تصور کنید یک درگاه واحد، درخواستهای شما را بین ۴۰۰ مدل مختلف از ۸۰ ارائهدهنده توزیع کند. استرایپ (Stripe) اکنون در حال خرید این «مرکز تلفن» اقتصاد هوش مصنوعی است و طبق گزارشها، قراردادی به ارزش تقریبی ۷.۵ میلیارد دلار برای تصاحب OpenRouter امضا کرده است.
سالها بود که توسعهدهندگان یک ارائهدهنده AI را بهصورت سختافزاری در برنامههای خود میگذاشتند. اما اکنون معماری سیستمها به سمت مدلهای شبکه پرداخت یا زمانبندی ابری تغییر میکند. در این ساختار، یک درخواست میرسد و زیرساخت بر اساس قابلیت، هزینه، تأخیر و قابلیت اطمینان، بهترین تأمینکننده را انتخاب میکند. این یعنی هر بار استنتاج (Inference) — لحظهای که مدل واقعاً جواب تولید میکند، شبیه به خودِ آشپزی است نه دورهی آموزش آشپز — به یک تصمیم کوچک برای تخصیص سرمایه تبدیل میشود.
همانطور که در تحلیل قبلی ما دربارهی سرعت سرسامآور توسعه کدهای عاملهای AI اشاره کردیم، این خرید نشان میدهد صنعت از فاز «ساخت» به فاز «بهینهسازی» رسیده است. تمرکز دیگر روی این نیست که آیا یک مدل میتواند کاری را انجام دهد یا خیر، بلکه سؤال این است که کدام مدل این کار را با کمترین قیمت ممکن انجام میدهد. در این نقطه، معماری مهندسی و کنترلهای هزینهای مدیران مالی (CFO) با هم تلاقی میکنند.
سیستمعامل اقتصادی
استرایپ صرفاً در حال متنوع کردن خدمات فینتک خود نیست. طبق یک نامه به سرمایهگذاران، این شرکت فرض را بر این گذاشته که اول ژانویه ۲۰۲۶ آغاز یک «تکینگی» (Singularity) بوده است. استرایپ تکینگی را نه به معنای ابرهوش علمی-تخیلی، بلکه به عنوان یک تغییر فاز در روندهای اقتصادی بلندمدت تعریف میکند.
استرایپ با ترکیب پرداختها، صورتحسابها و اندازهگیری توکنها با مسیریابی مدلها، در حال ساخت چیزی است که به یک سیستمعامل اقتصادی برای AI شباهت دارد. این شرکت بهطور خاص به تمرکز فوقالعاده شرکتهای AI اشاره کرد که در حال حاضر روی زیرساختهای آن فعالیت میکنند. این رویکرد تجاری در حالی رخ میدهد که غولهای فناوری نیز در حال بازنگری در ساختارهای خود هستند؛ برای مثال، تغییرات ساختاری اخیر در گوگل برای جداسازی پژوهشهای AGI از عملیات محصول نشاندهنده تلاش برای بهینهسازی مسیر تبدیل پژوهش به محصول است.
این فرضیه توسط شرکت Ramp نیز تأیید شده است که اخیراً ابزار Router.com را عرضه کرد. این ابزار چندین مدل را از طریق یک API ارائه میدهد و بهطور خودکار ارزانترین گزینهای را که حد نصاب عملکرد را داشته باشد، انتخاب میکند. Ramp این سرویس را بر اساس مسیریابی داخلی خود ساخته که برای سه سال بهطور داخلی اجرا میشد و اکنون این سرویس را تا پایان سال ۲۰۲۶ بهصورت رایگان ارائه میدهد.
لایههای فیزیکی و هوش
در حالی که استرایپ پول را مدیریت میکند، بازیگران دیگر در حال تصاحب لایههای محاسباتی و هوشی هستند:
- Etched: این استارتاپ تراشههای استنتاج، ۷۰۰ میلیون دلار سرمایه با ارزشگذاری ۲۱ میلیارد دلار جذب کرد که ارزش آن را نسبت به ماه جولای دو برابر میکند. نخستین رک (Rack) سختافزاری آنها ماه گذشته برای Jane Street ارسال شد؛ شرکتی که پس از تست سختافزار، رهبری دور سرمایهگذاری را بر عهده گرفت. این موضوع نشان میدهد سختافزارهای تخصصی استنتاج از مرحله وعده به مرحله تولید رسیدهاند.
- DeepSeek: این شرکت یک مدل چندوجهی (Multimodal) — مدلی که همزمان متن، عکس و صدا را میفهمد، مثل ما که با چند حس دنیا را میخوانیم — آزمایشی منتشر کرد که قادر به استدلال روی تصاویر و اسکرینشاتها است. این اقدام، رویکرد متمرکز بر بهرهوری آنها را به حوزه هوش بصری گسترش میدهد. وقتی مدلها بتوانند رابطهای کاربری، اسناد و نمودارها را بهطور قابلاطمینانی بفهمند، عاملها (Agents) از ابزارهای گفتگو به اپراتورهای اجرایی تبدیل میشوند.
- Groq: با جذب ۳۵۰ میلیون دلار در سری A به رهبری Disruptive و با مشارکت برنامهریزیشدهی انویدیا، به ارزشگذاری ۳.۵ میلیارد دلار رسید. Groq در حال تکمیل تغییر مسیر خود از یک سازنده تراشه LPU به یک «نئو-کلاد» استنتاجی است که با قدرت انویدیا در ۱۳ مرکز داده فعالیت میکند.
جریان سرمایههای پرریسک
پول بهشدت به سمت زیرساختهایی سرازیر میشود که عاملها را زنده نگه میدارند. Temporal در حال مذاکره برای جذب ۵۰۰ میلیون دلار سرمایه با ارزشگذاری پیش از سرمایهگذاری (Pre-money) حداقل ۱۲ میلیارد دلار است که بیش از دو برابر ارزش آن در ماه فوریه است. Temporal یک پلتفرم اجرای بادوام فراهم میکند که اجازه میدهد گردشکارهای عاملمحور پس از شکست، بهجای شروع مجدد، از همان نقطه توقف ادامه یابند.
انویدیا (Nvidia) نیز ردپای فیزیکی خود را گسترش میدهد. این شرکت ۱.۵ میلیارد دلار در SB Energy سرمایهگذاری کرده و تا ۱۰۵ میلیارد دلار پرداخت اجاره را تضمین میکند تا تأمینکننده انحصاری محاسبات در پردیس PORTS-Pike در اوهایو باشد. SB Energy این پردیس را تحت یک اجاره ۲۰ ساله برای OpenAI خواهد ساخت و اداره خواهد کرد.
سایر جابجاییهای مالی مهم عبارتاند از:
- Anthropic: تا پایان جولای ۲۰۲۵ به نرخ درآمد سالانه ۶۵ میلیارد دلار رسید که هفت برابر پایان سال گذشته است. درآمد پیشبینیشده برای سه ماهه دوم بالای ۱۱.۵ میلیارد دلار است که شرکت را در موقعیت مناسبی برای عرضه اولیه سهام (IPO) قرار میدهد.
- Micro1: نرخ درآمد سالانه این شرکت در هشت ماه از ۱۰۰ میلیون به ۵۰۰ میلیون دلار رسید. تقریباً ۶۰ تا ۷۰ درصد از این مبلغ بهعنوان سود خالص باقی میماند، زیرا تقاضا برای دادههای آموزشی تولیدشده توسط متخصصان، بسیار بیشتر از عرضه است.
- Fractile: در حال مذاکره پیشرفته برای جذب ۶۰۰ میلیون دلار سرمایه با ارزشگذاری ۶.۵ میلیارد دلار است که بیش از شش برابر ارزش آن در ماه می است. این جهش ناشی از یک قرارداد اولیه برای فروش حدود ۲۵۰ میلیون دلار تراشه به Anthropic است، هرچند ارسال آنها تا سال ۲۰۲۷ زمان میبرد.
- Starcloud: ۲۵۰ میلیون دلار سرمایه در سری A (بخش الحاقی) با ارزشگذاری ۲.۳ میلیارد دلار جذب کرد که توسط Manhattan West رهبری شد و انویدیا و سیسکو نیز به آن پیوستند. این وجوه برای حمایت از یک کارخانه جدید در وودینویل و فضاپیمای مرکز داده مداری Starcloud-3 که قرار است با Starship پرواز کند، استفاده خواهد شد.
