ادعای جنجالی سم آلتمن: تخصیص حافظه DRAM به کامپیوترهای شخصی اشتباه و ناکارآمد است

سم آلتمن (Sam Altman)، مدیرعامل OpenAI، در یک مصاحبه ویدئویی غیررسمی ادعایی مطرح کرد که توجه و انتقاد گسترده جامعه توسعه‌دهندگان را به همراه داشته است. به گفته آلتمن، در شرایط فعلی که جهان با محدودیت شدید در زنجیره تأمین تراشه‌های حافظه (DRAM) مواجه است، نصب حافظه‌های با ظرفیت بالا روی رایانه‌های شخصی کاربران تصمیمی ناکارآمد است؛ چرا که بخش عمده این حافظه‌ها در اغلب ساعات روز بدون استفاده می‌مانند و تنها نرخ بهره‌وری در حدود ۵ درصد دارند.

به باور آلتمن، از منظر تخصیص بهینه منابع در سطح جهانی، این حافظه‌ها باید به دیتاسنترهای ابری هدایت شوند؛ جایی که سخت‌افزارها به‌صورت ۲۴ ساعته و با حداکثر توان پردازشی، مدل‌های هوش مصنوعی را اجرا می‌کنند.

تضاد منافع ابری با محاسبات محلی

اگرچه آلتمن صحبت‌های خود را در قالب «بهینه‌سازی منابع جهانی» توجیه می‌کند، اما برای مهندسان نرم‌افزار پوشیده نیست که مدل کسب‌وکار اصلی OpenAI بر پایه میزبانی مدل‌های بزرگ زبان (LLM) انحصاری روی سرورهای ابری و دریافت هزینه اشتراک یا API بنا شده است.

در سوی دیگر، ظهور معماری‌های بهینه، تکنیک‌های کوانتیزاسیون (Quantization) و ابزارهایی مانند Ollama و llama.cpp، در کنار لپ‌تاپ‌های مجهز به Unified Memory با پهنای باند بالا، اجرای محلی (Local Inference) را برای توسعه‌دهندگان بسیار جذاب و کاربردی کرده است. اجرای محلی به معنای حفظ حریم خصوصی داده‌ها، حذف تأخیر شبکه، قطع وابستگی به اشتراک‌های ماهیانه کلود و دسترسی بدون محدودیت به مدل‌های متن‌باز است؛ روندی که در صورت همه‌گیری، تهدیدی جدی برای درآمدهای دیتاسنترمحور شرکت‌هایی مانند OpenAI به شمار می‌رود.

بازخوردها در Hacker News: بازگشت به دعوای تمرکز در برابر تمرکززدایی

بحث پیرامون این مصاحبه در Hacker News موجی از نقدهای صریح و طنزآمیز را به دنبال داشت. نکات کلیدی مطرح‌شده از سوی کاربران عبارتند از:

• فلسفه بنیادین رایانش شخصی (Personal Computing): هدف از اختراع رایانه شخصی هیچ‌گاه بهره‌وری کارخانه‌ای و رسیدن به لود ۱۰۰ درصدی سخت‌افزار نبوده، بلکه در اختیار گذاشتن آزادی عمل، کنترل، حریم خصوصی و استقلال به کاربر بوده است.
• دام مدل‌های اشتراکی: کاربران اشاره کردند که استدلال آلتمن به نفع دنیایی است که در آن کاربران حق مالکیت هیچ سخت‌افزار یا مدلی را ندارند و برای هر بار پردازش و هر درخواست، ناچار به پرداخت هزینه اجاره به یک ارائه‌دهنده ابری انحصاری هستند.
• دوگانگی در تعریف کارایی: برخی کاربران به طعنه یادآوری کردند که با همین منطق، دارایی‌های شخصی یا خانه‌های چنداتاقه نیز ناکارآمد هستند و باید اشتراکی شوند. همچنین گزارش‌هایی وجود دارد که نشان می‌دهد بخش قابل توجهی از سرورها و GPUهای ذخیره‌شده در برخی دیتاسنترهای هوش مصنوعی نیز صرفاً برای رقابت یا پیش‌خرید ظرفیت، بدون استفاده واقعی مانده‌اند.

چرا این مسئله برای توسعه‌دهندگان مهم است؟

این اظهارات نشان‌دهنده جنگ روانی و اقتصادی عمیق‌تری بر سر زنجیره تأمین سیلیکون است. اگر سازندگان تراشه ترغیب شوند که تمرکز خطوط تولید خود را تماماً روی حافظه‌های سرور مانند HBM و رم‌های سازمانی بگذارند، بازار قطعات مصرفی دچار کمبود و جهش قیمت خواهد شد؛ امری که هزینه ارتقای سیستم‌های توسعه‌دهندگان برای کارهای روزمره، کامپایل پروژه‌ها و اجرای محلی مدل‌ها را به شدت افزایش خواهد داد.