هزینه و کنترل، مسیر استقرار هوش مصنوعی سازمانی را تغییر می‌دهند

در نشست رهبری هوش مصنوعی Dell Technologies در سن‌خوزه که گزارش آن در ۲۹ سپتامبر ۲۰۲۶ منتشر شد، بحث استقرار هوش مصنوعی سازمانی از مرحله ساخت نمونه‌های آزمایشی به پرسش‌هایی عملی‌تر رسید: هزینه استفاده از مدل‌ها چقدر است، داده‌ها کجا پردازش می‌شوند و چه کسی بر رفتار سامانه‌های خودکار نظارت دارد؟ گفته‌های شرکت‌کنندگان نشان می‌دهد که با ورود پروژه‌ها به مرحله اجرا، انتخاب مدل و شتاب‌دهنده تنها بخشی از تصمیم است و زیرساخت، محل استقرار و سازوکارهای کنترل نیز اهمیت پیدا می‌کنند.

جان فوریِر، تحلیل‌گر اجرایی در theCUBE Research، گفت پرسش بسیاری از سازمان‌ها دیگر این نیست که هوش مصنوعی را بپذیرند یا نه؛ بلکه موضوع این است که سامانه را چه کسی کنترل می‌کند، در کجا اجرا می‌شود و تابع کدام قانون است. این برداشت در چهار محور نشست بازتاب داشت: گسترش زیرساخت‌های بزرگ‌مقیاس، انتقال مدل‌های صوتی به دستگاه‌های کاربر، نظارت بر عامل‌های خودکار و توجه دوباره به هزینه و پردازنده‌های CPU.

از نمونه آزمایشی تا زیرساخت آماده تولید

به گفته سیلیکون‌اَنگل، Dell در حال تمرکز بیشتر بر مشتریانی است که می‌خواهند پروژه‌های آزمایشی هوش مصنوعی را به مرحله استفاده عملیاتی برسانند. در این مرحله، سازمان باید علاوه بر انتخاب فناوری، زیرساختی فراهم کند که توان پاسخ‌گویی به بار کاری واقعی را داشته باشد. مقصود از استقرار «در مقیاس رک» نیز به‌کارگیری مجموعه‌ای از تجهیزات سروری و شبکه‌ای در قالب رک‌های کامل است، نه راه‌اندازی تنها یک سرور یا نمونه محدود.

شان اوکانر، مدیر منطقه‌ای بخش مشتریان سازمانی بزرگ در Dell، گفت همکاری‌های دیرینه این شرکت با تولیدکنندگان تراشه به آن کمک کرده تا ۳۵۰ رک را طی دو هفته مستقر کند. این عدد، بنا بر گفته او، نمونه‌ای از توان اجرایی شبکه شرکای Dell است؛ بااین‌حال، گزارش جزئیاتی درباره محل استقرار این رک‌ها یا نوع بارهای کاری آن‌ها ارائه نمی‌کند.

گزارش همچنین از گسترش اکوسیستم Dell تا حوزه سرمایه‌گذاری خطرپذیر سخن می‌گوید. اهمیت این موضوع در روایت نشست، پیوند میان سخت‌افزار، شرکای اجرایی و شرکت‌هایی است که ابزارهای مکمل توسعه می‌دهند. وقتی یک سازمان از مرحله آزمایش عبور می‌کند، هماهنگی اجزای مختلف زیرساخت و راه‌اندازی آن‌ها می‌تواند به‌اندازه انتخاب مدل اهمیت پیدا کند. بااین‌حال، شرکت‌کنندگان در این نشست داده‌ای برای مقایسه سرعت یا هزینه این رویکرد با گزینه‌های دیگر ارائه نکردند.

مدل‌های صوتی از مرکز داده به لپ‌تاپ می‌روند

یکی از مسیرهای مطرح‌شده، اجرای مدل‌های صوتی روی دستگاه‌های نزدیک به کاربر است. Deepgram مدل‌های گفتاربه‌متن، متن‌به‌گفتار و عامل‌های صوتی خود را روی زیرساخت Dell آموزش می‌دهد. نیک مان، مدیر برنامه فنی در Deepgram، گفت بخش بزرگی از مشتریان این شرکت مدل‌ها را خودشان میزبانی می‌کنند و گام بعدی می‌تواند اجرای بومی آن‌ها روی لپ‌تاپ‌های مجهز به هوش مصنوعی باشد.

اجرای بومی یعنی پردازش روی خود دستگاه انجام شود، نه اینکه هر درخواست برای پردازش به یک مرکز داده دوردست فرستاده شود. مان همچنین به اجرای مدل‌ها در لپ‌تاپ‌های جدا از شبکه اشاره کرد. در این وضعیت، دستگاه به شبکه بیرونی متصل نیست؛ رویکردی که می‌تواند برای محیط‌هایی که دسترسی شبکه در آن‌ها محدود است، گزینه‌ای قابل بررسی باشد. گزارش درباره محل یا نوع مشتریانی که چنین شیوه‌ای را به کار خواهند گرفت جزئیاتی نمی‌دهد.

این جابه‌جایی بخشی از بحث بزرگ‌تر درباره محل پردازش داده است. اگر مدل روی دستگاه اجرا شود، توان سخت‌افزار محلی و نحوه میزبانی مدل به عوامل مهم‌تری در طراحی محصول تبدیل می‌شوند. گفته‌های نشست، این مسیر را به‌عنوان گام بعدی Deepgram معرفی می‌کند، نه قابلیتی که همه مشتریان این شرکت اکنون از آن استفاده می‌کنند.

نظارت بر عامل‌ها باید هنگام اجرا ادامه یابد

محور دیگر نشست، کنترل عامل‌های هوش مصنوعی بود. عامل، سامانه‌ای است که می‌تواند در راستای انجام یک وظیفه، چند گام را به‌صورت خودکار دنبال کند. به گفته ویکتور یاکوبیوک از MisaLabs، شیف آگاروال از Singulr AI و سری ویسوانات از Sycamore Labs، سازمان‌ها می‌خواهند عامل‌های خود را در محدوده ابر خصوصی مجازی خود نگه دارند. ابر خصوصی مجازی بخشی جداشده از یک زیرساخت ابری است که برای استفاده یک سازمان پیکربندی می‌شود.

در این بحث، نظارت از تعیین قواعد ثابت پیش از شروع کار فراتر می‌رود و به پایش رفتار عامل در زمان اجرا می‌رسد. به بیان ساده، سازمان فقط مشخص نمی‌کند عامل چه کارهایی مجاز است انجام دهد؛ بلکه باید بتواند در حین فعالیت نیز رفتار آن را زیر نظر بگیرد. این موضوع به‌ویژه برای عامل‌هایی مطرح شد که به‌طور پیوسته فعال‌اند و می‌توانند در چند مرحله کار کنند.

این تأکید، پرسش کنترل را از محل ذخیره داده به چگونگی رفتار سامانه در عمل گسترش می‌دهد. استارتاپ Sycamore Labs نیز، طبق گزارش، برای ساخت لایه‌های حاکمیتی عامل‌های هوش مصنوعی سرمایه جذب می‌کند. گزارش درباره میزان سرمایه یا جزئیات محصول این شرکت اطلاعاتی ارائه نکرده است؛ بنابراین آنچه از نشست می‌توان نتیجه گرفت، پررنگ‌شدن نیاز به ابزارهای نظارتی است، نه اثبات اینکه راهکار مشخصی این مسئله را حل کرده باشد.

هزینه توکن‌ها توجه را به اجرای محلی و CPU برمی‌گرداند

هزینه مصرف توکن‌ها یکی از دلایلی بود که در نشست برای بازنگری محل اجرای هوش مصنوعی مطرح شد. توکن واحدهای کوچکی از متن یا داده‌اند که مدل هنگام پردازش ورودی و تولید پاسخ با آن‌ها کار می‌کند؛ در بسیاری از خدمات مدل، مصرف بیشتر توکن می‌تواند به هزینه بالاتر بینجامد. هلن اوسالیوان از Dell و تیم وود از Intel گفتند برخی مشتریان بودجه‌ای را که برای ماه‌ها در نظر گرفته بودند، طی چند هفته مصرف کرده‌اند و در واکنش، بارهای کاری را در محیط داخلی آزمایش می‌کنند.

اجرای داخلی یا محلی، در این گزارش، به معنای انتقال بخشی از پردازش به زیرساختی است که سازمان خود میزبانی می‌کند؛ این زیرساخت می‌تواند شامل رایانه‌های مجهز به هوش مصنوعی نیز باشد. اوسالیوان و وود تأکید کردند که نزدیک نگه‌داشتن داده و پردازش هوش مصنوعی، حتی روی رایانه‌های شخصی مجهز به هوش مصنوعی، می‌تواند هزینه‌ها را کاهش دهد. این گفته نظر شرکت‌کنندگان است و گزارش رقم یا مقایسه‌ای برای اندازه این کاهش ارائه نمی‌کند.

در کنار تغییر محل اجرا، CPU نیز دوباره مورد توجه قرار گرفته است. گزارش می‌گوید مشتریان در حال بررسی نقش این پردازنده در بارهای کاری عامل‌محور هستند؛ موضوعی که در کنار تأکید رایج بر GPUها مطرح شد. اما جزئیات فنی درباره اینکه کدام وظایف عامل‌ها به CPU سپرده می‌شوند یا چه میزان صرفه‌جویی ایجاد می‌شود، در اطلاعات منتشرشده نیامده است. در نتیجه، پیام نشست نه جایگزینی قطعی GPU با CPU، بلکه ارزیابی دوباره ترکیب سخت‌افزار و هزینه اجرای بارهای کاری است.

لازم است جایگاه این گفته‌ها نیز روشن باشد: طبق توضیح منتشرشده، theCUBE شریک رسانه‌ای پولی رویداد Dell Technologies AI Leadership Symposium 2026 بوده است. همان توضیح می‌گوید Dell و دیگر حامیان در محتوای پوشش editorial control نداشته‌اند. این افشاگری به خواننده کمک می‌کند زمینه تجاری پوشش را در نظر بگیرد، درحالی‌که ادعاهای مطرح‌شده درباره عملکرد، هزینه و برنامه‌های شرکت‌ها همچنان به گویندگان آن‌ها نسبت داده می‌شود.

این خبر برای چه کسانی اهمیت دارد

این بحث برای مدیران فناوری اطلاعات، مسئولان زیرساخت و تیم‌هایی که پروژه‌های هوش مصنوعی را از مرحله آزمایش به استفاده سازمانی می‌برند اهمیت دارد؛ زیرا نشان می‌دهد هزینه پردازش، محل نگهداری داده و نظارت بر عامل‌ها باید هم‌زمان با انتخاب مدل بررسی شوند. برای توسعه‌دهندگان مدل‌های صوتی و عامل‌های خودکار نیز اجرای محلی و کنترل زمان اجرا می‌تواند بر شیوه طراحی و میزبانی محصول اثر بگذارد. بااین‌حال، گفته‌های نشست بیشتر نشانه‌ای از اولویت‌های در حال شکل‌گیری است و به‌تنهایی ارزیابی مستقل یا نتیجه قطعی درباره بهترین شیوه استقرار به شمار نمی‌آید.