رونق هوش مصنوعی طی سال‌های ۲۰۲۳ و ۲۰۲۴ شبیه تب طلا بود. هیجان اولیهٔ این بازار خیلی سریع به شوروشوقی بی‌حدومرز تبدیل شد، و هر استارتاپی به‌عنوان «فلان هوش مصنوعی» معرفی شد! اما حالا که آن شور و هیجان اولیه فروکش کرده است، بنیان‌گذاران با واقعیتی سخت روبه‌رو هستند، و آن اینکه بخشی عمده از تب‌وتابِ هوش مصنوعیِ بدون پشتوانهٔ واقعی، ناپایدار است.
حالا دیگر سرمایه‌گذاران و مشتریان در این بازار دقیق‌تر و محتاط‌تر شده‌اند. پس برای دوری از «حباب هوش مصنوعی» باید جایگاه واقعیِ این فناوری، تغییرات در چشم‌انداز سرمایه‌گذاری و الزامات ساخت استارتاپی که توانایی عبور از چرخهٔ هیجان، و جذب سرمایه‌گذاری پایدار را داشته باشد، درک کنیم. اگر می‌خواهید دراین‌باره بیشتر بدانید، این مقالهٔ بلاگ مکس را تا انتها مطالعه کنید.
چشم‌انداز درحال تحول هوش مصنوعی چگونه است؟
هوش مصنوعی با سرعتی سرسام‌آور درحال تکامل است، و همچنان در صدر گفت‌وگوهای سرمایه‌گذاران و اخبار این حوزه در سرتاسر جهان قرار دارد.
طی سال گذشته، شاهد پیشرفت‌هایی چشمگیر در قابلیت‌های مدل‌ها و ظهور دسته‌هایی جدید مثل سیستم‌های هوش مصنوعی عامل‌محور و بهینه‌سازی زیرساخت‌های هوش مصنوعی بودیم. انگار آنچه تا چند ماه پیش فناوری پیشرو محسوب می‌شد، حالا دیگر درحال منسوخ‌شدن است!
این سرعتِ تحول فقط به مدل‌ها محدود نمی‌شود، بلکه به زیرساخت‌های بنیادینشان هم ربط دارد. رقابت در حوزهٔ سخت‌افزار صرفاً به پردازنده‌های گرافیکی محدود نیست، و حافظه، کامپایلرها و طراحی مدل‌های سازگار با تراشه‌ها را نیز شامل می‌شود.
البته طراحی سخت‌افزارمحور موضوع جدیدی نیست —برای مثال، مدل‌های اولیه مانند BERT با درنظرگرفتن واحدهای پردازش تنسور (TPU) ساخته شده بودند— اما مقیاس امروزی مستلزم یکپارچگیِ بسیار نزدیک‌تری بین سخت‌افزار و نرم‌افزار است.
حافظه با پهنای باند بالا (HBM) برای بارهای کاریِ هوش مصنوعی که به دسترسی سریع‌تر به داده‌ها و توان عملیاتی بالا نیاز دارند، به ضرورت تبدیل شده است. فناوری HBM3E در حال حاضر پیشتاز این حوزه است، و شرکت‌هایی مثل SK Hynix و Micron صاحب این فناوری هستند. اما هزینهٔ HBM خیلی بالاتر از DRAM است، و این مسئله به پژوهش‌هایی دربارهٔ جایگزین‌هایی ارزان‌تر مانند STT-MRAM و HBF شرکت SanDisk منجر شده است که در مراحل ابتدایی هستند.
نوآوری در کامپایلرها نیز مورد توجهی ویژه قرار گرفته است. مدت‌هاست کامپایلرها در بهینه‌سازی کاراییِ سخت‌افزار نقشی مهم ایفا می‌کنند، اما اهمیتشان در حوزهٔ هوش مصنوعی به‌طور تصاعدی افزایش یافته است.
بهینه‌سازی مدل‌ها برای اجرای سریع‌تر و مصرف انرژی کمتر، به سرمایه‌گذاری با بازده بالا تبدیل شده است. یک کامپایلر بهینه‌شده سرعت و بهره‌وری انرژی را بهبود می‌بخشد، اما صرفاً در صورتی که طراحی تراشه زیربنایی از آن پشتیبانی کند.
تاریخ پُر از شکست‌های پُرهزینه‌ای است که در آن‌ها پشتیبانی ناکافی یا غیرعملی کامپایلر، وعده‌های سخت‌افزارهای قدرتمند را ناکام گذاشته است.
هزینه‌های محاسباتی هم نگرانی عمده‌ای هستند. آموزش مدل‌های امروزی به‌طور معمول به صدهامیلیون دلار نیاز دارد. برای مثال، گزارش شده که مدل LLaMA 3.1 شرکت متا برای آموزش روی بیش از یک‌تریلیون کلمه بالغ بر ۱۲۰۰ پتافلاپ-سال زمان برده است!
در نتیجه، تقاضا برای GPUها همچنان از عرضه پیشی می‌گیرد، قیمت‌ها را افزایش می‌دهد و شرکت‌ها را مجبور به بهینه‌سازی‌هایی سخت‌گیرانه‌تر می‌کند. بهره‌وری کامپایلر، پراکندگی مدل و کوانتومی‌سازی —که تعداد بیت‌های هر وزن مدل را کاهش می‌دهد— برای کاهش هزینه‌ها بدون افت عملکرد اهمیتی فراوان یافته‌اند. پشتیبانیِ انویدیا از فرمت‌های جدید کم‌بیتی هم این روند را تأیید می‌کند.
در کنار همهٔ این‌ها، شاهد نوآوری‌هایی در حوزهٔ سخت‌افزار و دسترسی‌پذیری هستیم. واحد پردازش زبان (LPU) شرکت Groq برای استنتاج سریع و کارآمد طراحی شده است، درحالی‌که DeepSeek Coder V2 نشان می‌دهد چگونه مدل‌های متن‌باز می‌توانند عملکرد و دسترسی را ارتقا بدهند.
همهٔ این تحولات حاکی از تغییر در حوزهٔ تمایز بعدیِ هوش مصنوعی هستند، آن هم نه فقط در قابلیت‌ها، بلکه در زیرساخت و کارایی.
چه اتفاقی برای سرمایه‌گذاری و حباب ارزش‌گذاری هوش مصنوعی رخ می‌دهد؟
بنابر گزارش PitchBook، سرمایه‌گذاری جهانیِ VC روی هوش مصنوعی در سال ۲۰۲۴ به حدود ۱۴۰میلیارد دلار رسید، اما اشتهای سرمایه‌گذاران درحال تعدیل‌شدن است!
بسیاری از استارتاپ‌های هوش مصنوعی که دورهای اولیهٔ بزرگی داشته‌اند، حالا برای پیشرفت به سِری A با مشکل مواجه شده‌اند. نرخ ارتقا به این مرحله کاهش یافته است، زیرا سرمایه‌گذاران خواستار مسیرهایی روشن‌تر به‌سوی مدل‌های کسب‌وکار پایدار هستند.
البته ارزش‌گذاری‌های موجود همچنان حاکی از اوج هیجان هستند، اما بسیاری از شرکت‌ها در تحقق انتظارات در مرحلهٔ رشد ناکام مانده‌اند.
این روند شباهت‌هایی با چرخه‌های فناوری گذشته، مثل Web3 دارد. هیجان اولیه باعث پذیرش سریع و افزایش هزینه‌های اولیه می‌شود، اما بسیاری از شرکت‌ها در تبدیل این موج به کسب‌وکاری پایدار ناکام می‌مانند.
درآمد اغلبشان با کاهش استفاده و ازبین‌رفتن تازگیِ محصول کاهش می‌یابد، و بسیاری برای اثبات تناسب محصول با بازار و حفظ تعامل کاربران دچار مشکل می‌شوند. سرمایه‌گذاران درحال بازتنظیم انتظاراتشان هستند، و اولویت را به شرکت‌هایی با مدل‌های پایدار و جذب مشتری بالا می‌دهند.
با این حال، هوش مصنوعی نیروی محرکهٔ اصلی در بهبود کلیِ سرمایه‌گذاری خطرپذیر است. شرکت‌های هوش مصنوعی در سال ۲۰۲۴ سرمایهٔ بیشتری از معاملات بزرگ (بالغ بر ۷۳میلیارد دلار) نسبت به شرکت‌های غیرهوش مصنوعی (۴۷میلیارد دلار) دریافت کردند، و این برای اولین بار نشان‌دهندهٔ تغییری واقعی در دنیای سرمایه‌گذاری خطرپذیر است.
بنابر آمار و ارقام موجود، هوش مصنوعی ۴۸درصد از کل شرکت‌های تحت حمایت سرمایهٔ خطرپذیر و ۶۱درصد از حجم معاملات بزرگ را در سال میلادی گذشته به خود اختصاص داد.
چرا ساخت شرکت بومی هوش مصنوعیِ پایدار سخت‌تر از همیشه است؟
اکنون بنیان‌گذاران با محیطی چالش‌برانگیزتر از همیشه روبه‌رو هستند. هوش مصنوعی در عمقِ چرخه‌ای هیجانی قرار دارد، و تاریخ نشان می‌دهد که بیشتر استارتاپ‌هایی که در چنین دوره‌هایی راه‌اندازی شده‌اند از اصلاح اجتناب‌ناپذیر بازار جان سالم به در نمی‌برند!
اشتیاق کوتاه‌مدت کاربران فروکش می‌کند، به‌ویژه برای ابزارهای هوش مصنوعی عامل‌محوری که بعد از پذیرش سریع، شاهد افتی به همان سرعت هستند. رونق‌های فناوری در گذشته هم –یعنی شرکت‌هایی که صرفاً بر اساس تازگیِ فناوری ساخته شده بودند– همیشه در خطر محوشدن بعد از فروکش‌کردنِ هیجان قرار دارند.
در همین حال، کالایی‌شدنِ مدل‌ها شتاب می‌گیرد. مدل‌های متن‌باز و دسترسی آسان به APIها به این معناست که مزایای فنی به‌سرعت از بین می‌روند، مگر اینکه با مجموعه داده‌های منحصربه‌فرد یا یکپارچگی عمیق در جریان‌های کاری مشتریان همراه شوند.
رقابت جهانی در حوزهٔ سخت‌افزار این چالش را تشدید می‌کند. افزایش سرسام‌آور هزینه‌های محاسباتی و حافظه، همراه با رقابت فزاینده از سوی چین و هند، موانع فنی را سریع‌تر از گذشته دچار فرسودگی می‌کنند.
چگونه استارتاپ بومی هوش مصنوعی پایدار و ماندگار بسازیم؟
استارتاپ‌های بومیِ هوش مصنوعی برای بقا و موفقیت در بازار باید روی پنج اصلِ اساسی تمرکز کنند که برای سرمایه‌گذاران اهمیت ویژه‌ای دارند. در ادامهٔ این مقالهٔ بلاگ مکس به این پنج اصل می‌پردازیم.
۱. اجرای استراتژی ورود به بازار
اجرای قوی استراتژی ورود به بازار برای شرکت‌های بومیِ هوش مصنوعی اصل اول به شمار می‌رود. سرمایه‌گذاران دنبال استارتاپ‌هایی هستند که خطوط فروش مشخص، جذب مشتری واقعی و توانایی تبدیل آزمایش‌ها به درآمد پایدار را داشته باشند.
برای دستیابی به این هدف باید ابزارهای هوش مصنوعی به‌طور عمیق در جریان‌های کاری اصلی مشتریان ادغام شوند؛ جایی که نرخ ریزش مشتریان پایین و هزینه‌های تغییر سیستم بالا باشد. این امر پذیرش محصول و دفاع‌پذیری‌اش را تقویت می‌کند.
تمرکز روی نیازهای مشتری و رشد محصول‌محور هم برای ایجاد درآمد مستمر و پایدار مهم است. از منظر ورود به بازار، استارتاپ‌های هوش مصنوعی باید تصویری روشن از پروفایل مشتری ایدئالِ خود داشته باشند، و دقیقاً بدانند چگونه محصولشان را به خریداران عرضه کنند.
۲. ایجاد مزیت رقابتی با مالکیت فکری
در عصر هوش مصنوعیِ مولد مفهوم «آنچه فناوری را دفاع‌پذیر می‌کند» درحال تغییر است. بسیاری از شرکت‌ها، با دسترسی گسترده به مدل‌ها و APIهای آماده، محصولاتی مشابه با استفاده از فناوری‌های زیرساختی یکسان می‌سازند. در نتیجه مالکیت فکریِ فنی به‌تنهایی دیگر مزیت رقابتی به شمار نمی‌رود.
امروزه دفاع‌پذیری به مجموعه‌های داده اختصاصی، تخصص حوزه‌ای یا رویکردهای نوینی بستگی دارد که برای دیگران به‌سختی قابل تکرار باشند. در صنایع تخصصی یا تحت نظارتی مثل مراقبت‌های بهداشتی و مالی، دسترسی به مجموعه‌های دادهٔ تمیز و منحصربه‌فرد به آموزش مدل‌های تخصصی کمک می‌کند، و برتری رقابتی ایجاد می‌نماید.
مزیت رقابتی از چرخهٔ داده‌ای (Data Flywheel) هم ناشی شود که در آن تعاملات کاربران به‌طور مداوم مدل را برای کاربرد خاص بهبود می‌دهند، یا از الگوریتم‌های منحصربه‌فرد، ادغام عمیق با مشتریان یا تجربهٔ کاربری برتر به دست می‌آیند.
۳. اولویت دادن به کارایی به‌جای قدرت محاسباتی
مدل قدیمی تسلط بر هوش مصنوعی از طریق قدرت محاسباتیِ عظیم به‌خاطر افزایش هزینه‌ها، تقاضای انرژی و کمبود سخت‌افزار دیگر پایدار نیست. امروزه مزیت در کارایی نهفته است.
بهینه‌سازی کامپایلرها، پراکندگی مدل‌ها و طراحی‌های سازگار با سخت‌افزار به شرکت‌ها کمک می‌کند تا با منابع محاسباتی محدود و محدودیت‌های حافظه عملکردشان را به حداکثر برسانند و هزینه‌ها را کاهش بدهند.
استارتاپ‌های بومیِ هوش مصنوعی که روی این حوزه‌ها تمرکز کنند، در موقعیت بهتری برای مقیاس‌پذیری سودآور و دفاع‌پذیر قرار خواهند گرفت.
۴. جایگاه‌سازی برند و تناسب بنیان‌گذار
متمایزشدن در بازار شلوغ هوش مصنوعی مستلزم چیزی فراتر از ساخت محصول با جدیدترین فناوری‌هاست، و نیاز به هدفمندی و وضوح دارد.
استارتاپ‌هایی در این بازار موفق هستند که بنیان‌گذارانی با درک عمیق از حوزهٔ فعالیت، شهود قوی دربارهٔ محصول، و آگاهی از اهمیت مسئله‌ای داشته باشند که حل می‌کنند.
این بنیان‌گذاران با هدف مشخصی محصول می‌سازند، و برندشان روایتی شفاف و جذاب را بازتاب می‌دهد که ریشه در مشکلات واقعی مشتریان دارد.
۵. درآمد مستمر و حفظ مشتری
شرکت‌های پیشرو مشتریان واقعی، نرخ حفظ بالا و ارزش قابل اندازه‌گیری ارائه می‌دهند. مدل‌های درآمد مستمر و نرخ حفظ دلار خالص بالا، شواهدی مهم برای شرکت‌های هوش مصنوعی به شمار می‌روند.
در واقع بنیان‌گذاران چنین شرکت‌هایی باید نشان دهند که محصول هوش مصنوعی آن‌ها برای مشتریانشان حیاتی است، نه صرفاً ابزاری نوآورانه که بعد از یک‌بار استفاده کنار گذاشته می‌شود. جذب ارزش بلندمدت عاملی است که شرکت‌های ماندگار را از استارتاپ‌های زودگذر جدا می‌کند.
برای اثبات این موضوع باید از معیارهای ظاهری مانند کاربران فعال ماهانه (MAU) فراتر رفت. در عوض، معیارهایی مانند کاربران فعال روزانه (DAU)، نسبت DAU به MAU، نرخ حفظ گروه‌های کاربری و نرخ تمدید قراردادها (به‌ویژه در کسب‌وکارهای B2B) را باید بررسی کرد.
جمع‌بندی
موج سرمایه‌گذاری روی ابزارهای ظاهریِ هوش مصنوعی و برنامه‌های چت‌بات یک‌بارمصرف به‌ناچار فروکش خواهد کرد. اما در میان این موج، بذر شرکت‌های تحول‌آفرینی کاشته شده است که دههٔ آیندهٔ فناوری را تعریف می‌کنند.
فرصت برای کسانی که پیشرفت‌های هوش مصنوعی را با تناسب واقعیِ محصول با بازار و اصول کسب‌وکار مستحکم ترکیب می‌کنند، عالی است!
با بلوغ بازار، حوزه‌هایی مانند هوش مصنوعی فیزیکی، نوآوری در کامپایلرها و کارایی محاسباتی اهمیت بیشتری خواهند یافت. موفقیت سهم کسانی خواهد شد که ابزارهایی پایدار و دفاع‌پذیر بسازند.
چرخه‌های گذشته به ما آموخته‌اند که اصول بنیادین –مدیریت هوشمند هزینه‌ها، یافتن تناسب واقعی محصول با بازار و تکرار– همچنان پابرجا هستند. ماندگاری بیش از هیاهو اهمیت دارد! آیا با این مفهوم در دنیای سرمایه‌گذاری روی هوش مصنوعی موافق هستید؟