تصور کنید به جای اجاره کردن یک آپارتمان لوکس از یک موجر سختگیر، مالک کل ساختمان و زمین آن باشید. این دقیقاً همان تغییری است که Prime Intellect در مدل مالکیت هوش مصنوعی ایجاد میکند تا شرکتها دیگر برای دسترسی به تخصصهای پیشرفته، محتاج OpenAI یا Anthropic نباشند.
به گزارش TechCrunch در ۸ ژوئیه ۲۰۲۶، این استارتاپ موفق شد ۱۳۰ میلیون دلار در مرحله Series A جذب کند تا ارزش بازارش به ۱ میلیارد دلار برسد. هدف این شرکت ارائه یک زیرساخت «full-stack» است تا سازمانها بتوانند سیستمهای عاملمحور (Agentic) — یعنی مدلهایی که میتوانند بهطور مستقل برنامهریزی کنند و ابزارها را به کار بگیرند — را بدون تکیه بر مدلهای بسته آموزش دهند. این رویکرد مکمل تلاشهای دیگر استارتاپها برای تعریف هویت سازمانی این سیستمهاست، همانطور که استراتژی NewCore برای شناسنامهدار کردن عاملهای هوش مصنوعی نشان میدهد که چگونه این عاملها را در ساختارهای شرکتی ادغام میکند.
زمینه و تغییرات صنعت
همانطور که در تحلیل قبلی ما دربارهی آموزش مدلهای MoE با پارامترهای تریلیونی روی ۲۸ گره H200 اشاره کردیم، Prime Intellect روی دمکراتیک کردن قابلیتهای سطح elite تمرکز کرده است. سالها بود که مانع اصلی برای آموزش مدلهای با کارایی بالا، پیچیدگی شدید زیرساختها بود. این شرکت اکنون تلاش میکند تا این موانع را از بین ببرد.
این چرخش راهبردی توسط تکنیکهای یادگیری تقویتی (Reinforcement Learning) — شبیه به آموزش یک حیوان خانگی که با پاداش دادن به رفتارهای درست و جریمه کردن اشتباهات، یاد میگیرد چه کاری را انجام دهد — ممکن شده است. این متدها به شرکتها اجازه میدهند تا خودشان به یک آزمایشگاه هوش مصنوعی تبدیل شوند؛ آنها میتوانند بهطور تکرارپذیر برای اتمام موفقیتآمیز وظایف پاداش داده و برای خطاها جریمه تعیین کنند تا مدلها را برای عملکردهای خاص تجاری صیقل دهند. با این حال، در حالی که دور زدن آزمایشگاههای بسته اکنون ممکن است، اکثر شرکتها هنوز فاقد تخصص لازم برای سرهم کردن این قطعات پیچیده در محیطهای عملیاتی و آماده تولید هستند. برای مثال، در حوزههای حساس، صرفاً آموزش مدل کافی نیست و نیاز به روشهایی برای حذف توهمات مدلهای زبانی با تکیه بر تایید رسمی است تا دقت خروجیها تضمین شود.
این دور سرمایهگذاری به رهبری Radical Ventures انجام شد و نامهای بزرگی چون Nvidia Ventures، Intel Capital و Dell Technologies Capital در آن حضور داشت. همچنین شرکتهای Iconiq و لیست بلندی از سرمایهگذاران فرشته در این راند مشارکت کردند. از میان حامیان برجسته میتوان به Aravind Srinivas (بنیانگذار Perplexity)، Aaron Levie (مدیر Box)، وینستون واینبرگ (Harvey)، جف وانگ (Cognition) و برندان فودی (Mercor) اشاره کرد.
جزئیات پلتفرم
پلتفرم Prime Intellect از یک بازار ماژولار تشکیل شده است که شامل موارد زیر است:
- دسترسی مستقیم به توان محاسبات (Compute)
- چارچوب یادگیری تقویتی برای پاداشدهی به موفقیتها و جریمه کردن خطاها بهصورت تکرارپذیر
- ابزارهای ارزیابی تخصصی (Specialized Evaluation Tools)
این مدل ماژولار باعث میشود مشتریان در یک سیستم «همه یا هیچ» گیر نکند. بر اساس گفتههای دیوید کاتز، شریک Radical Ventures، این شرکت منحصربهفرد است زیرا مانند یک «مرکز خدمات یکجا» (one-stop shop) برای توسعه عمل میکند. او بیان کرد که شرکت این ابزارها را بهگونهای به هم متصل کرده است که آنها در «لبه تکنولوژی» و به شکلی «مقرونبهصرفه» فعالیت میکنند.
این ابزارها به شرکتها اجازه میدهد مدلها را برای وظایف تجاری خاص بهینه کنند. به عنوان مثال، شرکت Ramp از این پلتفرم برای ساخت یک عامل اکسل (Spreadsheet Agent) استفاده کرد تا پاسخهای مورد نیاز خود را از داخل صفحات گسترده پیدا کند. به نقل از Karim Atiyeh، مدیرعامل مشترک Ramp، نتیجه حاصل شده در دقت از مدلهای پیشرو (Frontier Models) پیشی گرفت، در حالی که با سرعت بیشتر و تنها با بخشی از هزینه آنها اجرا میشد. شرکتهای دیگری مثل Zapier و Flapping Airplanes نیز اکنون از نسخههای میزبانی شده این ابزارها استفاده میکنند.
این پذیرش سریع باعث شد شرکتی که در سال ۲۰۲۴ تاسیس شد، به نرخ درآمد سالانه ۱۰۰ میلیون دلار برسد. دلیل اصلی این رشد، ترس فزاینده شرکتها از نشت داده (Data Leakage) — یعنی نفوذ اطلاعات محرمانه به حافظه مدلهای عمومی — و وابستگی پلتفرمی است. بسیاری از سازمانها از ارائه دادههای اختصاصی خود به OpenAI یا Anthropic واهمه دارند؛ بهویژه پس از توقف ناگهانی مدل Fable شرکت Anthropic در ماه گذشته، این نگرانیها شدت گرفت.
کاتز به ریسک همکاری با شرکتهایی اشاره کرد که ممکن است سعی کنند «من را جایگزین کنند و آنچه را که من انجام میدهم تعمیم دهند»، و همین موضوع میل سازمانها به مالکیت هوش مصنوعی خود را تقویت میکند. Prime Intellect با ارائه یک «مرکز خدمات یکجا»، در واقع نقش آزمایشگاههای تحقیقاتی هوش مصنوعی را به یک کالای تجاری تبدیل (Commoditizing) میکند. وینسنت وایسر، مدیرعامل Prime Intellect، استدلال میکند که قدرت آموزش مدلها نباید در دست چند «عشقِ تکنولوژی در برجهای شیشهای سانفرانسیسکو» باشد، بلکه باید در دسترس هر سازمان و هر دولت (Nation-state) باشد.
این تغییر نشان میدهد که عصر بعدی هوش مصنوعی نه توسط چند مدل غولآسای همهکاره، بلکه توسط هوشهای خصوصی و تخصصی تعریف خواهد شد. همانطور که شرکتها حاکمیت دادهها (Data Sovereignty) را در اولویت قرار میدهند، ارزش زنجیره تامین از «وزنهای مدل» به «زیرساختهایی که آنها را آموزش میدهند» منتقل میشود.
باید منتظر ماند و دید آیا سایر تامینکنندگان «full-stack» محاسباتی نیز سعی میکنند ابزارهای یادگیری تقویتی را برای رقابت با این مدل آزمایشگاه غیرمتمرکز، در بستههای خود بگنجانند یا خیر.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا ریسک وابستگی به APIهای بسته در استراتژی بلندمدت شما وجود دارد یا خیر.
- درباره تفاوت هزینههای استنتاج در مدلهای تخصصی در برابر مدلهای General-purpose تحقیق کنید.
- چشم به این موضوع داشته باشید که آیا تامینکنندگان دیگر محاسباتی نیز ابزارهای یادگیری تقویتی را به بستههای خود اضافه میکنند یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک لایه فیزیکی این پردازشها، به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو