لایسیوم و استدلالی به سود هوش مصنوعیِ قابلتعویض
بیشتر محصولات هوش مصنوعی با یک مدل آغاز میشوند: GPT، Gemini، Claude، DeepSeek، Qwen. من هرچه بیشتر فکر میکنم، بیشتر به این نتیجه میرسم که این تصمیمی است که یک گام زودتر گرفته میشود. پرسش ماندگارتر این است که چه نوع لایهٔ محاسباتی را زیر محصول خود میخواهید، و وقتی مدلها، قیمتها، مقررات یا نیازهای خودتان تغییر میکنند، تا چه اندازه میتوانید آن را بهآسانی تغییر دهید. این همان چیزی است که Lyceum را برای من جالب کرد. این یک ابر هوش مصنوعی و GPU اروپایی است که حول مدلهای باز، محاسبات برحسب تقاضا و زیرساختی ساخته شده که میتواند نسبتاً مستقل از برنامهای که بر فراز آن قرار دارد باقی بماند.
Lyceum بخش شگفتآور بزرگی از چرخهٔ عمر هوش مصنوعی را پوشش میدهد. میتوانید مدلهای میزبانیشده را از طریق APIهای بدونسرور فراخوانی کنید، یک مدل Hugging Face را روی GPUهای رزروشده مستقر کنید، بارهای کاری Python یا Docker را اجرا کنید، ماشینهای مجازی GPU با دسترسی ریشه اجاره کنید، برای آزمایش از نوتبوکها استفاده کنید و، اگر زمانی به آنها نیاز داشتید، بهسوی خوشههای آموزشی بزرگتر بروید. لایهٔ ارکستراسیون Pythia آن حتی میتواند Lyceum را به سختافزار خودتان و AWS، GCP یا Azure متصل کند و سپس تصمیم بگیرد که یک بار کاری کجا اجرا شود. به بیان دیگر، بدون آنکه یک تیم کوچک مجبور باشد از روز نخست مالک GPU باشد، مسیری از یک فراخوانی API تا کنترل بسیار عمیقتر در اختیارش میگذارد.
اقتصاد آن نیز ارزش بررسی دارد. تا اوت ۲۰۲۶، Lyceum قیمت Qwen3 Embedding 8B را ۰٫۰۱ دلار بهازای هر یک میلیون توکن ورودی و DeepSeek V4 Flash را ۰٫۱۵ دلار بهازای هر یک میلیون توکن ورودی و ۰٫۳۰ دلار بهازای هر یک میلیون توکن خروجی فهرست کرده است. استنتاج بدونسرور هزینهٔ GPU بیکار ندارد، در حالی که بارهای کاری سنگینتر میتوانند به محاسبات ثانیهای یا سختافزار اختصاصی منتقل شوند. به همان اندازه برای توسعهدهندگان مهم است که API استنتاج آن با SDK مربوط به OpenAI سازگار است؛ بنابراین آزمایش آن نیازمند بازسازی یک برنامه حول یک رابط اختصاصی نیست.
این قابلیت انتقال برای من از فهرست قیمتها مهمتر است. یک سامانهٔ هوش مصنوعی با طراحی خوب باید بتواند پیش از تصمیمگیری دربارهٔ اینکه چه کسی آن را انجام میدهد، آنچه میخواهد انجام شود را بیان کند. «این شیء را ترجمه کن»، «روابط معنایی احتمالی را پیدا کن»، «این منبع را طبقهبندی کن» یا «یک بردارسازی تولید کن» عملیات در سطح برنامه هستند. DeepSeek، Qwen، OpenAI یا یک مدل میزبانیشده بهصورت محلی، پیادهسازیها هستند. اگر این دو لایه در معماری شما به یک چیز تبدیل شوند، تغییر ارائهدهندگان در آینده میتواند بهطرزی غافلگیرکننده پرهزینه شود.
این موضوع بهویژه برای LeraLink، سامانهای که حول روشی متفاوت برای کار با دانش در حال توسعهاش هستم، مرتبط است. هنوز نمیخواهم چیز زیادی از معماری داخلی آن افشا کنم، اما یک اصل از هماکنون برایم روشن است: وضعیت پایدار یک سامانهٔ دانش باید متعلق به خود سامانهٔ دانش باشد. هوش مصنوعی میتواند آن را بررسی، ترجمه و مقایسه کند، رابطههایی پیشنهاد دهد یا به سازماندهی دوبارهٔ آن کمک کند، اما یک نتیجهٔ استنتاج نباید بیسروصدا به منبع حقیقت تبدیل شود. تمایزی که پیوسته به آن بازمیگردم ساده است: دانش میتواند پایدار بماند، در حالی که استنتاج قابل جایگزینی میماند.
این امر کاربرد جالبتری از زیرساختی مانند Lyceum میگشاید. بهجای ساختن برنامهٔ دیگری که دور یک چتبات پیچیده شده است، میتوانید سامانهای بسازید که در آن مدلهای مختلف وظایف محاسباتی محدود را انجام میدهند. مدلهای ارزان ممکن است بردارسازیها یا تبدیلهای معمول را انجام دهند. هنگامی که کیفیت استدلال اهمیت دارد، میتوان مدلی قویتر انتخاب کرد. بارهای کاری دستهای میتوانند به GPUها منتقل شوند. بعدها، یک تیم حتی ممکن است مدلهای کوچکی را برای وظایفی آموزش دهد که مختص حوزهٔ خود آن است. معماری میتواند تکامل یابد، بیآنکه محصول زیربنایی را وادار کند هویت هر مدلی را که اتفاقاً امسال بهترین است به ارث ببرد.
دلایلی برای احتیاط وجود دارد. شرایط فعلی Lyceum میگوید که ورودیها و خروجیهای استنتاج، بیش از ضرورت فنی نگهداری نمیشوند و برای آموزش یا بهبود مدلهای آن به کار نمیروند؛ این ویژگی برای کار فکری خصوصی معنادار است. همین شرایط همچنین روشن میکند که فضای ذخیرهسازی Lyceum برای ذخیرهسازی دائمی ابری در نظر گرفته نشده است، بارهای کاری ممکن است از سختافزار یا مراکز دادهٔ شخص ثالث استفاده کنند، و توافقنامهٔ استاندارد، فروش مجدد یا اعطای مجوز فرعی را محدود میکند. شرایط همچنین میگوید ادعاهای وبسایت فقط زمانی به تعهدات قراردادی تبدیل میشوند که صراحتاً بر سر آنها توافق شده باشد. بنابراین، برای محصولی جدی با چند مستأجر، پیش از آنکه آن را برای محیط تولید حیاتی کنم، محل استقرار داده، استفادهٔ SaaS، نگهداری و تضمینهای خدمات را روشن میکردم.
جالب اینکه، همین دلیل نیز باعث علاقهٔ من به Lyceum است. مدل ارکستراسیون آن بهسوی پشتهای از هوش مصنوعی اشاره دارد که در آن بارهای کاری میتوانند میان یک ابر تخصصی، ابرمقیاسدهندگان متعارف و زیرساخت خصوصی جابهجا شوند. یک ارائهدهنده زمانی مفیدتر میشود که استفاده از آن مستلزم غیرقابلجایگزین کردنش نباشد. این مسیر بسیار سالمتری برای کسانی است که سامانههایی میسازند که انتظار میرود چندین نسل از مدلها را دوام بیاورند.
هنوز آماده نیستم بگویم که Lyceum باید بخشی از LeraLink شود. خود LeraLink ابتدا باید به مرحلهٔ درست معماری و عملیاتی برسد، و هر تصمیمی باید پس از بنچمارکهای واقعی در زمینهٔ کیفیت، عملکرد چندزبانه، تأخیر، حریم خصوصی و هزینه گرفته شود. اما وقتی آن زمان برسد، واقعاً مایلم Lyceum را بهعنوان بخشی از زیرساخت هوش مصنوعی LeraLink آزمایش کنم. امکان جالب این نیست که Lyceum را «هوش مصنوعی LeraLink» کنیم. بلکه این است که ببینیم آیا میتواند به یک لایهٔ محاسباتی درون سامانهای تبدیل شود که در آن مدلها اجازهٔ تغییر دارند، در حالی که دانش و قواعد حاکم بر آن همچنان متعلق به ما باقی میمانند.