تصور کنید هوش مصنوعی شما به‌جای درخواست بودجه برای اتمام یک پروژه، خودش به سراغ بازار برود و دقیقاً همان مقدار سروری را که نیاز دارد بخرد تا کار تا صبح تمام شود. این دیگر یک سناریوی تخیلی نیست، بلکه واقعیتِ جاری در اقتصاد عامل‌محور است.
به نقل از گزارشی که در ۱۵ سپتامبر ۲۰۲۶ منتشر شد، یک عامل x402 (Agent) — شبیه به کارمندی دیجیتال که هم قدرت تصمیم‌گیری دارد و هم کیف پول شخصی — توانست ۱۸ بار بدون هیچ دخالت انسانی، توان محاسباتی (Compute) یا همان فضای پردازشی مورد نیاز برای اجرای مدل‌ها را خریداری و استفاده کند. این عامل در بازه زمانی چهار روزه، تمام مراحل پرداخت و تأمین منابع را به‌طور مستقل مدیریت کرد. این نیاز مبرم به دسترسی سریع به سخت‌افزار، یادآور سرمایه‌گذاری عظیم ۴۵ میلیارد دلاری Anthropic برای تأمین تراشه‌های Vera Rubin است تا زیرساخت‌های محاسباتی با سرعت رشد مدل‌ها همگام شوند.
این آزمایش در حالی رخ می‌دهد که صنعت به‌سمت جریان‌های کاری عامل‌محور (Agentic) حرکت می‌کند؛ جایی که هوش مصنوعی دیگر فقط پیشنهاد نمی‌دهد، بلکه تراکنش‌های مالی را اجرا می‌کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، انتقال قدرت تصمیم‌گیری مالی به مدل‌ها، لایه‌های جدیدی از ریسک و پاداش را ایجاد می‌کند.
طبق گزارش وب‌سایت dev.to، این عامل برای تسویه حساب‌ها از ارز USDC روی شبکه Base استفاده کرده است. جزئیات فنی این اجرا، شکاف عمیقی را در قابلیت اطمینان تأمین‌کنندگان نشان داد:
- نرخ موفقیت: ۱۸ از ۱۸ задание (Job) با موفقیت به پایان رسید.
- نرخ شکست اولیه: ۸۹٪ (۱۶ مورد از ۱۸ تلاش اول) به‌دلیل ناتوانی RunPod در پاسخگویی شکست خورد.
- تاب‌آوری: عامل به‌طور خودکار درخواست‌های شکست‌خورده را به یک تأمین‌کننده پشتیبان منتقل کرد.
- هزینه کل: ۰.۸۸ دلار در قالب پرداخت‌های تسویه شده.
این نتیجه ثابت می‌کند که گلوگاه اصلی برای عامل‌های خودمختار، منطق پرداخت نیست، بلکه قابلیت اطمینان زیرساخت‌های سخت‌افزاری است. عامل به دلیل مکانیزم بازتوزیع نامرئی، اصلاً متوجه نرخ شکست ۸۹ درصدی نشد. برای توسعه‌دهندگان، این یعنی «اقتصاد عامل‌ها» به‌جای تکیه بر APIهای تک‌فروشنده، به لایه‌های ارکستراسیون چندتأمین‌کننده‌ای وابسته خواهد بود که تکرارپذیری را تضمین کنند.
با مدیریت سرمایه‌های واقعی توسط عامل‌ها، چالش بعدی ایجاد حفاظ‌ها (Guardrails) برای جلوگیری از حلقه‌های تکراری و هزینه‌های بی‌رویه است. باید منتظر ظهور سرویس‌های امانی (Escrow) مخصوص هوش مصنوعی باشیم که بتوانند سقف هزینه‌های خودمختار را به‌صورت لحظه‌ای کنترل کنند.
گام بعدی شما
- بررسی پروتکل‌های پرداخت روی شبکه‌های لایه ۲ مانند Base برای کاهش هزینه تراکنش‌های ریز.
- طراحی لایه‌های Redundancy در سیستم‌های خودکار برای جلوگیری از توقف پروژه هنگام شکست تأمین‌کننده.
- مطالعه درباره ابزارهای مدیریت بودجه برای عامل‌های AI جهت جلوگیری از اتلاف سرمایه.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو