عصر مدل‌های تخصصی

صنعت هوش مصنوعی در آستانهٔ یکی از بزرگ‌ترین تغییرات پارادایمی خود قرار دارد. بر اساس پیش‌بینی مؤسسهٔ گارتنر، تا سال ۲۰۲۸ بیش از نیمی از مدل‌های مولد استفاده‌شده در سازمان‌ها، مدل‌های حوزه‌خاص (Domain-Specific) خواهند بود؛ این در حالی است که در سال ۲۰۲۳ این رقم تنها حدود یک درصد بود. هم‌زمان، گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۷، سازمان‌ها از مدل‌های کوچک و وظیفه‌محور حداقل سه برابر بیشتر از مدل‌های بزرگ عمومی استفاده خواهند کرد. از سوی دیگر، داده‌های مؤسسهٔ IDC نشان می‌دهد که مصرف توکن در بازار MaaS طی سال ۲۰۲۵ حدود ۱۶ برابر رشد داشته و از ۱۱۴ هزار میلیارد توکن به ۱۹۴۴ هزار میلیارد توکن رسیده است.

این مقاله به بررسی این پرسش بنیادین می‌پردازد که آیا دوران «یک مدل برای همهٔ کارها» به پایان رسیده و مدل‌های تخصصی حوزه‌محور با دقت و هزینهٔ کمتر، جایگزین مدل‌های عمومی بزرگ خواهند شد؟

 از وسواس بزرگی تا وسواس کارایی

تا دو سال پیش، معیار سنجش موفقیت در هوش مصنوعی، تعداد پارامترها بود. هرچه مدل بزرگ‌تر، بهتر. رقابت بر سر ساخت مدل‌هایی با هزاران میلیارد پارامتر، صنعت را به مسابقه‌ای بی‌پایان برای انباشتن تراشه‌های بیشتر کشانده بود. اما این دوران در حال پایان یافتن است.

امروز، مدیران فناوری اطلاعات با واقعیتی تازه روبرو شده‌اند: مدل‌های بزرگ عمومی، با وجود توانایی‌های شگفت‌انگیز، در مواجهه با نیازهای تخصصی سازمان‌ها اغلب ناکارآمد هستند. همان‌طور که روبرتا کوتزا، معاون تحلیلی گارتنر، اشاره می‌کند: «یک هوش مصنوعی عمومی که با چالش‌ها، فرایندها و محتوای خاص یک سازمان هم‌سخن نباشد، واقعاً کمک‌کننده نیست.»

این ناکارآمدی در سه سطح خود را نشان می‌دهد: نخست، هزینهٔ گزاف آموزش و استنتاج که برای بسیاری از کاربردهای روزمره توجیه‌پذیر نیست. دوم، دقت پایین‌تر در حوزه‌های تخصصی به دلیل فقدان داده‌های حوزه‌محور در فرایند آموزش. سوم، چالش‌های انطباق با مقررات و حریم خصوصی که در صنایع حساس مانند بانکداری و درمان، استفاده از مدل‌های عمومی را با مانع جدی روبرو می‌کند.

در سوی دیگر میدان، موج جدیدی از مدل‌های کوچک، تخصصی و بهینه‌شده در حال شکل‌گیری است. مدل‌هایی که با هزینه‌ای کسری از مدل‌های بزرگ، دقتی بالاتر در حوزهٔ خود ارائه می‌دهند و با داده‌های اختصاصی هر سازمان، قابلیت اطمینان و انطباق با مقررات را به سطحی بی‌سابقه رسانده‌اند.

۱. مروری بر مسیر تکامل: از عمومی به تخصصی

۱-۱. عصر مدل‌های بزرگ عمومی (۲۰۲۰-۲۰۲۴)

دوران طلایی مدل‌های بزرگ با معرفی GPT-۳ در سال ۲۰۲۰ آغاز شد. در این دوره، فرض بر این بود که «هرچه بزرگ‌تر، بهتر» و شرکت‌ها برای دستیابی به توانایی‌های استدلالی بالاتر، مسابقه‌ای بی‌پایان در افزایش تعداد پارامترها آغاز کردند. از GPT-۳ با ۱۷۵ میلیارد پارامتر تا مدل‌های بعدی با بیش از یک تریلیون پارامتر، این رویکرد غالب صنعت بود.

اما این رویارویی با واقعیت‌های اقتصادی و عملیاتی، به‌تدریج چالش‌های خود را نمایان کرد. هزینهٔ آموزش یک مدل بزرگ می‌تواند از چند ده میلیون تا صدها میلیون دلار متغیر باشد و هزینهٔ استنتاج روزانهٔ آن نیز به سرعت از توان مالی بسیاری از سازمان‌ها خارج می‌شود.

۱-۲. نقطهٔ عطف: ظهور مدل‌های حوزه‌خاص

گارتنر در اکتبر ۲۰۲۵، مدل‌های زبان حوزه‌خاص (DSLM) را به عنوان یکی از ده روند فناوری راهبردی سال ۲۰۲۶ معرفی کرد.

تعریف DSLM ساده است: مدلی که بر روی داده‌های تخصصی یک صنعت، حوزهٔ کاری یا فرایند خاص آموزش دیده یا بهینه‌سازی (فاین‌تیون) شده است.مؤسسهٔ گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸، بیش از نیمی از مدل‌های مولد استفاده‌شده در سازمان‌ها، مدل‌های حوزه‌خاص خواهند بود.

این پیش‌بینی نشان‌دهندهٔ تغییری بنیادین در نگاه سازمان‌ها به هوش مصنوعی است؛ از «چه کاری می‌توانم با این مدل انجام دهم؟» به «چه مدلی برای نیاز خاص من بهینه است؟»

جدول زیر، مقایسهٔ کلیدی مدل‌های عمومی و حوزه‌خاص را بر اساس معیارهای گارتنر نشان می‌دهد:

منبع: اقتباس از تحلیل گارتنر

۲. داده‌های هزینه: اقتصاد مدل‌های بزرگ در برابر مدل‌های حوزه‌خاص

۲-۱. انفجار مصرف توکن و دگرگونی اقتصاد هوش مصنوعی

داده‌های مؤسسهٔ IDC تصویر روشنی از تحول بازار ارائه می‌دهد. در سال ۲۰۲۴، بازار MaaS سازمانی در چین تنها ۱۱۴ هزار میلیارد توکن مصرف داشت، اما این رقم در سال ۲۰۲۵ با رشد ۱۶ برابری به ۱۹۴۴ هزار میلیارد توکن رسید.

پیش‌بینی IDC برای سال ۲۰۲۶ رشد ۲۰ برابری دیگر را نشان می‌دهد و رقم مصرف را به ۴۰,۰۰۰ هزار میلیارد توکن می‌رساند.

این رشد خیره‌کننده، توجه را به یک پرسش اساسی معطوف می‌کند: با این حجم عظیم مصرف توکن، چگونه می‌توان هزینه‌ها را مدیریت کرد؟

IDC در تحلیلی کلیدی اعلام کرده است که ارزیابی پردازنده‌ها از معیارهای سنتی مانند FLOPs/TOPS به سمت «توکن در ثانیه» به عنوان واحد اصلی قیمت‌گذاری، ظرفیت‌سنجی و کارایی حرکت می‌کند.

به عبارت دیگر، صنعت در حال گذار از «چقدر تراشه قدرتمند» به «هر وات، چند توکن» است.

۲-۲. شواهد میدانی: صرفه‌جویی چشمگیر هزینه

تحقیقات متعدد نشان می‌دهد که مدل‌های حوزه‌خاص می‌توانند با کسری از هزینهٔ مدل‌های بزرگ، عملکردی برتر ارائه دهند:

• یک مطالعه از دانشگاه کمبریج نشان داد که مدل‌های تخصصی نسبت به بهترین مدل‌های بزرگ، ۳۸ درصد افزایش دقت نسبی، یک‌هشتادم هزینه و یک‌دویستم انرژی مصرفی داشته‌اند.

در حوزهٔ تحلیل قراردادها، مدل‌های کوچک حوزه‌خاص توانستند هزینهٔ استنتاج را بین ۷۸ تا ۹۷ درصد نسبت به مدل‌های بزرگ کاهش دهند.

مدل FinGPT در حوزهٔ تحلیل مالی با هزینهٔ فقط ۳۰۰ دلار در هر اجرا به عملکرد رقابتی دست یافت، در حالی که BloombergGPT با هزینهٔ آموزش ۲٫۷ میلیون دلاری توسعه یافته بود.

یک استارتاپ کوچک با استفاده از پردازنده‌های بازی و با هزینهٔ کمتر از ۱۰۰,۰۰۰ دلار، مدلی ساخت که در وظایف خاص از GPT-۴o پیشی گرفت و سرعت استنتاج آن ۹۹ برابر بیشتر بود.

---

۳. مطالعهٔ موردی: Astra اوپن‌ای‌آی و هزینهٔ ۲۰۰۰ دلاری برای حل مسائل پیچیده

در اوت ۲۰۲۶، اوپن‌ای‌آی خبری منتشر کرد که توجه جهانیان را به خود جلب کرد. مدل نسل بعدی این شرکت با نام Astra، ده مسئلهٔ حل‌نشده در ریاضیات و علوم رایانهٔ نظری را با هزینه‌ای حدود ۲۰۰۰ دلار حل کرد.

۳-۱. ابعاد این دستاورد

این ده مسئله، هر یک بیش از یک دهه حل‌نشده باقی مانده بودند. از جملهٔ آنها می‌توان به ساخت صریح یک گروه غیرسوفیک (پرسشی که از سال ۱۹۹۹ میلادی بی‌پاسخ مانده بود)، رد حدس صلبیت کونز، اثبات حدس حجم ارهارت، و سه مسئله از مجموعهٔ پل اردوش اشاره کرد.

هزینهٔ کل استنتاج برای یافتن راه‌حل این ده مسئله، بر اساس نرخ‌های API مدل GPT-۵.۶ Sol، حدود ۲۰۰۰ دلار برآورد شد؛ یعنی به طور متوسط تنها ۲۰۰ دلار برای هر مسئله.

۳-۲. پیام‌های این رویداد برای صنعت

این رویداد پیام‌های متعددی برای صنعت هوش مصنوعی دارد:

نخست، کارایی محاسباتی به جای قدرت خام. Astra نشان داد که با معماری بهینه و رویکردهای نوین در استدلال، می‌توان با هزینه‌ای بسیار کمتر از آموزش یک مدل بزرگ عمومی (که میلیون‌ها دلار هزینه دارد)، به نتایجی در سطح بالاترین استانداردهای علمی دست یافت.

دوم، تغییر معادلهٔ هزینه-فایده. اگر یک مدل بتواند مسائل سطح نوبل را با ۲۰۰۰ دلار حل کند، هزینهٔ حل مسائل روزمرهٔ یک سازمان به چه سطحی خواهد رسید؟ این پرسشی است که هر مدیر فناوری اطلاعات باید به آن بیندیشد.

سوم، هشدار برای تأمین‌کنندگان مدل‌های بزرگ. اگر مدل‌های کوچک‌تر و تخصصی‌تر بتوانند با کسری از هزینه، عملکردی رقابتی یا برتر ارائه دهند، مدل‌های بزرگ عمومی با چه توجیه اقتصادی به حیات خود ادامه خواهند داد؟

۴. فرصت‌ها برای کسب‌وکارهای ایرانی: ساخت مدل‌های اختصاصی با داده‌های بومی

گذار از مدل‌های عمومی به مدل‌های حوزه‌خاص، فرصتی تاریخی برای کسب‌وکارهای ایرانی ایجاد کرده است. این فرصت در چند سطح قابل بررسی است:

۴-۱. مزیت داده‌های بومی

سازمان‌های ایرانی صاحب حجم عظیمی از داده‌های تخصصی هستند که در مدل‌های عمومی بین‌المللی وجود ندارد: متون حقوقی و قراردادهای ایرانی، صورت‌های مالی شرکت‌های بورسی، داده‌های پزشکی جمعیت ایرانی، متون ادبی و تاریخی فارسی، و داده‌های زبانی و گویشی. این داده‌ها، مزیت رقابتی غیرقابل‌تقلیدی برای ساخت مدل‌های حوزه‌خاص ایجاد می‌کنند.

۴-۲. کاهش وابستگی به فناوری خارجی

با توسعهٔ مدل‌های اختصاصی، سازمان‌ها می‌توانند وابستگی خود به مدل‌های خارجی را کاهش دهند. این مسئله نه تنها از منظر امنیت داده‌ها، بلکه از منظر استقلال فناورانه و امنیت ملی نیز حائز اهمیت است.

۴-۳. اقتصاد مقیاس در بازار داخلی

هزینهٔ ساخت و استقرار مدل‌های حوزه‌خاص به‌مراتب کمتر از مدل‌های بزرگ عمومی است. گارتنر پیش‌بینی می‌کند که بازار مدل‌های حوزه‌خاص تا سال ۲۰۲۸ به ۱۱٫۳ میلیارد دلار برسد

و درآمد حاصل از این مدل‌ها و برنامه‌های مبتنی بر آنها تا سال ۲۰۳۵ به ۱۳۱ میلیارد دلار برسد.

سهم بازار ایران از این رشد، با سرمایه‌گذاری هوشمندانه در داده‌های بومی و توسعهٔ مدل‌های تخصصی، می‌تواند قابل‌توجه باشد.

۴-۴. حوزه‌های اولویت‌دار برای ایران

بر اساس تحلیل گارتنر، صنایع پیشرو در پذیرش مدل‌های حوزه‌خاص شامل مراقبت‌های درمانی، خدمات مالی، تولید و خودروسازی هستند.

این حوزه‌ها در ایران نیز از اهمیت راهبردی برخوردارند و ظرفیت بالایی برای پیاده‌سازی مدل‌های اختصاصی دارند.

۵. پیش‌بینی: ساختار بازار هوش مصنوعی در سال ۲۰۳۰ چگونه خواهد بود؟

بر اساس داده‌های موجود و روندهای جاری، می‌توان تصویری از ساختار بازار هوش مصنوعی در سال ۲۰۳۰ ترسیم کرد:

۵-۱. سه سطح از مدل‌ها

بازار هوش مصنوعی در سال ۲۰۳۰ به سه سطح اصلی تقسیم خواهد شد:

سطح اول: مدل‌های بنیادین بزرگ (۲ تا ۳ مدل جهانی). این مدل‌ها که توسط شرکت‌های بزرگ مانند اوپن‌ای‌آی، گوگل و آنتروپیک توسعه می‌یابند، به عنوان «موتورهای استدلال عمومی» عمل خواهند کرد. تعداد آنها محدود و هزینهٔ دسترسی به آنها بالا خواهد بود.

سطح دوم: مدل‌های حوزه‌خاص (ده‌ها تا صدها مدل در هر صنعت). این مدل‌ها که بر روی داده‌های تخصصی هر صنعت آموزش دیده‌اند، بخش اصلی بازار را تشکیل خواهند داد. گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸ بیش از نیمی از مدل‌های مولد سازمانی در این دسته قرار می‌گیرند.

سطح سوم: مدل‌های وظیفه‌محور بسیار کوچک (میلیون‌ها مدل). این مدل‌ها برای وظایف بسیار خاص طراحی می‌شوند و هزینهٔ استنتاج آنها ناچیز است. گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۷، استفاده از این مدل‌ها حداقل سه برابر مدل‌های بزرگ عمومی خواهد بود.

۵-۲. تغییر در زنجیرهٔ ارزش

تغییر از مدل‌های عمومی به مدل‌های حوزه‌خاص، زنجیرهٔ ارزش هوش مصنوعی را دگرگون خواهد کرد:

• ارزش از سخت‌افزار به داده و تخصص حوزه‌ای منتقل می‌شود. داشتن داده‌های باکیفیت و تخصص حوزه‌ای، مهم‌تر از داشتن تراشه‌های قدرتمند خواهد شد.

• هزینهٔ ورود به بازار به شدت کاهش می‌یابد. با مدل‌های کوچک‌تر و ارزان‌تر، استارتاپ‌ها و سازمان‌های کوچک نیز می‌توانند وارد عرصهٔ توسعهٔ مدل‌های اختصاصی شوند.

• بازار ابزارهای بهینه‌سازی و فاین‌تیون رشد چشمگیری خواهد داشت. همان‌طور که گارتنر اشاره کرده، جنبش متن‌باز «توانایی شروع با یک مدل پایه، آموزش آن، کوچک کردن و آموزش بر روی داده‌های حوزه‌خاص را دموکراتیک کرده است.»

۵-۳. پیش‌بینی های کلیدی برای ۲۴ ماه آینده

بر اساس تحلیل روندهای موجود، پیش‌بینی‌های زیر برای ۱۲ تا ۲۴ ماه آینده قابل ارائه است:

۱. افزایش سرمایه‌گذاری در فاین‌تیون مدل‌های متن‌باز. با کاهش هزینهٔ فاین‌تیون (برخی گزارش‌ها از هزینهٔ ۵۰ تا ۳۰۰ دلار برای هر اجرا حکایت دارند

)، سازمان‌های بیشتری به سمت شخصی‌سازی مدل‌های متن‌باز حرکت خواهند کرد.

۲. رشد بازار MaaS با شتاب بیشتر. IDC پیش‌بینی کرده است که مصرف توکن در سال ۲۰۲۶ حدود ۲۰ برابر سال ۲۰۲۵ رشد خواهد کرد.

۳. ظهور پلتفرم‌های تخصصی فاین‌تیون. همان‌طور که IDC اشاره کرده، رقابت در بازار MaaS از «رقابت قیمتی» به «رقابت در قیمت، عملکرد و پشتیبانی از زنجیرهٔ ابزار» تغییر می‌کند.

