چرا هر کسب‌وکار باید مدل هوش مصنوعی اختصاصی خود را بسازد؟

چرا هر کسب‌وکار باید مدل هوش مصنوعی اختصاصی خود را بسازد؟

مقدمه

در اواسط سال ۲۰۲۶، چشم‌انداز توسعه هوش مصنوعی مولد با تغییرات بنیادینی مواجه شده است. در حالی که تا پیش از این، تمرکز اصلی صنایع بر استفاده از مدل‌های زبانی بزرگ (LLM) عمومی و یکپارچه مانند محصولات OpenAI یا گوگل بود، اکنون رویکرد جدیدی در حال شکل‌گیری است. ساتیا نادلا، مدیرعامل مایکروسافت، در اظهارنظری جریان‌ساز اعلام کرده است که هر شرکتی در جهان باید به سمت توسعه و بومی‌سازی «مدل هوش مصنوعی اختصاصی» خود حرکت کند.

این دیدگاه نشان‌دهنده یک چرخش استراتژیک از وابستگی به چند غول فناوری محدود به سمت توزیع‌شدگی و حاکمیت داده‌هاست. در دنیای فین‌تک و بانکداری دیجیتال، جایی که امنیت، انطباق با مقررات و دقت داده‌ها حرف اول را می‌زند، این تغییر پارادایم اهمیت دوچندانی پیدا می‌کند. در این گزارش تحلیلی از رسانه «پی‌کار»، ابعاد این رویکرد جدید و تاثیر آن بر آینده فناوری‌های مالی را بررسی می‌کنیم.

اظهارات جریان‌ساز ساتیا نادلا

ساتیا نادلا در مصاحبه اخیر خود تاکید کرده است که جهان به همان تعداد که شرکت فعال دارد، به مدل‌های هوش مصنوعی نیاز دارد. او معتقد است تکیه بر تعداد محدودی از مدل‌های پایه (Foundation Models) ریسک‌های اقتصادی و عملیاتی بزرگی به همراه دارد. نادلا شرکت‌ها را به عنوان «سیستم‌های یادگیرنده» توصیف می‌کند که باید بتوانند از داده‌ها، بافتار (Context) و رفتارهای سازمانی خود برای آموزش مدل‌های سبک‌تر، ارزان‌تر و بهینه‌شده استفاده کنند.

او در این باره می‌گوید: «من نمی‌خواهم در هیچ مدل خاصی قفل شوم. من می‌خواهم بتوانم از بافتار و داده‌های خودم استفاده کنم و شاید حتی از یک مدل متن‌باز (Open-weight) مقرون‌به‌صرفه‌تر یا یک مدل شخصی‌سازی‌شده بهره ببرم.»

این استراتژی مایکروسافت که از طریق پلتفرم Azure AI Foundry و پشتیبانی از مدل‌های متن‌باز و متنوعی مانند DeepSeek و Cohere دنبال می‌شود، نشان می‌دهد که دوران انحصار مطلق مدل‌های بسته رو به پایان است. شرکت‌ها دیگر تمایلی به قفل شدن در یک اکوسیستم خاص (Vendor Lock-in) ندارند و ترجیح می‌دهند کنترل کاملی بر دارایی‌های داده‌ای خود داشته باشند. این موضوع به ویژه در مواردی مانند چرا هوش مصنوعی تجارت الکترونیک فاقد بافتار است اهمیت پیدا می‌کند، چرا که مدل‌های عمومی اغلب فاقد درک عمیق از فرآیندهای خاص هر کسب‌وکار هستند.

چرا مدل هوش مصنوعی اختصاصی برای فین‌تک حیاتی است؟

صنعت خدمات مالی و فین‌تک به دلیل ماهیت حساس خود، نمی‌تواند به طور کامل به مدل‌های ابری عمومی متکی باشد. دلایل متعددی وجود دارد که چرا فین‌تک‌ها و بانک‌ها باید به سمت توسعه مدل هوش مصنوعی اختصاصی حرکت کنند:

• حفظ حریم خصوصی و امنیت داده‌ها: انتقال داده‌های مالی مشتریان به سرورهای خارجی برای پردازش توسط مدل‌های عمومی، ریسک‌های امنیتی و قانونی شدیدی به همراه دارد. با توسعه مدل‌های اختصاصی در زیرساخت‌های بومی، این ریسک به حداقل می‌رسد.

• کاهش هزینه‌های عملیاتی: استفاده از مدل‌های بزرگ عمومی با ساختار پرداخت بر اساس توکن (Token-based) در تراکنش‌های با حجم بالا بسیار هزینه‌بر است. مدل‌های کوچک‌تر و اختصاصی‌شده (Fine-tuned) کارایی بالاتر و هزینه به مراتب کمتری دارند.

• دقت و کاهش توهم هوش مصنوعی (Hallucination): در بانکداری، اشتباه حتی در حد یک صدم درصد پذیرفتنی نیست. مدل‌های اختصاصی که با داده‌های واقعی و ساختاریافته بانک آموزش دیده‌اند، پاسخ‌های دقیق‌تر و قابل‌اعتمادتری ارائه می‌دهند.

موضوع رگولاتوری هوش مصنوعی نیز در این میان نقش پررنگی ایفا می‌کند. نهادهای ناظر مالی در سراسر جهان استانداردهای سخت‌گیرانه‌ای برای توضیح‌پذیری (Explainability) تصمیمات اتخاذشده توسط هوش مصنوعی وضع کرده‌اند که رعایت آن‌ها تنها با داشتن مالکیت و نظارت کامل بر مدل‌های بومی امکان‌پذیر است.

اثر احتمالی بر بازیگران بازار و بانکداری دیجیتال

حرکت به سمت مدل‌های اختصاصی، نقش بازیگران مختلف حوزه فناوری مالی را بازتعریف می‌کند. بانک‌های بزرگ به جای خرید اشتراک سرویس‌های آماده، به سمت جذب دانشمندان داده و راه‌اندازی زیرساخت‌های پردازش ابری خصوصی خواهند رفت. این امر به ویژه در بخش‌هایی مانند مدیریت ریسک با استفاده از هوش مصنوعی عامل‌محور مشهود خواهد بود، جایی که عامل‌های هوشمند باید بر اساس سیاست‌های داخلی بانک تصمیم‌گیری کنند.

از سوی دیگر، شرکت‌های ارائه‌دهنده خدمات پرداخت و استارتاپ‌های فین‌تک کوچک‌تر که توان مالی توسعه مدل‌های بزرگ را ندارند، به سمت استفاده از مدل‌های متن‌باز (Open-weight) و شخصی‌سازی آن‌ها با داده‌های مشتریان خود حرکت خواهند کرد. این رویکرد به آن‌ها اجازه می‌دهد بدون پرداخت هزینه‌های گزاف به غول‌های فناوری، ابزارهای تخصصی خود را برای اعتبارسنجی، کشف تقلب و پشتیبانی مشتریان توسعه دهند.

نسبت این موضوع با اکوسیستم فین‌تک ایران

در ایران، به دلیل محدودیت‌های ناشی از تحریم‌ها و عدم دسترسی رسمی به APIهای شرکت‌های بزرگی مانند OpenAI و گوگل، رویکرد توسعه «مدل هوش مصنوعی اختصاصی» نه یک انتخاب استراتژیک، بلکه یک ضرورت اجتناب‌ناپذیر است. بانک‌ها و هلدینگ‌های بزرگ فناوری اطلاعات در ایران طی سال‌های اخیر سرمایه‌گذاری‌های قابل‌توجهی روی توسعه مدل‌های زبانی بومی و بومی‌سازی مدل‌های متن‌باز انجام داده‌اند.

فرصت بزرگی که این رویکرد برای فین‌تک ایران ایجاد می‌کند، امکان توسعه ابزارهای مالی منطبق با قوانین بانکداری بدون ربا، مقررات بانک مرکزی ایران و رفتارهای خاص کاربران ایرانی است. با این حال، چالش اصلی در این مسیر، کمبود زیرساخت‌های پردازشی قدرتمند (GPU) و مهاجرت نخبگان حوزه هوش مصنوعی است. سرمایه‌گذاری مشترک بانک‌ها و تشکیل کنسرسیوم‌های فناوری می‌تواند راهکاری موثر برای غلبه بر این محدودیت‌های زیرساختی باشد.

جمع‌بندی

پیش‌بینی ساتیا نادلا درباره آینده‌ای با میلیون‌ها مدل هوش مصنوعی اختصاصی، نشان‌دهنده بلوغ این فناوری و حرکت به سمت کاربردی‌شدن عمیق آن در صنایع است. برای صنعت فین‌تک، این روند به معنای پایان دوره هیجان‌زدگی اولیه و آغاز دوره توسعه ابزارهای دقیق، امن و اقتصادی است. شرکت‌هایی که امروز سرمایه‌گذاری روی داده‌های اختصاصی و توسعه مدل‌های بومی خود را آغاز کنند، برندگان رقابت سخت در بازار مالی فردا خواهند بود.

سوالات متداول (FAQ)

۱. چرا ساتیا نادلا معتقد است هر شرکت باید مدل هوش مصنوعی خود را داشته باشد؟

زیرا تکیه بر چند مدل محدود ریسک انحصار و هزینه‌های بالا را دارد و شرکت‌ها به عنوان سیستم‌های یادگیرنده باید بتوانند از داده‌ها و بافتار اختصاصی خود برای بهینه‌سازی فرآیندهایشان استفاده کنند.

۲. تفاوت مدل هوش مصنوعی اختصاصی با مدل‌های عمومی چیست؟

مدل‌های اختصاصی با داده‌های داخلی و تخصصی یک کسب‌وکار آموزش می‌بینند، امنیت بالاتری دارند، هزینه عملیاتی آن‌ها در مقیاس بزرگ کمتر است و پاسخ‌های دقیق‌تر متناسب با نیاز آن صنعت ارائه می‌دهند.

۳. توسعه مدل اختصاصی چه چالش‌هایی برای فین‌تک‌ها دارد؟

هزینه‌های اولیه تامین زیرساخت‌های پردازشی (GPU)، نیاز به متخصصان داده مجرب و ضرورت رعایت استانداردهای سخت‌گیرانه رگولاتوری از چالش‌های اصلی هستند.

۴. آیا شرکت‌های کوچک هم می‌توانند مدل اختصاصی خود را بسازند؟

بله، با استفاده از مدل‌های متن‌باز (Open-weight) سبک‌تر و فرآیند Fine-tuning (شخصی‌سازی مدل با داده‌های محدود)، کسب‌وکارهای کوچک نیز می‌توانند با هزینه کم مدل اختصاصی خود را داشته باشند.

۵. وضعیت توسعه مدل‌های اختصاصی هوش مصنوعی در ایران چگونه است؟

به دلیل تحریم‌ها و عدم دسترسی به سرویس‌های خارجی، توسعه مدل‌های بومی و شخصی‌سازی مدل‌های متن‌باز در ایران شتاب گرفته است، هرچند محدودیت سخت‌افزاری همچنان یک مانع جدی است.

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

در سال ۱۴۰۵، اتکا به ابزارهای عمومی هوش مصنوعی دیگر برای حفظ رقابت‌پذیری در اقتصاد دیجیتال کافی نیست و کسب‌وکارها برای حفظ امنیت داده‌ها و بهینه‌سازی فرآیندهای مالی خود به سمت توسعه مدل‌های اختصاصی حرکت می‌کنند؛ رویکردی که در گزارش اخیر بیزنس اینسایدر از دیدگاه ساتیا نادلا نیز به عنوان کلید بقای سازمان‌ها مطرح شده است. برای تحلیل عمیق‌تر این تحولات تکنولوژیک در حوزه فین‌تک، می‌توانید بخش مقالات تخصصی پی‌کار را دنبال کنید.