تصور کنید تمام اپلیکیشن‌های روزمره شما ناگهان به APIهای کندی تبدیل شوند که فقط منتظر دستور یک عامل هوشمند هستند. اگر هنوز فکر می‌کنید هوش مصنوعی یعنی یک تب باز در مرورگر، شما در حال تماشای سقوط یک پارادایم قدیمی هستید.
در ۵ مه ۲۰۲۶، سام آلتمن رسماً اعلام کرد که پیتر استین‌برگر (Peter Steinberger)، خالق پروژه OpenClaw، به OpenAI می‌پیوندد. این پروژه متن‌باز، با کسب ۲۰۹,۰۰۰ ستاره تنها در ۸۴ روز، سریع‌ترین رشد تاریخ گیت‌هاب را ثبت کرد — به نقل از dev.to.
موفقیت انفجاری OpenClaw نتیجه‌ی یک مدل برتر نبود، بلکه حاصل تغییری بنیادین در توپولوژی استقرار بود. در حالی که غول‌های فناوری کاربران را به وب‌سایت‌های خود می‌کشانند، OpenClaw این الگو را معکوس کرد:
- اجرای محلی: محاسبات به جای مراکز داده متمرکز، روی سخت‌افزار کاربر (مثلاً Mac Mini) انجام می‌شود.
- ادغام با رابط‌ها: ارتباط از طریق اپلیکیشن‌های موجود مانند واتس‌اپ، تلگرام، سیگنال، دیسکورد و اسلک برقرار می‌شود.
- استقلال از مدل: مدل‌های Claude، GPT، DeepSeek و Llama (از طریق Ollama) را به عنوان نقاط انتهایی قابل تعویض می‌بیند.
این معماری «محاسبات بر داده» تضمین می‌کند که اطلاعات برای پردازش نیازی به انتقال به یک سرویس متمرکز نداشته باشند. اما این رویکرد سریع یا «کدنویسی حسی» (vibe-coding) بدون ریسک نبود؛ تیم امنیتی Cisco کشف کرد که ۱۱.۳٪ از بازار مهارت‌های این پروژه، مخرب بوده‌اند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی گذار به سیستم‌های عامل‌محور (Agentic) اشاره کردیم، میدان نبرد دیگر مدل‌ها نیستند، بلکه محل استقرار محاسبات (Compute) است. این تغییر، فشار شدیدی بر OpenAI وارد می‌کند. طبق گزارش Menlo Ventures در سال ۲۰۲۵، سهم بازار سازمانی OpenAI از ۵۰٪ در سال ۲۰۲۳ به ۲۷٪ در پایان سال ۲۰۲۵ سقوط کرد، در حالی که Anthropic از ۱۲٪ به ۴۰٪ رسید.
استین‌برگر در گفتگو با لکس فریدمن هشدار داد که این رویکرد می‌تواند «۸۰٪ اپلیکیشن‌ها را بکشد»، زیرا آن‌ها را به APIهای کند تبدیل می‌کند. اکنون پرسش کلیدی این است: آیا OpenAI می‌تواند ابزاری غیرمتمرکز و محلی‌محور را با مدل کسب‌وکاری که بر پایه صورت‌حساب توکن‌های متمرکز است، ترکیب کند؟
اما این تنها بخشی از پازل است؛ اثر این تغییر بر سخت‌افزارهای نسل بعد را در تحلیل ما درباره‌ی تراشه‌های Blackwell دنبال کنید.
گام بعدی شما
- ابزار Ollama را برای اجرای مدل‌های زبانی کوچک روی سخت‌افزار خود تست کنید.
- معماری‌های رایانش لبه (Edge Computing) را برای کاهش تأخیر در گردش‌کارهای خود بررسی کنید.
- نظاره‌گر نحوه ادغام قابلیت‌های محلی در نسخه‌ی جدید ChatGPT باشید.
گفتگو