چرخش کلان Revolut به سمت مدل‌های متن‌باز میزبانی‌شده برای برنامه‌نویسان — Revolut moves to self-hosted GLM
خلاصه
شرکت فین‌تک Revolut با انتقال حدود دو هزار مهندس خود به مدل‌های متن‌باز میزبان شخصی‌سازی‌شده و استفاده از سخت‌افزارهای پیشرفته NVIDIA، هزینه‌های توکن را تا نود درصد کاهش داد. این تغییر استراتژیک نشان‌دهنده چالش جدی مدل‌های تجاری برای شرکت‌های هوش مصنوعی پیشرو است.
بر اساس خبری که گیوم فلور (Guillem Flor)، فعال حوزه سرمایه‌گذاری و تکنولوژی منتشر کرده است، شرکت فین‌تک معروف Revolut دست به یک اقدام ساختاری زده و حدود دو هزار مهندس نرم‌افزار خود را به مدل‌های هوش مصنوعی متن‌باز (Open Weights) منتقل کرده است. این شرکت ابزارهایی مثل Claude Code و Codex را به لیست استثناها فرستاده و مدل GLM را به صورت Self-Hosted پیاده‌سازی کرده است.
جزئیات فنی و زیرساختی
بر اساس گفته‌های دیوید ابیتبول (David Abitbol)، مدیر بخش عملیات هوش مصنوعی در Revolut، این زیرساخت با استفاده از ۵۶ عدد تراشه قدرتمند NVIDIA B200 راه‌اندازی شده است. هزینه ترکیبی هر میلیون توکن در این سیستم به حدود ۳۰ سنت رسیده است که تقریباً یک‌دهم هزینه‌ای است که آن‌ها پیش‌تر به شرکت‌هایی مانند Anthropic و OpenAI پرداخت می‌کردند. این تغییر باعث شد تا زمان تحویل تسک‌های مهندسی (Engineering Lead Time) تا ۷۰ درصد بهبود پیدا کند.
핵ث اصلی ماجرا اینجاست که با کاهش شدید هزینه‌ها، دیگر نیازی به جیره‌بندی توکن برای مهندسان نبود. وقتی مصرف توکن ارزان تمام می‌شود، توسعه‌دهندگان دست از صرفه‌جویی برمی‌دارند و هوش مصنوعی را برای حل هر مسئله‌ای به کار می‌گیرند.
نگاهی به بحث‌های هکرنیوز
این خبر بازخوردهای زیادی در هکرنیوز (Hacker News) به همراه داشت و جامعه مهندسان نرم‌افزار به ابعاد مختلف آن پرداختند:
- حریم خصوصی و اعتماد: برخی کاربران مانند
jacquesmاشاره کردند که آن‌ها نیز رویکرد مشابهی داشته‌اند؛ چرا که اعتماد بلندمدت به ارائه‌دهندگان سرویس‌های ابری و واسطه برای داده‌های حساس شرکت، ریسک بالایی دارد. - ارزش‌گذاری شرکت‌های هوش مصنوعی: کاربری به نام
InsidiousWombatنوشت که اگر سرمایه‌گذاران می‌فهمیدند مدل‌های متن‌باز چقدر قدرتمند شده‌اند، ارزش سهام شرکت‌های بزرگ هوش مصنوعی یک‌شبه سقوط می‌کرد. - چالش‌های زیرساختی: بحث‌هایی پیرامون هزینه‌های اولیه خرید سخت‌افزار (مانند تخمین هزینه ۲.۵ تا ۳ میلیون دلاری برای تراشه‌های B200 به همراه هزینه‌های جانبی مانند خنک‌کننده و برق) و توجیه اقتصادی آن مطرح شد. برخی کامنت‌ها نیز به این نکته اشاره کردند که آیا مدیریت یک کلاستر سخت‌افزاری کار آسانی است یا شرکت‌ها ترجیح می‌دهند این زیرساخت را روی پلتفرم‌های ابری مدیریت کنند.
چرا این موضوع برای مهندسان اهمیت دارد؟
پیام اصلی این اتفاق برای صنعت نرم‌افزار واضح است: مدل‌های متن‌باز به گزینه پیش‌فرض تبدیل می‌شوند و مدل‌های مرجع و انحصاری (Frontier Models) به استثنا تبدیل خواهند شد. اگر شرکت‌های بزرگ بتوانند با سرمایه‌گذاری اولیه روی سخت‌افزار، هزینه‌های جاری خود را تا ۹۰ درصد کاهش دهند و در عین حال بهره‌وری تیم مهندسی را تا ۷۰ درصد بالا ببرند، فشار اقتصادی شدیدی بر روی شرکت‌های ارائه‌دهنده APIهای تجاری در آستانه عرضه اولیه (IPO) شکل خواهد گرفت.
این مطلب به‌صورت کاملاً خودکار و با هوش مصنوعی از مقالهٔ اصلی و بحث هکرنیوز تهیه شده و ممکن است خطا داشته باشد. حقوق مطلب اصلی متعلق به نویسندهٔ آن است. قوانین و گزارش مشکل