چرا ظهور AI منبع باز به نتیجه نهایی Anthropic لطمه نمی زند - هنوز

BitcoinWorld چرا ظهور هوش مصنوعی منبع باز به نتیجه آنتروپیک لطمه نمی زند – اما با افزایش استفاده از مدل های AI منبع باز مانند DeepSeek و GLM-5.2، یک سوال طبیعی مطرح می شود: آیا آنها از درآمد آزمایشگاه های مرزی ممتاز مانند Anthropic استفاده می کنند؟ یک تحلیل جدید توسط Jesse Zhang، مدیرعامل Decagon، همراه با داده‌های تازه از پلتفرم‌هایی مانند Vercel و OpenRouter، نشان می‌دهد که پاسخ دقیق‌تر از یک بله یا خیر ساده است. نظریه چرخه حیات پذیرش مدل هوش مصنوعی استدلال اصلی ژانگ، که در اوایل این هفته منتشر شد، بیان می‌کند که مدل‌های مرزی و منبع باز رقبای مستقیم نیستند، بلکه مراحل متمایز یک چرخه عمر پذیرش را ارائه می‌کنند. در این مدل، از مدل های مرزی گران قیمت برای تایید و اثبات موارد استفاده جدید استفاده می شود. هنگامی که یک گردش کار بالغ و به خوبی درک شد، سازمان ها اغلب آن را به جایگزین های منبع باز ارزان تر و سبک تر منتقل می کنند تا هزینه ها را کاهش دهند. این الگو یک روند به ظاهر متناقض را توضیح می دهد: حجم کلی توکن برای مدل های منبع باز به سرعت در حال افزایش است، با این حال کل هزینه ها برای مدل های مرزی انعطاف پذیر است. ژانگ آن را به عنوان یک اقتصاد دو لایه توصیف می کند که در آن آزمایشگاه های مرزی «کشف خود» و مدل های منبع باز «تولید خود» هستند. آنچه داده‌ها نشان می‌دهند: استفاده در مقابل هزینه داده‌های داشبورد دروازه هوش مصنوعی Vercel این واگرایی را نشان می‌دهد. طی هفته گذشته، DeepSeek بیش از یک سوم توکن‌های موجود در این پلتفرم را پردازش کرد و GLM-5.2 Z.ai به رتبه چهارم جهش کرد.با این حال، هنگام اندازه‌گیری هزینه‌های واقعی دلار، آنتروپیک همچنان بیش از نیمی از کل هزینه‌های هوش مصنوعی در Vercel را تشکیل می‌دهد، حتی پس از محاسبه افزایش قیمت‌های اخیر که سهم آن را اندکی کاهش داد. OpenRouter که بخش وسیع تری از بازار را ردیابی می کند، داستان مشابهی را بیان می کند. DeepSeek V4Flash در حجم توکن خام با 5.3 تریلیون توکن هفتگی در مقایسه با 2 تریلیون Opus 4.8 پیشتاز است. اما Opus 4.8 تقریباً 23 برابر بیشتر به ازای هر میلیون توکن هزینه دارد - 1.37 دلار در مقابل 0.06 دلار - به این معنی که مدل مرزی همچنان بیشترین هزینه را در اختیار دارد. چرا آزمایشگاه‌های مرزی هنوز این فشار را احساس نمی‌کنند عوامل متعددی این انعطاف‌پذیری را توضیح می‌دهند. اول، بازار کلی وظایف قابل آدرس دهی با هوش مصنوعی به سرعت در حال گسترش است. موارد استفاده جدید به طور مداوم ظاهر می شوند و مدل های مرزی انتخاب پیش فرض برای آزمایش در مراحل اولیه هستند. همانطور که ژانگ می گوید، "آزمایشگاه های مرزی به مالکیت اکتشاف ادامه خواهند داد. منبع باز به طور فزاینده ای صاحب تولید خواهد شد." دوم، بسیاری از موارد استفاده سازمانی به اندازه کافی پیچیده هستند که نمی توان آنها را به طور کامل با جایگزین های ارزان تر جایگزین کرد.