تا چند سال پیش، بحث کلود یا همون رایانش ابری خیلی چیز عجیب و غریبی نبود، بیشتر برای ذخیره فایل و یه مقدار کارهای پایگاه داده استفاده می‌شد. اما الان کلود شده واسه نرم‌افزارها و سخت‌افزارهای کامپیوتری مثل موتور نوآوری! مخصوصاً الان که همه افتادن دنبال هوش مصنوعی و یادگیری ماشین (AI/ML یا همون شیوه‌هایی که کامپیوتر می‌تونه خودش چیز یاد بگیره و تصمیم بگیره). همین قضیه باعث شده بخش زیادی از تغییرات و پیشرفت‌های دنیای فناوری تو فضاهای کلود اتفاق بیفته.
اوایل کامپیوتر رو غالباً واسه کارهای علمی و دانشگاهی می‌ساختن و هر چی نوآوری بود، برای حل مسائل علمی بود. کم‌کم که شرکت‌ها و مردم عادی (مصرف‌کننده‌ها) هم زیاد بهش نیاز پیدا کردن، بازارش چند-قطبی شد؛ یعنی همه جور آدم و شرکتی شدن مشتری کامپیوتر. اما حالا دیگه تقریباً همه چیز زیر سایه تقاضای هوش مصنوعی و یادگیری ماشینه. یعنی بیشتر نوآوری‌ها داره روی همون کلود و با فکر AI/ML پیش میره.
حالا مشکل از اینجا شروع می‌شه: مدل‌های هزینه‌ای و منابع (resource models یعنی روشی که کلود بهت محاسبه می‌کنه چقدر باید پول بدی و چقدر منابع مثل CPU یا حافظه بهت می‌ده) این روزها همه بر اساس نیازهای AI/ML طراحی شدن. این یعنی اگه تو یک دانشمند باشی و دنبال اینی که چند تا شبیه‌سازی علمی روش کلود اجرا کنی، خیلی راحت نمی‌تونی رقابت کنی یا حتی به منابع خوب دسترسی داشته باشی. دلیلش هم واضحه: اکثر منابع رو کسایی غصب کردن که دارن مدل‌های هوش مصنوعی غول‌آسا آموزش می‌دن!
یه موضوع دیگه هم اینه که اگه منابع روی کلود توسط یک گروه خاص (مثل شرکت‌های هوش مصنوعی) استفاده بشه، افراد دیگه (مثل دانشمندها) ممکنه کلاً دست‌شون از منابع خوب کوتاه بمونه. این رقابت برای منابع گاهی باعث می‌شه پروژه‌های علمی مجبور بشن کارهاشون رو تو جاهایی اجرا کنن که اصلأ برای این جور کارها ساخته نشده؛ مثلاً روی سرورهایی که مناسب مدل‌سازی یا آزمایش علمی نیستن، فقط چون به منابع بهتر دسترسی ندارن.
توی این مقاله (همین مقاله‌ای که درباره‌ش حرف می‌زنیم)، اومدن درباره گذشته، وضعیت الان و آینده مدل‌های هزینه‌ای کلود حرف زدن و یه نگاهی انداختن به اینکه این مدل‌ها چطوری می‌تونن هنوز به کشف و پیشرفت علمی کمک کنن. در واقع دارن می‌گن اگه بخوایم علم و کشف علمی رو هم تو این دنیا فراموش نکنیم، باید دوباره فکر کنیم که هزینه و تقسیم منابع توی کلود قرار نیست فقط به نفع شرکت‌ها و پروژه‌های بزرگ هوش مصنوعی باشه. خب این یه چالش جدیه!
در کل، جریان از این قراره: کلود مسیر نوآوری رو براساس هوش مصنوعی عوض کرده، اما مدل هزینه‌ای و تقسیم منابع فعلی ممکنه باعث بشه دانشمندها یا گروه‌های علمی قافیه رو ببازن. آینده یا کار روی اینه که مدل‌ها رو هم برای AI/ML و هم برای علم و تحقیقات بهینه کنن، یا اینکه دانشمندها دنبال جاهای دیگه‌ای باشن برای اجرای کدهاشون! به نظر شما راه حل چیه؟
منبع: +
