مایکروسافت، شریک بزرگ اوپن‌ای‌آی حالا به‌دنبال استقلال بیشتر است

مایکروسافت دیگر نمی‌خواهد برای هر کار هوش مصنوعی، گران‌ترین موتور موجود را روشن کند. این شرکت دو مدل داخلی تازه را به پیش‌نمایش عمومی آورده است: MAI-Image-۲.۵-Pro برای تولید و ویرایش تصویر با کیفیت بالا و MAI-Voice-۲-Flash برای پردازش سریع و پرتعداد صدا. پیام شرکت روشن است: مدل‌های خانواده MAI از مرحله تحقیق عبور کرده‌اند و اکنون در بینگ، پاورپوینت، وان‌درایو، داینامیکس ۳۶۵، اکسل، گیت‌هاب کوپایلت و آژور به میلیون‌ها کاربر خدمت می‌کنند.

دو مدل تازه عمداً در دو سوی بازار قرار گرفته‌اند. مدل تصویری Pro برای تبلیغات، تصاویر اصلی، ویرایش دقیق و نوشتن متن داخل تصویر ساخته شده؛ کاری که مدت‌ها نقطه‌ضعف مدل‌های مولد بود. قیمت آن به‌ازای هر یک میلیون توکن ورودی متنی ۵ دلار، ورودی تصویری ۸ دلار و خروجی تصویری ۱۰۶ دلار اعلام شده است. در سوی دیگر، MAI-Voice-۲-Flash برای مراکز تماس و عامل‌های صوتی طراحی شده؛ جایی که سرعت و هزینه هر تماس از ظرافت صدای نهایی مهم‌تر است. این مدل دو برابر سریع‌تر از نسخه قبلی، ۳۲ درصد ارزان‌تر و با قیمت ۱۵ دلار به‌ازای هر یک میلیون نویسه عرضه می‌شود.

عددهای تولیدی، بخش مهم‌تر ماجرا هستند. ابزار ساخت تصویر بینگ اکنون به‌طور کامل با مدل داخلی مایکروسافت کار می‌کند. در پاورپوینت، شرکت از کاهش تا ۸۴ درصدی هزینه پردازنده گرافیکی در مقایسه با مدل تصویری اوپن‌ای‌آی حرف می‌زند. در وان‌درایو نیز مدل داخلی به گزینه پیش‌فرض برخی ویرایش‌ها تبدیل شده و طبق ادعای مایکروسافت، نرخ ذخیره خروجی را ۲۶ درصد بالا برده، تأخیر P۹۵ را حدود ۲۵ درصد کم کرده و در بار کاری متوسط به بهره‌وری ۲.۵ برابری رسیده است. مدل صوتی Flash نیز در مرکز تماس داینامیکس ۳۶۵ به‌کار گرفته شده و هزینه پردازنده گرافیکی را تا ۸۹ درصد کاهش داده است.

حساس‌ترین آزمون در سلامت اتفاق می‌افتد. درگن کوپایلت که توسط ۱۷۰ هزار ارائه‌دهنده خدمات پزشکی استفاده می‌شود، فقط در سه‌ماهه گذشته ۲۸ میلیون ملاقات بیمار را پردازش کرده است. گردش‌کار چندزبانه آن اکنون روی مدل MAI-Transcribe-۱.۵ و در ۵۸ زبان اجرا می‌شود. مایکروسافت می‌گوید ارزیابی‌های داخلی، کاهش نسبی ۵۰ درصدی خطای رونویسی و تشخیص زبان را در بیشتر زبان‌ها نشان داده‌اند. اینجا صرفه‌جویی فقط مسئله قبض زیرساخت نیست؛ یک کلمه اشتباه می‌تواند وارد پرونده بالینی شود و بر تصمیم بعدی پزشک اثر بگذارد.

موتور پشت این نتایج، روشی است که مایکروسافت آن را «ماشین تپه‌نوردی» می‌نامد: چرخه‌ای که داده واقعی محصول، ارزیابی، بازخورد کاربر و آموزش دوباره مدل را به هم وصل می‌کند. مدل سبک MAI-Code-۱-Flash در ویژوال استودیو کد، طبق آمار شرکت، حدود ۱۰ درصد نرخ پذیرش کد بالاتری از GPT-۵.۴ Mini و Claude Haiku ۴.۵ داشته و با ۱۰ درصد توکن کمتر کار کرده است. سپس همین مدل در محیط یادگیری تقویتی اکسل آموزش دیده و برای کارهای رایج صفحه‌گسترده به سطحی نزدیک GPT-۵.۶ رسیده؛ آن هم روی پردازنده‌های قدیمی‌تر H۱۰۰ و حتی A۱۰۰ انویدیا. شبیه این است که یک خودروی کوچک را دقیقاً برای مسیر شهری تنظیم کنید و ببینید در همان مسیر از خودروی مسابقه‌ای کم نمی‌آورد.

ساتیا نادلا این مسیر را «انتشار توانایی‌های مرزی» می‌نامد: استفاده از مدل‌های بسیار پیشرفته برای مسائل واقعاً مرزی، و انتقال کارهای پرتکرار به مدل‌های کوچک‌تر و ارزان‌تر. اوپن‌ای‌آی و آنتروپیک همچنان در سامانه مایکروسافت حضور دارند، اما دیگر قرار نیست تنها ستون‌های ساختمان باشند. مایکروسافت که بیش از ۱۳ میلیارد دلار روی اوپن‌ای‌آی سرمایه‌گذاری کرده، اکنون مدل‌ها را مانند قطعات قابل‌تعویض مدیریت می‌کند و حافظه، زمینه، ابزارها و ارزیابی را بیرون از آن‌ها نگه می‌دارد. البته بیشتر اعداد منتشرشده داخلی و انتخاب‌شده توسط خود شرکت‌اند و هنوز به تأیید مستقل نیاز دارند. بااین‌حال، منطق اقتصادی روشن است: وقتی هوش مصنوعی در هر کلیک و درخواست میلیون‌ها کاربر اجرا شود، کاهش ۸۴ یا ۸۹ درصدی هزینه تفاوت میان یک قابلیت سودآور و یک چاه پول است. مایکروسافت حالا همین روش را از طریق Foundry و Frontier Tuning در آژور می‌فروشد؛ یعنی صرفه‌جویی داخلی خود را به کسب‌وکاری تازه تبدیل می‌کند.