تصور کنید محصولی می‌سازید که بهترین است، اما هزینه‌ی هر بار استفاده از آن سه برابر ارزان‌ترین رقیب است؛ در دنیای امروز هوش مصنوعی، این فرمول یعنی شکست است. اگر شما مدیر محصول یا توسعه‌دهنده‌ای هستید که بودجه‌ی استنتاج خود را مدیریت می‌کنید، رقابت جدید بین مدل‌های باز و بسته، بازی را برای شما تغییر می‌دهد.
درباره‌ی پیامدهای تاریخ‌های ۱۶ و ۱۹ جولای تأمل کنید؛ زمانی که شرکت Moonshot Labs مدل Kimi K3 و شرکت Alibaba مدل Qwen 3.8 را عرضه کردند. این عرضه ها ثابت می‌کنند که اکنون دستیابی به مرزهای پیشرو در تکنولوژی (SOTA) از طریق مدل‌های باز-وزنی (open-weights) امکان‌پذیر است، زیرا ادعا شده که هر دوی این مدل‌ها از نظر عملکردی به مدل Fable 5 متعلق به شرکت Anthropic نزدیک هستند. با توجه به اینکه انتظار می‌رود وزن‌های هر دو مدل در هفته‌های آینده به‌صورت عمومی منتشر شوند، دیگر «عملکرد مدل» به تنهایی نمی‌تواند یک خندق دفاعی یا مزیت رقابتی کافی برای آزمایشگاه‌های هوش مصنوعی باشد.
این تحول دقیقاً در زمانی رخ می‌دهد که صنعت از رقابت برای دستیابی به «هوش خام» به نبردی بر سر «اقتصاد مدل‌های بنیادی» (Foundation Model) تغییر جهت داده است. ساخت این مدل‌ها نیازمند پرداخت حقوق‌های کلان به پژوهشگران، تامین سخت‌افزار در قالب تراشه‌ها و مراکز داده، و تامین برق برای تغذیه این محاسبات است. با این حال، پس از اینکه یک مدل ساخته شد، بزرگ‌ترین هزینه به استنتاج (Inference) — یعنی همان مرحله‌ای که کاربران واقعاً از مدل استفاده می‌کنند — منتقل می‌شود. از آنجایی که مدل‌ها در این مرحله به‌روزرسانی نمی‌شوند، هزینه‌های حقوق کارکنان نسبت به فاز آموزش کاهش می‌یابد و محاسبات (Compute) و برق به عنوان هزینه‌های نهایی و متغیر اصلی باقی می‌مانند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل Fable 5 شرکت Anthropic و محدودیت‌های ظرفیتی سخت‌گیرانه آن اشاره کردیم، این شرکت اکنون با بازاری مواجه است که در آن مدل‌های «به‌اندازه کافی خوب» در حال تبدیل شدن به گزینه‌های تقریباً رایگان هستند. این وضعیت یک چالش استراتژیک برای توسعه‌دهندگان تراز اول و یک تهدید جدی برای Anthropic است؛ چرا که این شرکت ریسک می‌کند در آینده برای ایجاد تمایز در محصولات خود با دشواری جدی روبرو شود.
شکاف زیرساختی
بر اساس گزارش وب‌سایت emergingtrajectories.com، زنجیره ارزش هوش مصنوعی بر اساس اینکه چه کسی مالک سخت‌افزار و انرژی است، تقسیم شده است. هرچه یک شرکت بخش‌های بیشتری از این زنجیره ارزش را در اختیار داشته باشد، هزینه‌های متغیرش بیشتر به هزینه‌های ثابت تبدیل می‌شوند. برای مدیریت این هزینه‌ها، سه استراتژی اصلی وجود دارد:
- اجاره‌ای‌ها (Leasing): شرکت‌هایی مثل Anthropic، Moonshot Labs و Knowledge Atlas (سازنده مدل GLM 5.2) مراکز داده را اجاره می‌کنند و هزینه برق را می‌پردازند. آن‌ها مالک نیروگاه‌های برق یا مراکز داده نیستند. هزینه‌های آن‌ها مستقیماً با درآمدشان رشد می‌کند، به این معنی که با افزایش میزان استفاده کاربران، حاشیه سود آن‌ها رشد نمی‌کند.
- مالکان مراکز داده (Owning Data Centers): شرکت‌های Meta و Alibaba مراکز داده خود را می‌سازند اما همچنان برای برق به تامین‌کنندگان دیگر پول پرداخت می‌کنند. این کار بسیاری از هزینه‌های متغیر را به هزینه‌های ثابت تبدیل می‌کند و اجازه می‌دهد هرچه مشتریان بیشتر و مکررتر از محصول استفاده کنند، حاشیه سود رشد کند.
- یکپارچگی عمودی (Vertical Integration): شرکت SpaceX هم مالک مراکز داده است و هم مالک نیروگاه‌های تولید برق. این مدل، حاشیه سود بلندمدت را به حداکثر می‌رساند، زیرا حیاتی‌ترین هزینه‌های استنتاج را به مخارج ثابت تبدیل می‌کند.
پیامدهای استراتژیک مالکیت
این نابرابری اقتصادی یک شکاف خطرناک ایجاد می‌کند. وقتی یک آزمایشگاه مالک کل پشته زیرساختی (Infrastructure Stack) است، می‌تواند فارغ از عملکرد مدل خود، از آن سخت‌افزار درآمدزایی کند. آن‌ها می‌توانند مدل‌های متن‌باز را میزبانی کنند یا سخت‌افزار را به دیگران اجاره دهند.
دقیقاً به همین دلیل است که احتمالاً Meta ظرفیت سرورهای خود را به Anthropic اجاره می‌دهد و SpaceX نیز همین کار را انجام می‌دهد، تا جایی که حتی ظرفیت‌های خود را به پنتاگون اجاره کرده است. در این اکوسیستم، مالکان زیرساخت، رقبای خود را به مشتری تبدیل می‌کنند.
برای کسانی که مالک مرکز داده یا تولید برق نیستند، تنها مسیر موفقیت، ایجاد تقاضای بسیار بالا برای مدل است. مدل‌های آن‌ها نباید فقط «خوب» باشند؛ آن‌ها باید یا «بهترینِ مطلق» باشند یا بسیار ارزان و «به‌اندازه کافی خوب». این وضعیت منجر به یک رقابت دائمی برای کاهش قیمت‌های استنتاج (Race to the Bottom) یا تلاشی بی‌پایان برای حفظ جایگاه به عنوان برترین ارائه‌دهنده مدل می‌شود؛ سناریوی پرریسکی که در آن هرگونه افت در عملکرد می‌تواند کشنده باشد.
پارادوکس عملکرد Anthropic
شرکت Anthropic همچنان معیار سنجش عملکرد (Benchmark) است، اما این برتری بهای سنگینی دارد. همان‌طور که در شکل ۱ نشان داده شده است، مدل Fable 5 این شرکت برای هر تسک تکمیل‌شده، تقریباً ۳ برابر گران‌تر از جایگزین‌های OpenAI یا مدل‌های باز-وزنی است.
این قیمت‌گذاری، Anthropic را در برابر یک جنگ قیمت‌ها آسیب‌پذیر می‌کند. این جنگ ممکن است توسط رقابت مستقیم یا به دلیل اشباع شدن بنچمارک‌های هوش مصنوعی تحریک شود؛ بنچمارک‌هایی که اکنون کمتر مفید هستند چون قیمت را در محاسبات خود لحاظ نمی‌کنند. در حالی که این شرکت روی ابزارهایی مثل Claude Code و Cowork سرمایه‌گذاری کرده است، این «هارنس‌ها» (Harnesses) یا لایه‌های رابط، به‌راحتی قابل کپی‌برداری هستند.
تقریباً هیچ مانعی برای عرضه یک هارنس جدید هوش مصنوعی وجود ندارد. استارتاپ‌هایی مثل OpenCode، OpenClaw و Hermes همین حالا در حال نوآوری در این فضا هستند و لایه محصولی Anthropic را به چالش می‌کشند.
شکاف راهبردی
برخلاف Anthropic، شرکت OpenAI اشتهای بیشتری برای پذیرش ریسک در زمینه مالکیت زیرساخت نشان داده و نسبت به سرمایه‌گذاری در مالکیت مراکز داده و تولید برق گشوده‌تر است. اگرچه برخی منتقدان استدلال می‌کنند که این کار باعث می‌شود OpenAI تمرکز خود را از دست بدهد، اما در واقع این رویکرد شرکت را در بلندمدت مقاوم‌تر می‌کند.
سرمایه‌گذاری OpenAI در محصول، تجربه مصرف‌کننده، انتشار سایت‌ها، صوت و سخت‌افزار، خندق‌های دفاعی واضح‌تری ایجاد کرده و انعطاف‌پذیری لازم برای ساخت محصولاتی با «اثرات شبکه‌ای» (Network Effects) را فراهم می‌کند. این به آن‌ها اجازه می‌دهد تا روی حاشیه سود بلندمدت بهینه کنند، حتی در حالی که مدل‌هایشان در ماه‌های اخیر از مدل‌های Anthropic عقب مانده‌اند.
در مقابل، Anthropic به شدت به استراتژی‌های رگولاتوری (قانون‌گذاری) و تمرکز بر «بهبود خودکار بازگشتی» (Recursive Self-improvement) تکیه کرده است. تأکید این شرکت بر اخلاقیات و خودسانسوری در مدل‌های Fable و Mythos — که در نهایت توسط دولت آمریکا مجبور به توقف انتشار بیشتر شدند — مستقیماً با این رویکرد رگولاتوری گره خورده است.
گسترش «لحظه دیپ‌سیک»
ظهور Kimi K3 (۱۶ جولای)، Qwen 3.8 (۱۹ جولای) و GLM 5.2 (اواسط ژوئن)، نشانه‌ای از اتفاقی بزرگتر از «لحظه دیپ‌سیک» سال ۲۰۲۵ است. این موضوع یک الگوی پایدار را نشان می‌دهد که در آن چندین آزمایشگاه می‌توانند به سرعت به سطح فروشندگان دارای سرمایه کلان مثل Anthropic، OpenAI، Meta یا SpaceX (از طریق مدل Grok) برسند و با آن‌ها رقابت کنند.
برای ارائه‌دهندگانی که فقط مدل می‌سازند، مسیر بقا اکنون به سه گزینه محدود شده است:
۱. اولین کسی باشد که به بهبود خودکار بازگشتی با قدرت محاسباتی کافی دست می‌یابد تا تمام رقبا را پشت سر بگذارد.
۲. بازار را از طریق رگولاتوری و قوانین دولتی ببندد.
۳. محصولی بسازد که چنان «چسبنده» (Sticky) و منحصر‌به‌فرد باشد که نتوان آن را کپی کرد.
بدون این موارد، Anthropic با ریسک شدید «تجزیه» (Unbundling) مواجه است. مدل‌هایش معیار هستند، اما محصولاتش توسط رقبای باز و بسته به چالش کشیده شده‌اند و مدل اقتصادی‌اش او را در موضع ضعف قرار می‌دهد. مگر اینکه اختراع واقعی AGI (هوش مصنوعی عام) رخ دهد یا مداخلات رگولاتوری صورت گیرد، شرکت‌هایی مثل Knowledge Atlas و Moonshot Labs و Anthropic در برابر غول‌هایی چون گوگل، علی‌بابا، متا و OpenAI با چالش‌های دفاعی شدیدی روبرو هستند.
گام بعدی شما
- اگر از APIهای گران‌قیمت استفاده می‌کنید، عملکرد Qwen 3.8 را با مدل‌های بسته مقایسه کنید تا نقطه بهینه هزینه-کیفیت را بیابید.
- رصد کنید که آیا Anthropic برای کاهش هزینه‌های استنتاج، سراغ مشارکت‌های زیرساختی جدید می‌رود یا خیر.
- ابزارهای لایه محصولی (Harnesses) جدید را تست کنید تا بفهمید کجا کاربرد مدل مهم‌تر از قدرت خام آن است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو