۴۰۰۰ دلار؛ این بهای ورود به دنیای توسعه محلی هوش مصنوعی است. مایکروسافت و انویدیا این هفته پلتفرم جدیدی را برای کاربران حرفه‌ای معرفی کردند که می‌خواهند مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — را به‌جای ابر، روی سخت‌افزار شخصی اجرا کنند تا از هزینه‌های گزاف توکن‌های ابری که توسط ارائه‌دهندگانی چون OpenAI, Anthropic یا خود مایکروسافت دریافت می‌شود، رهایی یابند.
این چرخش راهبردی در حالی رخ می‌دهد که صنعت هنوز نتوانسته تعریف دقیقی از «پی‌سی هوش مصنوعی» ارائه دهد. همان‌طور که در تحلیل قبلی ما درباره‌ی نفوذ عامل‌های هوشمند در حوزه‌های تخصصی (Agentic Healthcare) اشاره کردیم، جایی که عامل‌های نرم‌افزاری در حال ورود به دامنه‌های حرفه‌ای تخصصی هستند، اکنون شاهد انتقال مشابهی در سخت‌افزار هستیم؛ صنعت از لپ‌تاپ‌های همه‌منظوره به سمت ورک‌استیشن‌های با کارایی بالا برای گروه‌های شغلی خاص حرکت می‌کند. این رویکرد جدید در واقع تلاشی برای حل چالش‌های پردازش محلی در برابر رایانش ابری در سخت‌افزار جدید مایکروسافت است تا تعادلی میان قدرت و هزینه ایجاد شود.
برای کاربر عادی، نسل قبلی این دستگاه‌ها بیشتر شبیه به یک وعده بود تا یک محصول. برند Copilot+ که در می ۲۰۲۴ معرفی شد، بر واحد پردازش عصبی (NPU) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — برای انجام «کارهای روزمره» تکیه داشت. اما برای اکثر کاربران، این قابلیت‌ها — مانند زیرنویس زنده یا ویرایش ساده تصاویر — بیشتر شبیه به دموی تبلیغاتی بود تا ابزاری ضروری که بتواند تغییری در جریان کاری ایجاد کند.
جهش سخت‌افزاری: AI PC 2.0
دستگاه‌های جدید Nvidia RTX Spark جهشی عظیم در قدرت خام هستند. طبق گزارش ZDNET که در ۹ اکتبر ۲۰۲۶ منتشر شد، این دستگاه‌ها قادر به ارائه ۱ پتافلاپ عملکرد هوش مصنوعی هستند.
این عدد ۲۵ برابر بیشتر از قدرت پردازشی نسل فعلی Copilot+ است. برای درک بهتر این تفاوت، باید به استانداردهای قبلی نگاه کنیم؛ مشخصات اولیه Copilot+ ایجاب می‌کرد که یک پی‌سی ویندوز ۱۱ حداقل ۱۶ گیگابایت حافظه داشته باشد — که دو برابر حداقل حافظه برای یک پی‌سی معمولی ویندوز ۱۱ است — و همچنین دارای یک NPU باشد که قادر به پردازش حداقل ۴۰ تریلیون عملیات در ثانیه (40+ TOPS) باشد.
مایکروسافت پیش‌تر این قابلیت‌ها را با این ادعا تبلیغ می‌کرد که پی‌سی‌های Copilot+ از پردازنده‌های قدرتمند و چندین مدل هوش مصنوعی پیشرفته، از جمله چندین مدل زبانی کوچک (SLM) در سطح جهانی متعلق به مایکروسافت، بهره می‌برند. هدف این بود که تجربه‌هایی را فعال کند که به‌صورت محلی روی دستگاه اجرا شوند تا محدودیت‌های مربوط به تأخیر (Latency)، هزینه و حریم خصوصی از بین برود.
تغییر فنی کلیدی در پلتفرم جدید، انتقال به حافظه یکپارچه (Unified Memory) است. در این معماری، CPU و GPU به یک استخر حافظه مشترک دسترسی دارند. این طراحی دقیقاً مشابه تراشه‌های سری M اپل در مک‌بوک پروها و مک مینی‌ها است که مدت‌هاست در مدیریت مدل‌های محلی بر سیستم‌های ویندوزی پیشی گرفته‌اند؛ چرا که GPUهای مجزا (Discrete GPUs) معمولاً توسط حافظه ویدیویی اختصاصی (VRAM) محدود می‌شوند و نمی‌توانند مدل‌های حجیم را بارگذاری کنند.
فروپاشی برند Copilot
مایکروسافت به‌طور نامحسوسی در حال فاصله گرفتن از برند Copilot+ است. در رویداد اخیر معرفی محصول، این برند تنها یک بار ذکر شد و آن هم به‌سرعت گذشت، به‌طوری که بینندگان ممکن بود متوجه آن نشوند. شرکای تجاری مانند Dell و HP نیز کلمه «Copilot» را به‌طور کامل از بیانیه‌های خبری مربوط به دستگاه‌های جدید RTX Spark حذف کرده‌اند.
این عقب‌نشینی پس از فاجعه حریم خصوصی در قابلیت Recall رخ داد. این ویژگی که قرار بود «حافظه تصویری» پی‌سی باشد و در اکتبر ۲۰۲۴ عرضه شود، با واکنش تند امنیتی مواجه شد. کوین بومونت، کارشناس امنیت، در آن زمان پیش‌بینی کرد که مایکروسافت به‌دلیل اجرای ضعیف، «کل برند Copilot را به آتش می‌کشد» و این اقدام را یک «خودزنی در مایکروسافت به نام هوش مصنوعی» نامید.
دو سال بعد، Recall هنوز در حالت پیش‌نمایش است و در پیام‌های بازاریابی ۲۰۲۶ مایکروسافت کاملاً غایب است. خارج از مستندات رسمی برای نسخه پیش‌نمایش، این قابلیت عملاً از روایت عمومی و ویترین تبلیغاتی شرکت حذف شده است. این در حالی است که مایکروسافت در بخش نرم‌افزاری تلاش کرد با ادغام تمامی ابزارهای AI در یک اپلیکیشن واحد، تجربه کاربری Copilot را یکپارچه کند، اما سخت‌افزار نتوانست همگام با این تغییرات پیش برود.
واقعیت NPU در برابر GPU
شکاف عمیقی میان بازاریابی مایکروسافت و استفاده واقعی از سخت‌افزار وجود دارد. در حالی که مایکروسافت NPU را به عنوان قطعه حیاتی برای پی‌سی‌های هوش مصنوعی معرفی می‌کرد، واقعیت استفاده در دنیای واقعی داستان متفاوتی را روایت می‌کند:
- بیکاری NPU: گزارش‌های Task Manager نشان می‌دهد NPU در اکثر کارهای هوش مصنوعی بیکار می‌ماند. تنها استثنا زمانی است که Recall فعال است و هر چند دقیقه یک‌بار پیک مصرفی را نشان می‌دهد، زیرا سیستم در حال ثبت و تحلیل اسنپ‌شات‌ها برای پایگاه داده امن خود است.
- سلطه GPU: مدل‌های زبانی بزرگ و عامل‌های قدرتمند، واحد پردازش گرافیکی (GPU) انویدیا را به شدت تحت فشار می‌گذارند در حالی که NPU هیچ نقشی ایفا نمی‌کند. این موضوع در دموی کایلا سینامون از مایکروسافت به‌وضوح دیده شد، جایی که GPU دستگاه RTX Spark به حداکثر توان رسید اما NPU غیرفعال باقی ماند.
- اتکای ابری: اکثر ویژگی‌های به‌اصطلاح «محلی» همچنان داده‌ها را به ابر می‌فرستند و NPU داخلی را به‌طور کامل نادیده می‌گیرند.
- قابلیت‌های ضعیف: ویژگی‌های «اختصاصی» مانند Windows Studio Effects و ویرایش‌های مبتنی بر هوش مصنوعی در Photos و Paint، در مقایسه با قدرت خام مورد نیاز برای توسعه حرفه‌ای، بسیار ناچیز و کم‌اهمیت به نظر می‌رسند.
شکاف اقتصادی
برای یک توسعه‌دهنده حرفه‌ای، خرید Surface Laptop Ultra از نظر اقتصادی منطقی است. اجرای محلی مدل‌ها، هزینه‌های ماهانه توکن‌ها را که می‌تواند به صدها دلار برسد، حذف می‌کند. اما برای کاربر عادی، این قدرت پردازشی یک کالای لوکس و غیرضروری است.
افکار عمومی نیز این شکاف را تأیید می‌کند. طبق نظرسنجی اخیر Pew Research، ۵۲٪ از پاسخ‌دهندگان در ایالات متحده نسبت به هوش مصنوعی بیشتر نگران‌اند تا مشتاق. در سطح جهانی، تنها حدود ۱۳٪ از مردم اشتیاق بیشتری نسبت به نگرانی دارند. گره زدن یک برند سخت‌افزاری پیشرو به یک چت‌بات، احتمالاً یک اشتباه استراتژیک بود.
کمبود جهانی حافظه و فضای ذخیره‌سازی در حال حاضر قیمت‌ها را بالا برده است. وقتی این موضوع با قیمت‌های گزاف سخت‌افزار RTX Spark ترکیب شود، «پی‌سی هوش مصنوعی» به‌جای ارتقای بازار انبوه، به ابزاری خاص برای نخبگان تبدیل می‌شود.
در جست‌وجوی AI PC 3.0
این وضعیت خلأ بزرگی برای «AI PC 3.0» ایجاد کرده است. صنعت اکنون منتظر نسخه‌ای است که هم مقرون‌به‌صرفه باشد و هم بتواند مدل‌های محلی را بدون نیاز به ورک‌استیشن‌های ۴۰۰۰ دلاری اجرا کند.
نسخه ۱.۰ قدرت کافی نداشت. نسخه ۲.۰ قدرتمند است اما برای بازار انبوه بیش از حد گران است. نسخه ۳.۰ باید با آوردن فناوری‌های سطح ورک‌استیشن — به‌ویژه حافظه یکپارچه — به سطح مصرف‌کننده، این شکاف را پر کند.
این تغییر نشان می‌دهد مایکروسافت دیگر سعی ندارد جنگ هوش مصنوعی مصرف‌کننده را با سخت‌افزار ببرد. در عوض، آن‌ها در حال انجام یک نبرد تاکتیکی هستند تا مانع مهاجرت توسعه‌دهندگان به مک‌بوک‌ها شوند. هدف، ارائه جایگزینی در ویندوز است که بتواند تقاضای سنگین حافظه در مدل‌های مدرن LLM را تحمل کند.
اگر توسعه‌دهنده هستید، RTX Spark سرمایه‌گذاری مناسبی برای کاهش هزینه‌های ابری است. برای بقیه، انقلاب واقعی پی‌سی‌های هوش مصنوعی هنوز چندین نسل دور است.
منتظر موج بعدی تراشه‌های حافظه یکپارچه از اینتل و AMD باشید تا ببینید آیا آن‌ها می‌توانند این قدرت را به قیمت‌های قابل قبول برای مصرف‌کننده برسانند یا خیر.
گام بعدی شما
- اگر توسعه‌دهنده هستید، هزینه ماهانه توکن‌های ابری خود را با قیمت سخت‌افزار RTX Spark مقیسه کنید تا نقطه بازگشت سرمایه را بیابید.
- برای کاربران عادی، به‌جای خرید سخت‌افزارهای گران‌قیمت، بر روی ابزارهای بهینه‌سازی مدل‌های کوچک (SLM) تمرکز کنید.
- منتظر معرفی تراشه‌های حافظه یکپارچه از اینتل و AMD باشید تا ببینید آیا قیمت‌ها برای بازار مصرف‌کننده کاهش می‌یابد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو