هاگینگ فیس چیست و چرا انویدیا برای خرید آن ۱۲٫۹ میلیارد دلار میپردازد؟
وقتی انویدیا غول بیرقیب دنیای پردازندهها، دستبهجیب میشود تا یکی از مهمترین خریدهای تاریخش را نهایی کند، احتمالاً منتظرید پای معماری جدید در میان باشد، یا رقیبی تازهنفس برای ChatGPT، یا حتی آزمایشگاهی مخفی که پشت درهای بسته، هوش مصنوعی قدرتمندی همتراز با Claude را آموزش میدهد.
به گزارش زومیت، ولی Hugging Face، شرکتی که انویدیا میخواهد برای تصاحبش ۱۲٫۹ میلیارد دلار بپردازد، بیشتر به خانهی دستاوردهای دیگران شباهت دارد؛ پاتوقی که شرکتهای هوش مصنوعی از آمریکا و اروپا گرفته تا چین، مدلهایشان را منتشر میکنند و هزاران برنامهنویس و پژوهشگر مستقل، کدها و ساختههایشان را با دیگران به اشتراک میگذارند.
گرچه هنوز دو شرکت خبر رسمی معامله را تأیید نکردهاند، ولی تا همینجا هم مبلغ اعلام شده به حد کافی عجیب بهنظر میرسد. از طرفی درآمد سالانهی هاگینگفیس حدود ۱۵۰ میلیون دلار برآورد میشود و سال ۲۰۲۳ هم ارزش کل هاگینگفیس پس از آخرین دور جذب سرمایهاش، ۴٫۵ میلیارد دلار تعیین شده بود.
تنها سه سال بعد انویدیا برای خرید این شرکت سه برابر پول روی میز میگذارد، ولی چرا؟ درآمد هاگینگفیس بهتنهایی ارزش خاصی برای انویدیا ایجاد نمیکند و حتی دیتاستها و مدلهایی که میلیونها کاربر را به این پلتفرم میکشانند متعلق به خود شرکت نیستند.
ارزش واقعی هاگینگفیس را باید در عادت و اعتماد میلیونها توسعهدهندهای جستوجو کنیم که طی چند سال اخیر وقتی دنبال مدلی میگردند، پیش از هر چیز به ایموجی خندانی با آغوش باز سر میزنند.
Hugging Face چیست؟ پلتفرمی که فاصلهی کشف تا اجرای مدلها را پر کرد
تصور کنید نام مدل تازهای را میشنوید و میخواهید خودتان امتحانش کنید. شاید یکی از نسخههای Llama، یا شاید Qwen یا دیپسیک. شاید هم اصلا مدل زبانی نخواهید و به دنبال ابزاری برای تشخیص اشیای داخل تصویر، تبدیل گفتار به متن، ساخت موسیقی یا تولید ویدیو باشید.
مرورگر را باز میکنید، نام مدل را مینویسید و خیلی زود به لوگوی خندان هاگینگفیس برمیخورید. وقتی وارد پلتفرم میشوید، امکاناتی بیشتر از یک دکمهی دانلود مقابلتان میبینید. فایلهای مدل، نسخههای مختلف، مجوز استفاده، توضیحات سازنده و کد لازم برای اجرا همانجا قرار گرفتهاند.
شما میتوانید ببینید توسعهدهندگان مدل را برای چه کاری ساختهاند، کاربران چند بار دانلودش کردهاند یا روی چه ابزارها و سختافزاری اجرا میشود. گاهی حتی لازم نیست چیزی روی کامپیوتر نصب کنید، چون برخی دموهای آماده اجازه میدهند خروجی مدل را همانجا در مرورگر ببینید.
هاگینگفیس فراتر از یک مخزن دانلود، فضایی همهجانبه برای بررسی، تست و اجرای کدهای هوش مصنوعی است
ازسویدیگر فقط شرکتهای بزرگ ناشر مدلها محسوب نمیشوند. گروهی دانشگاهی میتواند حاصل پژوهشش را منتشر کند؛ توسعهدهندهای مستقل میتواند نسخهی کوچکتر یا تغییریافتهی مدل معروفی را در اختیار دیگران بگذارد و یک شرکت میتواند مدلها و دادههای داخلیاش را در فضایی خصوصی نگه دارد.
صفحهی اصلی هاگینگفیس بیش از دو میلیون مدل، بیش از نیممیلیون دیتاست و بیش از یک میلیون اپلیکیشن را فهرست میکند؛ مجموعهای که از مدلهای مشهور چندصدمیلیارد پارامتری تا پروژههای کوچک دانشجویی را در بر میگیرد.
قبل از محبوبیت هاگینگفیس هم مدلهای هوش مصنوعی منتشر میشدند، ولی کار با آنها بهسادگی امروز نبود. باید فایل را از سورس دیگری پیدا میکردید و کد را از مخزنی دیگر. توضیحات را در مقالههای رسمی میخواندید و روش اجرا را در صفحهای جداگانه مییافتید. بعد باید مطمئن میشدید نسخهی درست را گرفتهاید که با امکانات موجود اجرا میشود.
هاگینگفیس بیشتر این مراحل را کنار هم گذاشت و فاصلهی «مدل منتشر شده» را با «مدلی که میتوانم امتحانش کنم» کمتر کرد.
شرکتی که قرار بود نوجوانان را سرگرم کند
سال ۲۰۱۶ وقتی کلمان دولانگ، ژولین شومون و توماس ولف استارتاپشان را در نیویورک تأسیس کردند، هیچ رؤیایی برای ساختن زیرساختهای هوش مصنوعی جهان نداشتند. سه کارآفرین فرانسوی میخواستند چتباتی سرگرمکننده برای نوجوانان راه بیندازند؛ دوستی دیجیتال که کاربر بتواند دربارهی موضوعات مختلف با آن گپ بزند.
بنیانگذاران نام شرکت را هم از ایموجی معروفی وام گرفتند که با چهرهای خندان آغوشش را باز کرده بود، علامتی که هنوز کنار نام هاگینگفیس میبینیم. البته چتبات شرکت هیچوقت به محصول بزرگی تبدیل نشد، اما ساختنش گروه را واداشت ابزارهایی برای پردازش زبان و کار با مدلهای یادگیری ماشین توسعه دهند.
بنیانگذاران هاگینگفیس ابتدا قصد داشتند چتباتی سرگرمکننده برای نوجوانان خلق کنند
هاگینگفیس بخشی از ابزارهایش را عمومی کرد و وقتی واکنش توسعهدهندگان را دید، مسیر آیندهاش مشخص شد. مخاطبان علاقهی چندانی به دوست دیجیتال نوجوانان نشان ندادند و در عوض شیفتهی ابزارهای فنی شرکت شدند.
مؤسسان هم بهمرور چتبات را کنار گذاشتند و روی راهی سادهتر برای استفاده از مدلهای یادگیری ماشین متمرکز شدند، همان چیزی که کاربران واقعاً نیاز داشتند.
در همان دوران معماری ترنسفورمر بهسرعت در پردازش زبان و دیگر شاخههای هوش مصنوعی گسترش پیدا میکرد و پژوهشگران مدام مدلهای جدیدی میساختند. اما انتشار مقاله یا فایل، هیچ تضمینی نمیداد که کاربران بتوانند از مدل استفاده کنند. هر گروه ساختار خاص خودش را داشت و برنامهنویسان مشتاق باید خودشان قطعات پراکنده را به هم وصل میکردند.
کتابخانهی Transformers، تسهیل کار توسعهدهندگان
هاگینگفیس شهرت اصلیاش را به لطف کتابخانهی Transformers به دست آورد. این کتابخانه راهی نسبتاً استاندارد در اختیار برنامهنویسان میگذاشت تا مدلهای ازپیشآموزشدیده را در پروژههایشان به کار بگیرند. بهجای اینکه برای هر مدل روند جدیدی معرفی شود، بسیاری از مدلها با ابزارهایی آشنا و چند خط کد در دسترس قرار میگرفتند.
کتابخانهی Transformers به برنامهنویسان اجازه داد بهسادگی از مدلهای ازپیشآموزشدیده استفاده کنند
ولی چرا مدل ازپیشآموزشدیده تا این حد اهمیت دارد؟ آموزش مدلهای بزرگ علاوه بر تخصص، حجم عظیمی داده و قدرت پردازشی بالایی میخواهد؛ هزینهای که بیشتر توسعهدهندگان از عهدهاش برنمیآیند. به همین دلیل به سراغ مدلهایی میروند که قبلاً الگوهای زبان یا تصویر را آموختهاند و همان را یا مستقیم به کار میگیرند، یا برای وظیفهای مشخص تنظیم میکنند.
تنظیم دوبارهی مدلهای هوش مصنوعی با دادههای محدودتر، Fine-tuning نام دارد. کتابخانهی ترنسفورمرز مدلهایی را که تا آن زمان عمدتا در مقالات پژوهشی معرفی میشدند، به شیوهای در اختیار برنامهنویسان گذاشت که در پروژههای واقعی کاربرد داشته باشند.
خانهای برای مدلها، دادهها و دموها
با محبوبشدن کتابخانه Transformers، تعداد بیشتری از پژوهشگران و برنامهنویسان مدلهایشان را با ابزارهای هاگینگفیس توسعه دادند و بعد نیاز جدیدی شکل گرفت. خود مدلها باید کجا منتشر میشدند تا دیگران راحت پیدایشان کنند، تغییرشان دهند و در پروژههای خود به کار ببرند یا دوباره به اشتراک بگذارند؟
بخش Hugging Face Hub قرار بود به همین نیاز پاسخ دهد. هاب را میتوانید فضای میزبانی مخصوص پروژههای هوش مصنوعی در نظر بگیرید؛ چیزی شبیه گیتهاب اما با امکاناتی که برای مدلها و دادههای یادگیری ماشین طراحی شدهاند.
هاگینگفیس هاب مانند یک فضای ذخیرهسازی زنده، تاریخچه تغییرات پروژههای هوش مصنوعی را ثبت میکند
هر پروژه در هاب صفحه و مخزن خودش را دارد که فایلهای مدل هوش مصنوعی، مجموعهای از دیتاست یا حتی یک برنامهی کاربردی آمادهی اجرا را میزبانی میکند. اگر سازنده بعداً مدل یا فایلهایش را تغییر دهد، نسخههای قبلی از بین نمیروند و تاریخچهی تغییرات باقی میماند.
مدلها شناختهشدهترین بخش هاگینگفیس محسوب میشوند، اما هاب فقط محل نگهداری مدل نیست. در بخش Datasets میتوانید مجموعهدادههایی را پیدا کنید که برای آموزش یا آزمایش مدلها استفاده میشوند. بخش Spaces هم به سازندگان اجازه میدهد دموی قابلاستفادهای از مدلشان بسازند.
مثلاً اگر کسی یک مدل تولید تصویر منتشر کرده باشد، کاربر مجبور نیست به خواندن توضیحات اکتفا کند. میتواند همانجا پرامپتی بدهد و نتیجهی مدل را ببیند.
بخش Model Card هم توضیح میدهد مدل برای چه کاری ساخته شده، چطور باید از آن استفاده کرد، چه محدودیتهایی دارد و در آزمایشها چه عملکردی نشان داده است. البته کیفیت اطلاعات مدلهای مختلف با هم متفاوتاند، ولی همین توضیحات معمولاً به کاربر کمک میکند پیش از دانلود فایلهای سنگین بفهمد دقیقاً با چه مدلی سروکار دارد.
بیشتر محتواهای هاگینگفیس بهطور آزاد و رایگان در دسترس همه قرار میگیرند؛ بااینحال شرکت از خدماتی که در کنار این اکوسیستم ارائه میدهد درآمد کسب میکند. مشتریان سازمانی میتوانند برای مخازن خصوصی، تعیین سطح دسترسی کارکنان، پشتیبانی، فضای ذخیرهسازی و توان پردازشی پول بپردازند.
هاگینگفیس همچنین سرویسهایی ارائه میدهد که اجرای مدلها را روی زیرساخت مدیریتشده بر عهده میگیرند یا دسترسی به مدلهای شرکتهای مختلف را از یک مسیر واحد فراهم میکنند؛ بنابراین بیزینس مدل شرکت به فروش مدلهای رایگانی که کاربران در هاب منتشر کردهاند، متکی نیست.
«گیتهاب هوش مصنوعی»؛ تشبیهی که نیمی از ماجرا را میگوید
هاگینگفیس را معمولاً با لقب گیتهاب هوش مصنوعی معرفی میکنند و این تشبیه بیدلیل هم نیست. ما گیتهاب را بهعنوان مکانی آشنا برای انتشار کد، ثبت نسخههای مختلف برنامه و همکاری روی پروژهها میشناسیم و هاگینگفیس هم الگوی مشابهی را به دنیای هوش مصنوعی میآورد، ولی بهجای تمرکز صرف بر کد، از مدلها، دیتاستها و اپلیکیشنهای یادگیری ماشین میزبانی میکند.
پروژههای هاگینگفیس نیز میتوانند مخزن مخصوص خودشان را داشته باشند و گروههای برنامهنویسی تغییرات پروژههایشان را در طول زمان قدمبهقدم ثبت میکنند. ولی مدلهای هوش مصنوعی صرفاً مجموعهای فایل حاوی کد نیست.
حجم پارامترها و وزنهای یک مدل گاهی به دهها یا صدها گیگابایت میرسد و آموزش و ارزیابیشان هم به حجم عظیمی داده نیاز دارد. ازسویدیگر بیشتر کاربران دوست دارند پیش از دانلود، نمونهی خروجی را ببینند. هاگینگفیس کد، وزنها، داده، توضیحات و دموی اجرایی را کنار هم قرار میدهد.
برخلاف گیتهاب، هاگینگفیس از مدلها و اپلیکیشنهای یادگیری ماشین میزبانی میکند
البته همهی مدلهایی که در هاگینگفیس در دسترس عموم قرار دارند، معنای دقیق کلمه متنباز نیستند. بعضی مدلها همراه با کد، اطلاعات دادههای آموزشی و مجوز آزاد منتشر میشوند و بعضی شرکتهای توسعهدهنده مدلها هم فقط وزنها را در اختیار عموم میگذارند.
وزنها، در واقع پارامترهایی هستند که رفتار مدل را شکل میدهند، اطلاعاتی که مدل در مرحله آموزش یاد میگیرد. دسترسی به وزنها به شما اجازه میدهد مدلی را اجرا یا Fine-tune کنید، اما لزوماً به شما نمیگوید مدل از ابتدا چگونه، با چه دادههایی و طی چه فرایندی ساخته میشود.
بنابراین برای توصیف بسیاری از محتواهایی که در هاگینگفیس منتشر میشوند، بهجای اوپن سورس باید از عبارات مدلهای باز یا وزن باز (Open-weight) استفاده کنیم.
دارایی نامرئی اما گرانبهای هاگینگفیس
ما نمیتوانیم فهرست بلند مدلهای هوش مصنوعی را دارایی هاگینگفیس بدانیم. اگر انویدیا این شرکت را بخرد، مالک مدلهای مشهوری مانند Llama، کوئن یا دیپسیک نمیشود، همانطور که وقتی مایکروسافت گیتهاب را خرید، تمامی کدهایی را که در آن میزبانی میشدند، تصاحب نکرد.
مهمترین دارایی هاگینگفیس رفتار جامعهای است که طی سالها از این پلتفرم استفاده کردهاند. سازندگان مدل میدانند مخاطبانشان در هاگینگفیس حضور دارند و محصولشان را آنجا منتشر میکنند. توسعهدهنده نیز انتظار دارد مدلهای تازه و نسخههای تغییریافته را در هاگینگفیس پیدا کند. حضور هر گروه، طرف مقابل را به پلتفرم میآورد.
ارزش اصلی پلتفرم، حضور فعال جامعهای از رقبا و همکارانی است که زیر یک سقف جمع شدهاند
شاید رقیب دیگری وبسایتی برای بارگذاری مدلها راه بیندازد، اما برای دور هم جمعکردن ناشران، تاریخچهی نسخهها، مستندات، دموها و کاربران مسیر دشوارتری پیش رو دارد. تا زمانی که کاربران انتظار دارند هر مدل جدیدی را که معرفی میشود در هاگینگفیس بیابند، این وبسایت نوعی مسیر توزیع محسوب میشود.
از طرف دیگر نباید جایگاه هاگینگفیس را با OpenAI یا آنتروپیک مقایسه کنیم. این شرکتها عمدتاً میخواهند مشتری از مدل و API خودشان استفاده کند؛ درحالیکه هاگینگفیس اعتبارش را از حضور همزمان بازیگران مختلفی که گاهی رقیب یکدیگرند، بالا میبرد.
انویدیا بهجای خریدن یک مدل موفق، میتواند پلتفرمی را بخرد که به مردم فرصت میدهد از بین مدلهای متعدد، گزینهی مطلوبشان را انتخاب کنند. پس اگر معاملهی گزارششده نهایی شود، انویدیا صرفا برای کد سایت یا درآمد سالانهشدهی حدود ۱۵۰ میلیوندلاری آن ۱۲٫۹ میلیارد دلار نمیپردازد. غول تراشهسازی میخواهد به توسعهدهندهای نزدیک شود که هنوز تصمیم نگرفته کدام مدل را انتخاب و روی چه زیرساختی اجرایش کند.
