مدارس اهرم ساخت اتصالات آخرین مایل را داد، قدرت خرید دولتی می‌تواند برای جبران نابرابری‌های تخفیف حجمی استفاده شود.

این موضوع صرفاً بحث قیمت نیست، بلکه بحث ساختار بازار است. وقتی سقف توانایی‌های هوش مصنوعی هر ۶ ماه بالا می‌رود، مفهوم «به اندازه کافی خوب» یک هدف متحرک است که مدام از دسترس کسانی که توان پرداخت هزینه مدل‌های پیشرو را ندارند، دور می‌شود.

گام بعدی شما

• اگر مدیر کسب‌وکار هستید، استراتژی استنتاج خود را از مدل‌های تک‌سرویس به مدل‌های ترکیبی (Routing) تغییر دهید تا هزینه‌ها را بهینه کنید.
• برای کاهش وابستگی به مدل‌های گران‌قیمت، روی استقرار مدل‌های وزن‌های باز در زیرساخت‌های محلی سرمایه‌گذاری کنید.
• در قراردادهای تامین خدمات AI، به‌جای تعداد توکن، بر روی «خروجی‌های موفق» یا «تکالیف تکمیل‌شده» توافق کنید.

اما داستان سخت‌افزاری این نابرابری حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تمرکز تراشه‌های انویدیا در مراکز داده‌های غول‌آسا مراجعه کنید.