هوش مصنوعی یاد می‌گیرد کِی پردازش کند؛ درآمد در بالادست جمع می‌شود

قوی‌ترین نشانه‌های AI و مالی امروز یک پرسش کاملاً عملی مشترک دارند: پرداخت هزینه کدام واحد اضافه پردازش می‌ارزد؟ دو گروه پژوهشی این پرسش را درون فرایند استنتاج بررسی کرده‌اند و داده خدمات آمریکا و نتایج یک شرکت بسته‌بندی نیمه‌رسانا نشان می‌دهد پول در اطراف همان تصمیم کجا جمع می‌شود. برداشت ZharfAI این است که مرز بعدی حاشیه سود فقط «پردازش بیشتر» نیست؛ پردازش گزینشی است، یعنی هزینه برای برآورد بهتر، استدلال طولانی‌تر یا زیرساخت تخصصی فقط وقتی انجام شود که منفعت مورد انتظار از هزینه عبور کند. این ادعا محدودتر از جهش بهره‌وری در کل اقتصاد است و داده‌های کار و تورم این شماره نشان می‌دهد چرا تمایز مهم است.

پژوهشگران Google DeepMind لایه نخست را در پیش‌چاپی که ۲۰ اوت ارسال شد صورت‌بندی کردند. مسیریاب مدل معمولاً پیش‌بینی می‌کند کدام متخصص بهترین پاسخ را می‌دهد، اما پیش‌بینی قابل اتکا ممکن است خود به embedding، بازیابی، استدلال جزئی یا فراخوانی مدل دیگری نیاز داشته باشد. مقاله هر متخصص را مانند جعبه‌ای می‌بیند که یک برآورد ارزان و پرخطا از آن در دسترس است و برای دیدن برآورد دقیق‌تر باید هزینه کرد. Pandora's Router تحت یک مدل سیگنال گاوسی، ارزش این اطلاعات اضافه را محاسبه می‌کند، متخصص‌ها را با ترتیب حساس به هزینه می‌سنجد و وقتی بازرسی بیشتر نمی‌ارزد متوقف می‌شود. در استدلال ریاضی، متخصص‌های مجهز به بازیابی و مجموعه EmbedLLM با بیش از ۱۰۰ مدل متن‌باز، کیفیت مسیریابی به برآورد فراگیر نزدیک ماند، در حالی که برآوردگر پرهزینه فقط به‌صورت گزینشی فراخوانی شد.

این نتیجه را نباید به یک درصد صرفه‌جویی همگانی تبدیل کرد. آزمایش‌ها از امتیازهای یادگرفته‌شده به‌عنوان تقریب ارزش‌های پسینِ کالیبره استفاده می‌کنند و کاهش هزینه به مدل سیگنال گاوسی و داده کالیبراسیون وابسته است. نسبت هزینه برآوردگر دقیق به ارزان نیز میان حوزه‌ها بسیار متفاوت بود: برآورد نویسندگان برای ریاضی حدود ۵٫۸ برابر، برای حالتی که بازیابی لازم بود بیش از ۷۰۰۰ برابر و برای EmbedLLM حدود ۱٫۶ برابر است. در هزینه‌های میانی، Pandora's Router اغلب کمترین مجموع regret و هزینه بازرسی را داشت، اما مقاله می‌گوید برتری آن نسبت به همه گزینه‌ها معمولاً از نظر آماری معنادار نبود. نسخه اصلی فقط دو سطح برآوردگر دارد و نسخه غیرمتمرکز نیز در حضور برآوردهای رقیب پرخطا می‌تواند منفعت را به سمت یک متخصص راهبردی جابه‌جا کند. پس با یک چارچوب تصمیم و شاهد پیش‌چاپ روبه‌رو هستیم، نه تضمین سطح خدمت در تولید.

