مرگ اولی؛ چرا دستیارهای هوش مصنوعی حریم‌محور در بازارِ تشنه‌ به داده شکست می‌خورند؟

وقتی اخلاق در برابر موتورهای غول‌آسای داده کم می‌آورد

خبر تعطیلی «اولی» (Ollie) مثل پتک بر سر جامعه‌ای فرود آمد که هنوز به دنبال راهی برای داشتن یک دستیار هوشمندِ غیرجاسوس می‌گشت. بیل لنون (Bill Lennon)، مدیرعامل این استارتاپ، در حالی خبر خاموشی سرورها را در روز ۶ نوامبر اعلام کرد که تنها چند هفته از هیاهوی جذب سرمایه ۷.۵ میلیون دلاری‌شان توسط شرکت قدرتمند «کاسلا ونچرز» (Khosla Ventures) می‌گذشت. این اتفاق برای من که روز و شبم را با مدل‌های محلی و سیستم‌های ایجنتیک می‌گذرانم، یک یادآوری تلخ است: در دنیای فعلی که غول‌های تکنولوژی با استراتژی‌های «داده‌خواری» (Data Harvesting) بازار را قبضه کرده‌اند، رعایت حریم خصوصی نه یک مزیت رقابتی، بلکه یک خودکشی تجاریِ آرام به نظر می‌رسد.

اولی سعی داشت با ترکیب ایمیل، تقویم و مدیریت مالی، یک دستیار خانواده‌محور بسازد که برخلاف رقبا، داده‌ها را به جای «تغذیه» مدل‌های بزرگ، «محافظت» می‌کرد. آن‌ها حتی موفق به دریافت استاندارد سخت‌گیرانه SOC 2 شدند؛ چیزی که برای بسیاری از شرکت‌های بزرگ هم یک رویاست. اما بازار به «امنیت» پاداش نمی‌دهد؛ بازار به مقیاس‌پذیری و قابلیت‌های خیره‌کننده‌ای پاداش می‌دهد که اغلب از دلِ نقض حریم خصوصی بیرون می‌آیند. وقتی مدل‌های «میوز» (Muse) و «اینستینکت» (Instinct) با استراتژی‌های تهاجمی‌تر وارد بازی شدند، اولی در فضای محدود خود گیر افتاد و نتوانست سرمایه لازم برای ادامه این نبرد نابرابر را جذب کند.

معماری شکست؛ چرا مدل‌های اشتراکی در برابر غول‌ها کم آوردند؟

مشکل اصلی اولی، تکیه بر مدل اشتراکی (Subscription-based) در بازاری بود که کاربرانش به «رایگان بودن» عادت کرده‌اند. وقتی شما یک دستیار محلی (Local AI) را روی سیستم خودتان اجرا می‌کنید، کنترل کامل با شماست و نیازی به پرداخت هزینه اشتراک برای سرویسی که داده‌هایتان را به سرورهای ابری می‌فرستد ندارید. اما اولی در میانه راه گیر کرده بود؛ نه کاملاً محلی بود که بتواند از سخت‌افزارهای قدرتمند کاربران بهره ببرد و نه آنقدر بزرگ بود که بتواند با مدل‌های عظیمِ «مایکروسافت» (Microsoft) یا «گوگل» (Google) رقابت کند.

از دید فنی، پیاده‌سازی سرویس‌هایی که با داده‌های حساس مثل پرداخت‌ها و برنامه‌ریزی‌های خانوادگی سروکار دارند، هزینه‌های زیرساختی سنگینی روی دست شرکت می‌گذارد. وقتی شما نمی‌توانید داده‌های کاربر را بفروشید یا از آن‌ها برای فاین‌تیونینگ (Fine-tuning) مدل‌های تبلیغاتی استفاده کنید، تنها راه درآمد شما هزینه اشتراک کاربر است. اما در جهانی که هوش مصنوعی در حال تبدیل شدن به یک کالای رایگان (Commodity) است، متقاعد کردن کاربران به پرداخت هزینه برای «حریم خصوصی» سخت‌تر از چیزی است که تصور می‌کنید. اولی قربانی این شد که نتوانست ارزش افزوده‌ای خلق کند که فراتر از «امن بودن» باشد.

نبرد نابرابر؛ متن‌بازها تنها امید باقی‌مانده‌اند

شکست اولی به ما نشان می‌دهد که تلاش برای ساخت دستیارهای متمرکز (Centralized) با شعار حریم خصوصی، یک بازی باخت-باخت است. اگر سرویس شما مرکزی باشد، همیشه این شک وجود دارد که آیا واقعاً داده‌ها امن هستند یا خیر. تنها راه نجات واقعی، حرکت به سمت «اجرای محلی» (Local Execution) است. پروژه‌هایی مثل «اولاما» (Ollama) یا مدل‌های متن‌باز «دیپ‌سیک» (DeepSeek) و «لاما» (Llama) دقیقاً به همین دلیل در حال برنده شدن هستند. آن‌ها به کاربر اجازه می‌دهند مدل را روی کارت گرافیک RTX 4090 یا حتی سیستم‌های ضعیف‌تر اجرا کنند، بدون اینکه یک بایت داده از دستگاه خارج شود.

ما در NextIT.ir همیشه تأکید داریم که آینده ایجنت‌های نرم‌افزاری در مراکز داده غول‌های ابری نیست. ایجنت باید روی دستگاه من باشد، با دسترسی محدود به فایل‌های من و بدون نیاز به اینترنت. اولی سعی کرد واسطه‌ای باشد بین کاربر و دنیای بیرون، اما در این مسیرِ واسطه‌گری، امنیتِ واقعی قربانیِ هزینه‌های سرور شد. اگر اولی به جای ساخت یک سرویس ابری، یک «پایپ‌لاین» (Pipeline) ایجنتیک برای اجرا روی سیستم‌های خانگی ارائه می‌داد، شاید امروز به جای خبر تعطیلی، شاهد انتشار نسخه جدید آن بودیم.

میراثی که باید از آن درس گرفت

خبر تعطیلی اولی، یک «گورستان هوش مصنوعی» (AI Graveyard) دیگر را به لیست ما اضافه کرد. اما این گورستان پر از پروژه‌هایی است که شاید اهداف درستی داشتند اما راهکارهای اشتباهی را انتخاب کردند. اینکه بیل لنون می‌گوید «نتوانستیم رشد کنیم»، در واقع اعترافی به شکستِ مدل‌های کسب‌وکار سنتی در دنیای هوش مصنوعیِ فراگیر است. ما دیگر نیازی به دستیارهایی نداریم که مثل یک شرکت بزرگ عمل کنند؛ ما به ابزارهایی نیاز داریم که مثل یک نرم‌افزارِ «اوپن‌سورس» (Open Source) در اختیار ما باشند.

درس مهم برای توسعه‌دهندگان این است: اگر می‌خواهید دستیار هوش مصنوعی بسازید، به جای تمرکز بر استانداردهای SOC 2 و جذب سرمایه‌های کلان برای سرورهای اجاره‌ای، روی «کوانتایزیشن» (Quantization) مدل‌ها و بهینه‌سازی آن‌ها برای سخت‌افزارهای خانگی تمرکز کنید. حریم خصوصی نباید یک «ویژگی» (Feature) باشد که بابت آن پول پرداخت می‌شود؛ حریم خصوصی باید «پیش‌فرض» (Default) باشد. اولی رفت، اما راه برای توسعه‌دهندگان مستقلی که می‌دانند چگونه مدل‌های قدرتمند را بدون اتصال به اینترنت روی سیستم‌های کاربران اجرا کنند، بازتر از همیشه است.