مرزهای پژوهشی
فراتر از پول، چارچوبهای جدیدی در حال بهینهسازی یادگیری عاملها هستند. Google Cloud AI Research و دانشگاههای واشینگتن در سنت لوئیس و UNC چارچوب EnvHarness را معرفی کردند. این یک لایه برنامهریزی از اجزای پلاگین است که محیطهای استاتیک را — با تغییر حالتهای اولیه یا قوانین تعامل — بدون تغییر در منطق شبیهساز، شخصیسازی میکند. آنها همچنین EnvRigger را برای تشخیص نقاط ضعف عاملها از طریق مسیرهای اجرا و تولید پوششهای محیطی هدفمند پیشنهاد دادند.
مایکروسافت (Microsoft) چارچوب Agent Lightning v1.0 را منتشر کرد؛ یک سیستم سبک برای یادگیری تقویتی عاملمحور که با استفاده از حدود ۳۵۰۰ خط کد، حلقه تعامل با محیط را در مرحله پس از آموزش (Post-training) مدیریت میکند و مسائلی مانند باز-توکنیزه کردن و تعداد نمونههای پویا را برطرف میسازد. این سیستم عملکرد یک عامل کدنویسی را در محک SWE-bench حدود ۱۴.۶٪ بهبود بخشید.
انویدیا نیز با Agentic Variation Operators (AVO)، جستوجوی تکاملی سنتی را با یک عامل کدنویسی خودمختار جایگزین کرد که برنامهریزی، اجرا، ارزیابی و عیبیابی ویرایشهای کد را انجام میدهد. AVO در یک دوره ۷ روزه تکامل خودمختار، هستههای توجه چندسر (multi-head attention) برای GPUهای Blackwell تولید کرد که از پیادهسازیهای خبره مانند cuDNN و FlashAttention-4 سریعتر بود.
سایر دستاوردهای آکادمیک:
- CMU و Anysphere: خط لوله FAR (یافتن، تلاش و توصیه) را پیشنهاد دادند که حدسهای باز را از متون علمی استخراج میکند. این سیستم در حوزه ترکیبیات آزمایش شد و توانست هزاران مسئله را بازیابی کرده و ۷۷ اثر قابل انتشار، از جمله اثباتهای جدید ریاضی تولید کند.
- استنفورد، RadixArk و CMU: بنچمارک PTXBench را برای مدلهای زبانی که کدهای بهینه GPU را با استفاده از دستورالعملهای خاص معماری PTX تولید میکنند، معرفی کردند. آنها نشان دادند که تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی تخصص پوست میدهیم تا روی یک حوزه دقیق شود — بر اساس بازخورد اجرا، بهینهسازیهای سطح پایین را بهبود میبخشد.
- پرینستون و دیگران: مهارتهای عاملهای LLM را تحلیل کردند و دریافتند که این مهارتها بیشتر به عنوان «لنگرهای رویهای» برای تثبیت اجرا عمل میکنند تا تزریق دانش واقعی. آنها دریافتند که شکست این مهارتها معمولاً ناشی از دقت پایین در بازیابی دادهها یا بهکارگیری نادرست در زمینههای ناسازگار است.
پشته جدید هوش مصنوعی
ما شاهد ظهور یک پشته چهارلایه هستیم: DeepSeek و دیگران «هوش» را تأمین میکنند، Etched و Groq «محاسبات» را فراهم میکنند، OpenRouter و Ramp درخواستها را «تخصیص» میدهند و در نهایت استرایپ کل این جریان را «اندازهگیری و پولی» میکند.
این یعنی مرز AI دیگر فقط این نیست که چه کسی باهوشترین مدل را دارد، بلکه این است که چه کسی سیستم اقتصادی را کنترل میکند که تصمیم میگیرد کدام هوش را، روی کدام سیلیکون، برای کدام وظیفه و با چه قیمتی بخرد.
اگر محصول AI میسازید، باید بهجای تمرکز بر «کدام مدل را استفاده کنم»، روی «به کدام مسیریاب (Router) اعتماد کنم» فکر کنید. مدلهای قیمتگذاری عاملهای AI را در ماههای آینده زیر نظر بگیرید تا ببینید ادغام صورتحساب استرایپ و مسیریابی OpenRouter چه تغییری ایجاد میکند.
گفتگو