۴. کاهش محسوس هزینهٔ استنتاج مدل‌های کوچک. نمونه‌هایی مانند کاهش هزینهٔ استنتاج به زیر ۱元 (یوان) به ازای هر میلیون توکن در چین

， نشان‌دهندهٔ روند نزولی هزینه‌هاست که پذیرش مدل‌های تخصصی را تسهیل می‌کند.

شواهد و داده‌های موجود به روشنی نشان می‌دهند که صنعت هوش مصنوعی در حال گذار از وسواس «بزرگی» به وسواس «کارایی» است. مدل‌های بزرگ عمومی، با وجود توانایی‌های چشمگیر، به تدریج جای خود را به مدل‌های کوچک‌تر، تخصصی‌تر و بهینه‌تری می‌دهند که با هزینهٔ کمتر، دقت بالاتر و انطباق بیشتر با نیازهای خاص هر سازمان، پاسخگوی نیازهای واقعی بازار هستند.

این به معنای پایان عصر مدل‌های بزرگ نیست، بلکه به معنای بلوغ و تکامل این صنعت است. مدل‌های بزرگ همچنان به عنوان موتورهای استدلال عمومی نقش خود را ایفا خواهند کرد، اما برای کاربردهای تخصصی و روزمره، مدل‌های حوزه‌خاص گزینه‌های به مراتب بهینه‌تری خواهند بود.

 

توصیه‌های عملی برای مخاطبان

برای مدیران فناوری اطلاعات:

• پیش از انتخاب یک مدل بزرگ عمومی، نیازهای واقعی سازمان خود را دقیقاً تعریف کنید. آیا واقعاً به قدرت استدلال عمومی یک مدل بزرگ نیاز دارید یا یک مدل تخصصی با هزینهٔ بسیار کمتر پاسخگوی نیاز شماست؟

• سرمایه‌گذاری در زیرساخت‌های داده را در اولویت قرار دهید. با ارزش‌ترین دارایی سازمان شما در عصر مدل‌های حوزه‌خاص، داده‌های اختصاصی شماست.

• از مدل‌های متن‌باز به عنوان نقطهٔ شروع استفاده کنید و آنها را با داده‌های خود فاین‌تیون نمایید.

برای توسعه‌دهندگان:

• مهارت‌های خود را در زمینهٔ فاین‌تیون و بهینه‌سازی مدل‌ها ارتقا دهید. این مهارت‌ها در سال‌های آینده از تقاضای بالایی برخوردار خواهند بود.

• با ابزارهای کاهش هزینهٔ استنتاج مانند quantization و pruning آشنا شوید.

• به جای تمرکز بر روی ساخت مدل از صفر، بر روی شخصی‌سازی مدل‌های موجود برای حوزه‌های خاص متمرکز شوید.

برای کارآفرینان حوزهٔ هوش مصنوعی:

• حوزه‌های تخصصی با داده‌های غنی و دست‌نخورده را شناسایی کنید. صنایع درمان، مالی، حقوقی و تولیدی از جملهٔ این حوزه‌ها هستند.

• مدل کسب‌وکار خود را بر اساس «ارائهٔ ارزش تخصصی» طراحی کنید، نه «ارائهٔ یک مدل بزرگ دیگر».

• از کاهش هزینه‌های ورود به بازار استفاده کنید و با سرمایه‌ای کمتر از گذشته، محصولات تخصصی خود را توسعه دهید.

برای تحلیلگران بازار:

• شاخص‌های جدیدی برای سنجش ارزش مدل‌ها تعریف کنید. «توکن در ثانیه»، «دقت در حوزهٔ خاص» و «هزینهٔ هر پاسخ صحیح» معیارهای مهم‌تری از «تعداد پارامترها» خواهند بود.

• روندهای حوزه‌خاص را به دقت رصد کنید، زیرا تنوع و تکثر مدل‌های تخصصی، تحلیل بازار را پیچیده‌تر از دوران مدل‌های بزرگ یکنواخت خواهد کرد.

دوران مدل‌های همه‌کاره در حال پایان یافتن است و عصر مدل‌های حوزه‌خاص، با تمام فرصت‌ها و چالش‌هایش، از همین امروز آغاز شده است. پرسش این نیست که آیا این تغییر رخ خواهد داد، بلکه این است که شما در کدام سوی این تغییر قرار خواهید گرفت.

---

این مقاله بر اساس داده‌های مؤسسات گارتنر، IDC و گزارش‌های منتشرشده از سوی شرکت‌های پیشرو در صنعت هوش مصنوعی تهیه شده است.