تصور کنید به جای اجاره‌ی ماهیانه یک مدل هوشمند، مالکِ کاملِ مغز متفکری باشید که روی میز کارتان می‌نشیند و هیچ داده‌ای را به خارج نمی‌فرستد. این دقیقاً همان رویایی است که Ollama با جذب ۸۸ میلیون دلار سرمایه، قصد دارد آن را برای تمام توسعه‌دهندگان جهان به واقعیت تبدیل کند. این مبلغ، در واقع یک شرط‌بندی بزرگ روی این باور است که مالکیت و حریم خصوصی در نهایت عملکرد بهتری نسبت به APIهای اختصاصی خواهند داشت.
طبق اعلام این شرکت در پست وبلاگی مورخ ۹ ژوئیه ۲۰۲۶، این تامین مالی برای شتاب بخشیدن به انتقال به سمت هوش مصنوعی متن‌باز، از سوی گروهی از سرمایه‌گذاران اثرگذار جذب شده است. این فهرست شامل پیتر فنتون از Benchmark، توماش تونگوز از Theory Ventures، الکس کولیسیچ از 8VC و همچنین سالومون هایکس، بنیان‌گذار Docker است.
زمینه و ریشه‌ها
این پروژه توسط جف و مایکل مدیریت می‌شود؛ دو شریکی که اولین بار در دوران کالج با یکدیگر آشنا شدند. تاریخچه آن‌ها در ساده‌سازی ابزارهای توسعه‌دهندگان با شرکت Kitematic آغاز شد؛ شرکتی که اجرای Docker را به‌شدت ساده و قابل‌فهم کرد. Kitematic در سال ۲۰۱۵ توسط Docker خریداری شد. کار Subsequent آن‌ها در آنجا به محصول Docker Desktop منجر شد که در سال ۲۰۱۶ عرضه شد و اکنون توسط بیش از ۱۰ میلیون توسعه‌دهنده در سراسر جهان استفاده می‌شود.
ده سال پس از اولین venture خود، آن‌ها برای ساخت Ollama بازگشته‌اند. هدف آن‌ها فراهم کردن ساده‌ترین راه برای شروع توسعه‌دهندگان با مدل‌های باز است. این حرکت به عنوان «لحظه‌ی کامپیوترهای شخصی» (PC moment) برای محاسبات هوش مصنوعی نگریسته می‌شود. درست همان‌طور که کامپیوترهای شخصی، ماشین‌ها را از اتاق‌های عظیم مین‌فریم خارج کردند و آن‌ها را برای مالکیت و شخصی‌سازی روی میز کاربران گذاشتند، مدل‌های باز نیز در حال انجام همین کار برای هوش مصنوعی هستند.
اولاما بر اساس فلسفه مالکیت کامل عمل می‌کند. به نقل از مستندات شرکت، اجرای مدل‌های باز به‌صورت محلی، ریسک «صورت‌حساب‌های سرسام‌آور توکنی» (runaway per-token bills) را حذف می‌کند و تضمین می‌کند داده‌های حساس هرگز از دستگاه کاربر خارج نشوند. در همین راستا، راهکارهای حذف هزینه‌های API از طریق اجرای محلی LLM نشان می‌دهد که چگونه این رویکرد می‌تواند وابستگی مالی به سرویس‌های ابری را به‌طور کامل از بین ببرد. برای یک برنامه‌نویس، این یعنی توانایی آزمایش و تکرار بدون نیاز به درخواست کلیدهای API، کسب مجوز یا تهیه سخت‌افزارهای گران‌قیمت سرور از یک «دربان شرکتی» (corporate gatekeeper).
اصول هسته‌ای
این پلتفرم بر سه ستون اصلی استوار است:
- مالکیت: مدل‌های باز متعلق به شما هستند تا آن‌ها را نگه دارید، شخصی‌سازی کنید و بهینه سازید. شما هرگز از مدل‌هایی که عامل (Agent) یا اپلیکیشن شما به آن‌ها وابسته است، بیرون رانده نمی‌شوید.
- مقرون‌به‌صرفه بودن: سخت‌افزار محلی هزینه‌ی هر توکن (Token) — یعنی تکه‌های کوچکی از متن شبیه برش‌های یک کیک که مدل تکه‌تکه می‌خورد — را حذف می‌کند. این امر به توسعه‌دهندگان اجازه می‌دهد بدون نگرانی از اینکه هر Prompt هزینه اضافی ایجاد کند، تکرار و اصلاح کنند. در حالی که بازار شاهد نبرد میان سرویس‌هایی مانند OpenModels و OpenRouter بر سر شفافیت هزینه‌های توکن است، Ollama با حذف کامل این هزینه، بازی را تغییر می‌دهد.
- حریم خصوصی: اجرای محلی تضمین می‌کند داده‌ها هرگز دستگاه را ترک نکنند. این سطح از اعتماد را می‌توان در هنگام نیاز به مقیاس‌پذیری، به فضای ابری منتقل کرد.
نفوذ و مقیاس
رشد این پلتفرم شگفت‌انگیز بوده و به چندین نقطه عطف کلیدی دست یافته است:
- پایه کاربران: در حال حاضر به ۸.۹ میلیون توسعه‌دهنده خدمات ارائه می‌دهد.
- پذیرش سازمانی: ۸۵٪ از شرکت‌های لیست Fortune 500 از این ابزار استفاده می‌کنند.
- رشد ابری: حجم توکن‌ها در فضای ابری اولاما به‌طور متوسط هر ماه بیش از دو برابر رشد کرده است.
جزئیات و دسترسی فنی
از نظر تاریخی، در حالی که مدل‌های باز قدرتمندی برای دانلود در دسترس بودند، اما عملیاتی کردن آن‌ها دشوار بود. اولاما این مشکل را با عرضه اپلیکیشنی حل کرد که به توسعه‌دهندگان اجازه می‌دهد مدل‌ها را تنها با یک دستور ساده اجرا کرده و از طریق یک API راحت، بر روی آن‌ها توسعه یابند. برای توسعه‌دهندگان جاوا، ادغام Ollama با Spring Boot گامی کلیدی در جهت حذف وابستگی به ابر و ایجاد APIهای محلی است.
- پشتیبانی از مدل‌ها: زیرساخت ابری آن‌ها مدل‌های باز قدرتمندی از جمله GLM، Nemotron، DeepSeek، Kimi و MiniMax را پشتیبانی می‌کند.
- پیاده‌سازی: سیستم به‌گونه‌ای طراحی شده است که اجرای یک مدل باز به اندازه اجرای هر نرم‌افزار دیگری ساده باشد.
- استراتژی ترکیبی: این رویکرد به تیم‌ها اجازه می‌دهد به‌صورت محلی شروع کنند و در حالی که مالکیت خود را حفظ می‌کنند، به فضای ابری مقیاس یابند.
علاوه بر شرکت‌های پیشرو، در این دور ۸۸ میلیون دلاری، مشارکت‌های دیگری نیز دیده می‌شود: آرون کاتز (مدیرعامل ClickHouse)، اسپنسر کیمبال (هم‌بنیان‌گذار Cockroach Labs)، کوئین اسلک (مدیرعامل Amp)، ماریانا تسل (Cisco) و مایکل مونتانو (ریس سابق مهندسی توییتر). سایر سرمایه‌گذاران شامل Y Combinator، Garage Capital، Pace Capital، 49 Palms و GTMFund هستند.
این سرمایه‌گذاری سوختی برای چندین نقشه راه مشخص است: استنتاج ترکیبی (Hybrid Inference) بدون نقص، پشتیبانی از مدل‌های باز جدید در همان روز انتشار و ابری که مالکیت کاربر را حفظ کند.
برای یک صاحب کسب‌وتکار، این تغییر به معنای تبدیل هوش مصنوعی از یک «حق اشتراک اجاره‌ای» به یک «نرم‌افزار مالکیتی» است. اثر درجه دوم این اتفاق، فروپاشی خندق دفاعی (Moat) ارائه‌دهندگان مدل‌های بسته است که صرفاً بر پایه «راحتی API» برای زندانی نگه داشتن مشتریان تکیه کرده‌اند.
اگر امروز هزینه‌های ماهانه بالایی برای مدل‌های بسته (Closed-source LLMs) پرداخت می‌کنید، زمان آن رسیده که حریم خصوصی داده‌ها و هزینه هر توکن خود را بازبینی کنید. اجرای یک مدل در سطح شرکت‌های Fortune 500 روی میز کار شما، دیگر یک پروژه تحقیقاتی نیست، بلکه یک واقعیت عملیاتی است.
گام بعدی شما
- اگر از مدل‌های بسته استفاده می‌کنید، مدل‌های مشابه با وزن‌های باز (Open Weights) — یعنی مدل‌هایی که دستور پختشان علناً منتشر شده و نه فقط غذای آماده — را در Ollama تست کنید.
- استراتژی مهاجرت از APIهای گران‌قیمت به استنتاج محلی را برای کاهش هزینه‌های عملیاتی بررسی کنید.
- بررسی کنید کدام بخش از داده‌های حساس شما می‌تواند با اجرای محلی، امنیت بیشتری پیدا کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی بهینه‌سازی حافظه در تراشه‌های نسل جدید مراجعه کنید.
گفتگو