تصور کنید در شرکتی مشغول به کار هستید که ادعا می‌کند تنها کسی است که رمزِ جادویی تولید ثروت را می‌داند، اما در واقع فقط از سخت‌افزار سریع‌تری نسبت به شما استفاده می‌کند. این همان تصویری است که جورج هاتز (George Hotz)، پژوهشگر مشهور امنیتی، از وضعیت فعلی آزمایشگاه‌های پیشرو هوش مصنوعی دارد.
به نقل از پست وبلاگی او در ۱۲ جولای ۲۰۲۶، هاتز معتقد است «هایپ منفی» ابزار اصلی این شرکت‌هاست تا استعدادها را با ایجاد ترس از «عقب ماندن»، به قطب‌هایی مثل سان‌فرانسیسکو بکشانند. او می‌گوید روایت تسلط اجتناب‌ناپذیر این آزمایشگاه‌ها، در واقع یک داستان استراتژیک برای بالا نگه داشتن ارزش بازار آن‌هاست.
این تردید در حالی رخ می‌دهد که صنعت تلاش می‌کند نیازهای سخت‌افزاری عظیم مدل‌های جدید را با کاربردهای عملی توهم‌گونه متعادل کند. این نگاه در تضاد با دیدگاه برخی مدیران است، مانند سم آلتمن که معتقد بود تردید درباره قوانین مقیاس‌پذیری مانع از پیشرفت سریع‌تر این فناوری شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی تنگنای پهنای باند حافظه اشاره کردیم، محدودیت‌های فیزیکی سخت‌افزار، بسیار بیشتر از پیشرفت‌های تئوریک، سرعت استقرار واقعی AI را تعیین می‌کنند.
حالت فعلی «تب هوش مصنوعی» از دیدگاه هاتز بر دو محور می‌چرخد:
- روایت ترس: ادعای اینکه پنجره فرصت در حال بسته شدن است و اگر عجله نکنید، به طبقه زیرین جامعه تبدیل می‌شوید.
- پرش به تکینگی: این فرض ساده‌انگارانه که مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به‌سرعت از یک «تکمیل‌کننده متن پیشرفته» به مالک کل هستی بشر تبدیل می‌شود.
طبق بررسی‌های هاتز در وب‌سایت geohot.github.io، مقاومت در برابر هوش مصنوعی متن‌باز نه به دلیل ایمنی یا رقابت با چین، بلکه ناشی از ترس از «کالایی شدن» (Commodification) است. او تأکید می‌کند پیشرفت AI عمدتاً نتیجه‌ی قانون مور (Moore's Law) و ارتقای کلی سیستم‌های محاسباتی است، نه یک دستور پخت سری در اختیار چند شرکت.
او مشاهده می‌کند که عامل‌ها (Agent) در کدنویسی در حال تکامل‌اند اما برنامه‌نویسان را جایگزین نمی‌کنند. هاتز این ابزارها را شبیه Regex یا استک‌اورفلو می‌بیند. او با استناد به نقل‌قولی از لینوس توروالدز می‌گوید اگر عامل‌ها بهره‌وری را ۱۰ برابر کنند، کامپایلرها این عدد را ۱۰۰۰ برابر کرده‌اند. این تحلیل با این پرسش همسو است که چرا مدل‌های زبانی نمی‌توانند هزینه‌ی توسعه نرم‌افزار را به صفر برسانند و همچنان محدودیت‌های ساختاری در تولید کد وجود دارد.
برای یک توسعه‌دهنده، این یعنی ارزش از دست سازندگان مدل خارج شده و به کسانی می‌رسد که می‌توانند این ابزارها را پیاده‌سازی کنند. ریسک مالی اکنون روی دوش آزمایشگاه‌هاست، چون فناوری زیربنایی به جای یک «خندق رقابتی»، به یک «خدمات عمومی» ارزان تبدیل می‌شود.
حاتز در تجربه شخصی خود از OpenCode روی یک نمونه محلی GLM-5.2 اشاره می‌کند که اتوماسیون محیط‌های کاری (مثل تنظیمات tmux) نشان‌دهنده تغییری در تجربه دسکتاپ لینوکس است.
او توصیه می‌کند برای جلوگیری از «خستگی شناختی»، با مدل‌های فعلی نه به‌عنوان جادوگران تولید نرم‌افزار، بلکه به‌عنوان دستیارهایی قدرتمند برخورد کنید؛ زیرا بخش زیادی از خروجی‌های به‌اصطلاح «وایب‌کد» شده، همچنان آشغال‌های غیرقابل اعتماد هستند.
گام بعدی شما
- مدل‌های با وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده — را برای کارهای حساس‌تر جایگزین مدل‌های بسته کنید.
- روی مهارت‌های پیاده‌سازی و یکپارچه‌سازی ابزارها تمرکز کنید تا زمانی که مدل‌ها به کالایی ارزان تبدیل شوند.
- خروجی‌های مدل را به جای اعتماد مطلق، با نگاه ویرایشی بررسی کنید تا در تله «آشغال‌های دیجیتال» نیفتید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو