هزینههای سرسامآور: بزرگترین مانع سودآوری
دستیابی به هوش مصنوعی در سطح GPT-4 و مدلهای پس از آن، نیازمند سه سرمایه بزرگ است:
1. هزینههای زیرساختی و محاسباتی (Compute): آموزش و اجرای مدلهای بزرگ زبانی (LLMs) به هزاران تراشه گرانقیمت (مانند GPUهای Nvidia) و مراکز داده عظیم نیاز دارد. برآوردها نشان میدهد هزینه آموزش یک مدل پیشرفته میتواند به صدها میلیون دلار برسد و هزینههای روزانه اجرا نیز بسیار سنگین است.
2. هزینههای نیروی انسانی و تحقیقاتی: جذب بهترین استعدادهای دنیای هوش مصنوعی و انجام تحقیقات بنیادین، حقوق و هزینههای گزافی را به شرکت تحمیل میکند.
3. هزینههای عملیاتی و توسعه محصول: توسعه و نگهداری محصولاتی مانند ChatGPT Plus، APIها و DALL-E نیز مستمراً هزینهبر است.
مدل درآمدی در حال تکوین و رقابت فشرده
اگرچه OpenAI راههای درآمدزایی مختلفی را آزمایش کرده، اما هیچکدام هنوز به اندازه کافی برای پوشش هزینههای عظیم آن مقرون به صرفه نیستند:
· طرحهای اشتراکی (مثل ChatGPT Plus): اگرچه میلیونها کاربر دارد، اما درآمد آن در مقایسه با هزینهها محدود است.
· دریافت وجه برای دسترسی API: این بخش درآمدی امیدوارکنندهتر است و شرکتهای بزرگی از آن استفاده میکنند، اما رقابت با غولهایی مانند مایکروسافت (Azure AI) و گوگل (Vertex AI) که زیرساختهای ابری قدرتمندی دارند، بسیار سخت است.
· همکاری با مایکروسافت: این همکاری چندمیلیاردی، منبع درآمدی مهمی است، اما در عین حال OpenAI را تا حدی به استراتژی و پلتفرم مایکروسافت وابسته کرده است.
رقابت با شرکتهای بزرگی که بودجه پژوهشی و زیرساختی تقریباً نامحدودی دارند (مانند Alphabet/Google و متا) نیز فشار مضاعفی بر OpenAI وارد میکند و ممکن است مجبور شود برای حفظ برتری فنی، هزینههایش را بیشتر افزایش دهد.