این روند تا کجا ادامه خواهد داشت؟
گزارش‌ها حاکی از کاهش سریع هزینه‌های استفاده از مدل‌های هوش مصنوعی است؛ روندی که می‌تواند بازار نرم‌افزار را دستخوش تغییر کند و دسترسی به این فناوری را تسهیل کند.
هزینه استفاده از مدل‌های هوش مصنوعی در حال سقوطی سریع است؛ روندی که می‌تواند بازار نرم‌افزارهای پیشرفته را به‌طور جدی تغییر دهد.
به گزارش
ایتنا به نقل از
TechSpot، گزارش جدید مؤسسه Epoch AI نشان می‌دهد هزینه دستیابی به یک سطح مشخص از توانایی هوش مصنوعی تقریباً هر فصل ۵۰ درصد کاهش یافته است؛ یعنی هزینه دستیابی به همان سطح عملکرد، به‌طور تقریبی سالانه ۱۳ برابر کمتر می‌شود.
این گزارش به‌جای بررسی میانگین قیمت محصولات هوش مصنوعی، هزینه رسیدن مدل‌ها به سطح مشخصی از عملکرد را اندازه‌گیری می‌کند. یکی از معیارهای اصلی، آزمون GPQA Diamond است که پرسش‌های علمی در سطح تحصیلات تکمیلی را شامل می‌شود.
تفاوت میان مدل‌های جدید و قدیمی به‌خوبی سرعت این کاهش هزینه را نشان می‌دهد. طبق گزارش، مدل GPT o3 که در ژانویه ۲۰۲۵ عرضه شد، برای دستیابی به امتیاز ۷۵ درصد در این آزمون حدود ۰/۳۰ دلار برای هر پرسش هزینه داشت. حدود یک سال و نیم بعد، GPT-5.6 Luna می‌توانست همان سطح عملکرد را با هزینه‌ای حدود ۰/۰۰۰۴ دلار برای هر پرسش ارائه کند.
اپوک ای‌آی این روند را با فناوری‌های دیگری مانند باتری‌های لیتیوم‌یون، محاسبات و توالی‌یابی دی‌ان‌ای مقایسه کرده است. بر اساس این مقایسه، هزینه توانایی‌های هوش مصنوعی حدود چهار برابر سریع‌تر از توالی‌یابی دی‌ان‌ای و ۱۸ برابر سریع‌تر از باتری‌های لیتیومی کاهش یافته است. البته این مقایسه محدودیت‌هایی دارد؛ زیرا بازه‌های زمانی و روش محاسبه برای فناوری‌های مختلف یکسان نیستند.
همچنین کاهش هزینه در تمام وظایف هوش مصنوعی یکسان نیست. بررسی معیارهایی مانند ریاضیات و مسائل شطرنج نشان داده است که برخی وظایف کاهش تدریجی هزینه دارند، در حالی که برخی دیگر دوره‌های طولانی ثبات را پشت سر می‌گذارند و سپس با افت ناگهانی مواجه می‌شوند.
سرعت کاهش هزینه نیز ظاهراً در حال کند شدن است. میانگین کاهش هزینه در پنج معیار بررسی‌شده ابتدا حدود ۶۶ درصد در هر فصل بود، اما دو سال بعد به ۳۲ درصد رسید. هزینه انرژی، ظرفیت دیتاسنتر و سخت‌افزارهای هوش مصنوعی از عواملی هستند که می‌توانند کاهش بیشتر هزینه‌ها را دشوارتر کنند.
این گزارش همچنین درباره پدیده «بهینه‌سازی معیارها» یا بنچ‌مکسینگ (Benchmaxxing) هشدار می‌دهد؛ یعنی بهینه‌سازی مدل برای کسب امتیاز بالا در آزمون‌ها، بدون آنکه الزاماً عملکرد آن در دنیای واقعی به همان اندازه بهتر شود. با وجود این محدودیت‌ها، ارزان‌تر شدن هوش مصنوعی می‌تواند انتخاب‌های بیشتری در اختیار شرکت‌ها قرار دهد و فشار بیشتری بر ارائه‌دهندگان مدل‌های پیشرفته وارد کند.
📡منبـع خبـر:
www.itna.ir
ایتنا
🏹لـینـک کـوتـاه:
halohava.top/qDaVk5
شمـا اولیـن نفـر هستـید کـه نظـر خـود را ثبـت مـی کنیـد.
🗩ثبـت نظر: