تحلیل استراتژی هوش مصنوعی اطلسین؛ چرا مدل‌های چینی در زیرساخت تولید جایی ندارند؟

در دنیای پیچیده هوش مصنوعی سازمانی، شفافیت در زنجیره تأمین مدل‌های زبانی بزرگ (LLM) به یکی از دغدغه‌های اصلی مدیران فناوری تبدیل شده است. مایک کانن-بروکس، مدیرعامل و هم‌بنیان‌گذار Atlassian، در مصاحبه‌ای صریح با پادکست 20VC، موضع رسمی این شرکت را در قبال استفاده از مدل‌های چینی در محیط‌های عملیاتی (Production) اعلام کرد و بر رویکرد مشتری‌محور این سازمان در انتخاب زیرساخت‌های هوش مصنوعی تأکید ورزید.

شفافیت در انتخاب مدل: چرا مدل‌های چینی کنار گذاشته شدند؟

در حالی که بازار هوش مصنوعی به شدت رقابتی است، مایک کانن-بروکس تأکید کرده است که اطلسین به هیچ عنوان از مدل‌های هوش مصنوعی چینی در محیط‌های تولیدی خود استفاده نمی‌کند. این تصمیم بیش از آنکه یک رویکرد فنی صرف باشد، واکنشی به تقاضاها و حساسیت‌های مشتریان سازمانی است. به گفته کانن-بروکس، مشتریان اطلسین نسبت به استفاده از مدل‌های توسعه‌یافته در چین ابراز نگرانی کرده‌اند، اما در مقابل، نسبت به استفاده از «مدل‌های متن‌باز» (Open Models) هیچ مقاومتی نشان نداده‌اند. این تفکیک دقیق میان «خاستگاه جغرافیایی» و «ماهیت متن‌باز»، استراتژی اصلی اتلسین را برای عبور از موانع اعتماد مشتریان شکل می‌دهد.

استراتژی ترکیبی: شراکت استراتژیک با انویدیا و میسترال

اطلسین برای بهینه‌سازی عملکرد محصولات خود، از استراتژی «انتخاب بهترین مدل برای هر وظیفه خاص» استفاده می‌کند. این شرکت با بهره‌گیری از همکاری عمیق با شرکت Nvidia، از مدل‌های خانواده Nemotron بهره می‌برد. علاوه بر آن، استفاده از مدل‌های کمپانی فرانسوی Mistral در سبد مدل‌های این شرکت قرار دارد. هدف نهایی، ارائه بالاترین سطح کارایی با کمترین هزینه ممکن برای مشتری نهایی است.

چالش مدل‌های تخصصی در برابر مدل‌های عمومی

کانن-بروکس نسبت به شرکت‌هایی که ادعای ساخت مدل‌های اختصاصی (Specialized Models) دارند، ابراز تردید می‌کند. از دیدگاه او، بسیاری از این مدل‌ها تنها نسخه‌های متن‌باز چینی هستند که برای یک کاربرد خاص تنظیم (Fine-tuned) شده‌اند. او استدلال می‌کند که تا زمانی که مدل‌های تخصصی نتوانند در «قیمت» و «کارایی» از مدل‌های بنیادین عمومی (Foundation Models) پیشی بگیرند، سرمایه‌گذاری سنگین روی آن‌ها فاقد توجیه اقتصادی است. اتلسین خود نیز فرآیند Fine-tuning را روی مدل‌های متن‌باز انجام می‌دهد، اما ترجیح می‌دهد با شفافیت کامل، ماهیت آن‌ها را به عنوان مدل‌های اقتباس‌شده معرفی کند.

مدیریت هزینه‌ها در عصر هوش مصنوعی

یکی دیگر از محورهای مهم این گفت‌وگو، مبحث هزینه‌کرد زیرساخت‌های هوش مصنوعی بود. اطلسین با تشکیل تیمی اختصاصی برای مدیریت درگاه هوش مصنوعی، وظیفه دارد هر تسک را به اقتصادی‌ترین مدل ممکن ارجاع دهد. مایک کانن-بروکس معتقد است که با مقیاس‌پذیر شدن ویژگی‌ها (از ۵ کاربر به ۵ میلیون کاربر)، مدیریت هزینه اهمیت استراتژیک می‌یابد. وی پیش‌بینی می‌کند که هزینه‌های عملیاتی اجرای هوش مصنوعی بسیار سریع‌تر از آنچه پیش‌تر تصور می‌شد، کاهش خواهد یافت؛ موضوعی که در گزارش‌های مالی اخیر اتلسین و رشد ۲۸ درصدی درآمد در سه‌ماهه چهارم نیز بازتاب داشته است.

نتیجه‌گیری: نگاه به آینده

در حالی که بازار شاهد نفوذ مدل‌های چینی مانند Qwen در برخی محصولات آمریکایی (نظیر اقدام اخیر مایکروسافت) است، اطلسین همچنان بر موضع خود پافشاری می‌کند. با این حال، کانن-بروکس هشدار می‌دهد که این خط‌کشی‌ها ممکن است در آینده پیچیده‌تر شود، زیرا بسیاری از مدل‌های آمریکایی نیز در لایه‌های آموزشی خود از داده‌ها یا معماری‌های مدل‌های چینی بهره می‌برند. آنچه مشخص است، حرکت اکوسیستم نرم‌افزاری به سمت مدل‌های متن‌باز قابل بازرسی است که شفافیت لازم را برای سازمان‌های بزرگ تضمین کند.