استراتژی مایکروسافت برای کاهش هزینه هوش مصنوعی با مدل‌های اختصاصی

تغییر استراتژی مایکروسافت در سال ۱۴۰۵ (۲۰۲۶ میلادی) و چرخش به سمت توسعه مدل‌های بومی خود موسوم به MAI با هدف کاهش هزینه هوش مصنوعی، نشان‌دهنده آغاز دوران واقع‌گرایی مالی در اقتصاد دیجیتال است؛ رویکردی که ثابت می‌کند پس از فروکش کردن تب‌وتاب اولیه فناوری‌های مولد، اکنون کارایی اقتصادی، بهینه‌سازی زیرساخت‌های ابری و حفظ حاشیه سود عملیاتی به اولویت نخست غول‌های فناوری جهان تبدیل شده است.

اصل ماجرا؛ چرخش مایکروسافت به سمت مدل‌های خانگی

بر اساس گزارش‌های منتشرشده، مایکروسافت استراتژی جدیدی را برای کاهش هزینه‌های عملیاتی خود آغاز کرده که محور اصلی آن، کاهش وابستگی به مدل‌های گران‌قیمت شرکت‌های OpenAI و Anthropic است. این غول فناوری اکنون برای پاسخگویی به بخشی از درخواست‌های کاربران در نرم‌افزارهای پرکاربرد خود مانند Word و Excel، از مدل‌های اختصاصی و درون‌سازمانی خود تحت عنوان MAI استفاده می‌کند.

این اقدام در حالی صورت می‌گیرد که مایکروسافت پیش از این مانور تبلیغاتی گسترده‌ای روی قدرت گرفتن ابزارهای آفیس ۳۶۵ از مدل‌های پیشرفته شرکای تجاری خود می‌داد. اگرچه همکاری مایکروسافت با این شرکت‌ها همچنان ادامه دارد، اما توسعه و به‌کارگیری هفت مدل جدید MAI در کنفرانس سالانه Build (از جمله ابزارهای کدنویسی مبتنی بر عامل و تولید تصویر)، نشان‌دهنده عزم جدی این شرکت برای استقلال زیرساختی و مدیریت هزینه‌هاست.

چرا کاهش هزینه هوش مصنوعی به اولویت اول غول‌های فناوری تبدیل شده است؟

پس از یک دوره رقابت شدید برای افزایش تعداد توکن‌ها و بزرگ‌تر کردن ابعاد مدل‌ها (معروف به دوران Tokenmaxxing)، اکنون در نیمه دوم سال ۲۰۲۶، شرکت‌های بزرگ فناوری با واقعیت‌های سخت اقتصادی مواجه شده‌اند. هزینه سرسام‌آور پردازش ابری و خرید سخت‌افزارهای پیشرفته، حاشیه سود این شرکت‌ها را به شدت تحت فشار قرار داده است.

مایکروسافت تنها شرکتی نیست که این مسیر را در پیش گرفته است؛ غول‌های دیگری مانند آمازون، اوبر، متا و اکسنچر نیز برنامه‌های مشابهی را برای کنترل و کاهش هزینه‌های مرتبط با هوش مصنوعی آغاز کرده‌اند. این روند نشان می‌دهد که صنعت فناوری از فاز «توسعه به هر قیمت» وارد فاز «بهینه‌سازی و توجیه اقتصادی» شده است.

اهمیت ارکستراسیون و مدیریت مدل‌ها در فین‌تک

در صنعت خدمات مالی و فین‌تک، مدیریت هزینه‌های پردازش داده از اهمیت دوچندانی برخوردار است. فین‌تک‌ها به دلیل ماهیت تراکنشی و حجم بالای داده‌های کاربر، نمی‌توانند به طور مداوم از مدل‌های عمومی و گران‌قیمت استفاده کنند. اینجاست که مفهوم ارکستراسیون هوش مصنوعی به عنوان یک مهارت کلیدی مطرح می‌شود.

ارکستراسیون به معنای توانایی هدایت هوشمندانه درخواست‌ها به سمت مناسب‌ترین و ارزان‌ترین مدل است. برای مثال، یک درخواست ساده موجودی حساب یا تغییر رمز عبور نیازی به پردازش توسط یک مدل چندمیلیارد پارامتری گران‌قیمت ندارد و می‌توان آن را با یک مدل سبک بومی پاسخ داد. رویکرد جدید مایکروسافت در تفکیک درخواست‌ها بین مدل‌های داخلی و خارجی، الگویی عملی برای پیاده‌سازی ارکستراسیون در مقیاس بزرگ است.

اثر این روند بر صنعت فین‌تک و بانکداری دیجیتال

بانک‌ها و موسسات مالی در سراسر جهان به سرعت در حال توسعه عوامل هوشمند یا همان ایجنت‌های هوش مصنوعی هستند تا تجربه کاربری و فرآیندهای پشتیبانی خود را ارتقا دهند. با این حال، اگر این ابزارها بر اساس مدل‌های تجاری گران‌قیمت خارجی پیاده‌سازی شوند، هزینه‌های عملیاتی بانکداری دیجیتال به شدت افزایش خواهد یافت.

حرکت به سمت مدل‌های تخصصی و کوچک‌تر (SLMs) که برای کارهای خاص مالی بهینه‌سازی شده‌اند، به بانک‌ها اجازه می‌دهد تا بدون به خطر انداختن امنیت داده‌ها و با هزینه‌ای به مراتب کمتر، خدمات هوشمند ارائه دهند. این تغییر پارادایم، وابستگی به ارائه‌دهندگان انحصاری فناوری را کاهش داده و رقابت‌پذیری را در بازار فین‌تک افزایش می‌دهد.

نسبت این روند با اکوسیستم مالی و فین‌تک ایران

اگرچه تصمیم مایکروسافت یک رویداد جهانی است، اما پیامدهای این رویکرد برای اکوسیستم فین‌تک ایران بسیار حائز اهمیت است. شرکت‌های ایرانی به دلیل محدودیت‌های ناشی از تحریم‌ها و عدم دسترسی مستقیم به APIهای رسمی شرکت‌های بزرگ، همواره با چالش‌های جدی مواجه بوده‌اند. از سوی دیگر، نوسانات نرخ ارز، استفاده از ابزارهای بین‌المللی را برای استارتاپ‌های ایرانی به شدت غیراقتصادی می‌کند.

روند جهانی کاهش هزینه هوش مصنوعی و تمرکز بر مدل‌های بومی و تخصصی، تاییدکننده مسیری است که توسعه‌دهندگان ایرانی باید طی کنند. سرمایه‌گذاری روی توسعه مدل‌های زبانی کوچک (SLM) بومی که با زبان فارسی و قوانین مالی ایران همخوانی دارند، نه تنها امنیت داده‌های بانکی را تضمین می‌کند، بلکه هزینه‌های عملیاتی فین‌تک‌های ایرانی را در مقایسه با استفاده از واسطه‌های خارجی به شدت کاهش می‌دهد.

جمع‌بندی؛ عبور از هیجان و ورود به عصر بهینه‌سازی

اقدام مایکروسافت در کاهش وابستگی به مدل‌های شخص ثالث و تکیه بر مدل‌های اختصاصی MAI، سیگنال روشنی به کل صنعت فناوری و فین‌تک است. دوران استفاده بی‌محابا از مدل‌های بزرگ و گران‌قیمت به پایان رسیده و اکنون زمان حکمرانی مدل‌های بهینه، تخصصی و ارزان‌قیمت فرا رسیده است. برای فین‌تک‌ها و بانک‌های دیجیتال، کلید موفقیت در این دوران جدید، توانایی ارکستراسیون هوشمند مدل‌ها و بهره‌گیری از زیرساخت‌های اختصاصی خواهد بود.

پرسش‌های متداول (FAQ)

• چرا مایکروسافت استفاده از مدل‌های OpenAI را کاهش داده است؟
  به دلیل هزینه‌های بسیار بالای پردازش ابری و توکن‌ها، مایکروسافت تصمیم گرفته برای برخی وظایف در نرم‌افزارهای خود از مدل‌های اختصاصی و ارزان‌تر MAI استفاده کند تا هزینه‌ها را کاهش دهد.

• مدل‌های MAI مایکروسافت چیستند؟
  این مدل‌ها، مدل‌های هوش مصنوعی اختصاصی و درون‌سازمانی مایکروسافت هستند که برای کارهای مشخصی مانند کدنویسی، تولید متن و تصویر بهینه‌سازی شده‌اند.

• ارکستراسیون هوش مصنوعی چه نقشی در کاهش هزینه‌ها دارد؟
  ارکستراسیون به سیستم‌ها اجازه می‌دهد تا درخواست‌های کاربران را تحلیل کرده و هر درخواست را به بهینه‌ترین مدل (از نظر هزینه و دقت) ارجاع دهند تا از هدررفت منابع جلوگیری شود.

• این تغییر روند چه تاثیری بر فین‌تک‌ها دارد؟
  فین‌تک‌ها را ترغیب می‌کند تا به جای اتکای کامل به مدل‌های عمومی و گران‌قیمت، از مدل‌های کوچک‌تر، تخصصی‌تر و بومی برای فرآیندهای مالی خود استفاده کنند.

• چرا توسعه مدل‌های بومی برای فین‌تک ایران حیاتی است؟
  به دلیل تحریم‌ها، نوسانات نرخ ارز و لزوم حفظ امنیت داده‌های مالی، توسعه مدل‌های کوچک و بومی در ایران تنها راهکار پایدار و اقتصادی برای استفاده از هوش مصنوعی در بانکداری است.

برای دنبال کردن تحلیل‌های بیشتر درباره فین‌تک، بانکداری دیجیتال و اقتصاد نوآوری، گزارش‌های تخصصی پی‌کار را در بخش مقالات تخصصی فین‌تک بخوانید.

مایکروسافت در راستای بهینه‌سازی هزینه‌های زیرساختی خود، استراتژی جدیدی را با تمرکز بر مدل‌های اختصاصی هوش مصنوعی در پیش گرفته است تا وابستگی مالی به مدل‌های خارجی را کاهش دهد؛ این رویکرد که جزئیات آن در گزارش تحلیلی TechCrunch بررسی شده، نشان‌دهنده چرخش استراتژیک غول‌های فناوری به سمت توسعه درون‌برنامه‌ای جهت پایداری مالی در سال ۲۰۲۶ است و علاقه‌مندان می‌توانند ابعاد اقتصادی این تحولات را در بخش مقالات تخصصی رسانه پی‌کار دنبال کنند.