پیش‌چاپ جداگانه‌ای از Vrije Universiteit Amsterdam که همان روز منتشر شد، تصمیم تخصیص را به داخل یک مدل استدلال می‌برد. پژوهشگران DeepSeek-R1-Distill-Qwen-1.5B را با GRPO آموزش دادند تا در نخستین توکن یکی از سه حالت NoThink، Short یا Long را انتخاب کند. هر حالت منحنی پاداش و سقف توکن متفاوت دارد؛ مدل باید تشخیص دهد مسئله پاسخ مستقیم، استدلال کوتاه یا استدلال طولانی می‌خواهد. میانگین سه seed روی MATH500 کنارگذاشته‌شده، دقت ۰٫۷۸۲ را در برابر ۰٫۷۹۶ مدل پایه ثبت کرد و طول متوسط پاسخ را از ۴۷۹۶ به ۲۸۱۱ توکن رساند؛ یعنی ۴۱ درصد کاهش. بدون آموزش مجدد، طول پاسخ روی GSM8K آسان‌تر ۷۶ درصد و روی ارزیابی ترکیبی AIME دشوارتر ۱۳ درصد کم شد؛ در AIME مدل عمدتاً حالت طولانی را حفظ کرد.

ارزش نتیجه استدلال تطبیقی در آشکاربودن محدودیت‌هایش است. آزمایش فقط یک مدل تقطیرشده ۱٫۵ میلیاردپارامتری، سه seed و یک توزیع آموزشی ریاضی را پوشش می‌دهد. سقف‌ها—۱۰۲۴ توکن برای NoThink، ۳۰۰۰ برای Short و بافت ۱۶۳۸۴ توکنی برای Long—وابسته به کارند و نویسندگان می‌گویند ارزیابی بدون سقف، دقت حالت‌های کوتاه را نسبت به هدف آموزشی اندکی خوش‌بینانه نشان می‌دهد. آزمایش پیشین آنها با دو حالت نیز روی کاری که تنوع کافی در طول مفید استدلال نداشت فروپاشید. پیام مشترک دو مقاله یک انضباط عملیاتی است، نه نسبت فشرده‌سازی جادویی: سختی، کالیبراسیون برآوردگر، کیفیت پاسخ، تأخیر و کل هزینه باید روی بار کاری واقعی سنجیده شود؛ هر پرسش از مسیریابی یا فکر کوتاه‌تر سود نمی‌برد.

گزارش مقدماتی Quarterly Services Survey اداره سرشماری آمریکا تصویر مالی مشابهی می‌سازد. کل درآمد خدمات منتخب در فصل دوم، پس از تعدیل فصلی اما بدون تعدیل قیمت، ۶٫۴۲۱۹ تریلیون دلار بود؛ ۳٫۱ درصد بیشتر از فصل قبل و ۷٫۷ درصد بیشتر از سال قبل. جزئیات صنایع ماهیت دیگری دارند: نه تعدیل فصلی شده‌اند و نه تعدیل قیمت. بر همین مبنای اسمی سالانه، پردازش و میزبانی داده و خدمات مرتبط با ۲۰٫۶ درصد رشد به ۱۲۳٫۹۰۷ میلیارد دلار رسید؛ نشر نرم‌افزار با ۱۵٫۷ درصد رشد ۱۷۹٫۵۱۳ میلیارد دلار شد و سایر خدمات اطلاعاتی ۱۹٫۴ درصد رشد کرد. در مقابل، طراحی سیستم‌های رایانه‌ای و خدمات مرتبط تنها ۲٫۸ درصد رشد کرد و به ۱۹۴٫۷۶۸ میلیارد دلار رسید. درآمد مالی و بیمه نیز با ۷٫۶ درصد افزایش ۱٫۹۷۳۷۲ تریلیون دلار بود.

این الگو با تجمع سریع‌تر درآمد در زیرساخت پردازش‌محور و نرم‌افزار مقیاس‌پذیر نسبت به یکپارچه‌سازی نیروی‌کارمحور سازگار است، اما ثابت نمی‌کند AI علت فاصله بوده است. ارقام، برآورد درآمد شرکت‌های کارفرما هستند؛ نه ارزش افزوده، سود یا تولید واقعی. تغییر قیمت و ترکیب فصلی می‌تواند مقایسه جزئی را جابه‌جا کند. سرشماری همچنین گزارش کامل‌تر فصل دوم را برای ۹ سپتامبر برنامه‌ریزی کرده و benchmark نوامبر، تاریخچه را بر پایه اصلاحات، نتایج پیمایش یکپارچه و عوامل فصلی جدید بازبینی خواهد کرد. خوانش محتاطانه یک فرضیه با پیگیری‌های قابل اندازه‌گیری است: خدمات اطلاعاتی بالادست اکنون رشد اسمی سریع‌تری دارد و لایه خدماتی پیاده‌سازی سیستم برای مشتری کندتر رشد می‌کند.

JCET Group نقطه تبدیل فیزیکی را نشان می‌دهد. ارائه‌دهنده بسته‌بندی و آزمون نیمه‌رسانا در اطلاعیه نیم‌سال خود، ۱۹٫۵۳ میلیارد یوان درآمد گزارش کرد که ۵٫۰ درصد بیشتر از سال قبل بود. سود خالص قابل انتساب به سهام‌داران با ۷۹٫۴ درصد رشد به ۸۴۰ میلیون یوان رسید و سود خالص قابل انتساب پس از حذف اقلام غیرتکرارشونده با ۸۴٫۷ درصد افزایش ۸۱۰ میلیون یوان بود. درآمد فصل دوم ۱۰٫۳۶ میلیارد یوان شد؛ ۱۱٫۷ درصد بیشتر از سال قبل و ۱۲٫۹ درصد بیشتر از فصل قبل. سود قابل انتساب فصل ۵۵۰ میلیون یوان بود؛ ۱۰۷٫۳ درصد رشد سالانه و ۹۱ درصد رشد فصلی. شرکت بخشی از بهبود را به سفارش، نرخ بهره‌برداری، ترکیب محصول و کنترل هزینه نسبت داد؛ بنابراین شتاب سود را نمی‌توان فقط به حجم فروش نسبت داد.

JCET گفت درآمد الکترونیک محاسباتی در نیم‌سال ۴۰٫۴ درصد، الکترونیک خودرو ۲۵٫۰ درصد و خدمات آزمون ۹٫۴ درصد رشد کرده است. هزینه تحقیق و توسعه ۱٫۰۳ میلیارد یوان یا ۵٫۳ درصد درآمد بود و شرکت به کارخانه بسته‌بندی و آزمون پیشرفته ۷٫۸ میلیارد یوانی در شانگهای اشاره کرد. ارقام با درآمدزایی زیرساخت تخصصی از تقاضای AI سازگار است، اما منبع اطلاعیه خود شرکت است و درآمد مستقل AI، حاشیه بخش یا پل جریان نقدی ارائه نمی‌کند. پیش از آنکه رشد سریع سود قابل انتساب یک حاشیه پایدار AI خوانده شود، باید گزارش رسمی، نرخ بهره‌برداری، ترکیب محصول، سرمایه‌گذاری و تبدیل نقدی را دید.

شواهد توزیعی و قیمتی معمولی‌تر مانده است. BLS اعلام کرد ۵۳٫۸ درصد آمریکایی‌های ۱۶ تا ۲۴ ساله در ژوئیه شاغل بودند؛ تفاوت اندکی با ۵۳٫۱ درصد سال قبل داشت، هرچند نرخ بیکاری آنها از ۱۰٫۸ به ۹٫۱ درصد کاهش یافت. نرخ مشارکت ۵۹٫۱ درصد بود و آن هم تغییر معناداری نداشت. از جوانان شاغل، ۲۵ درصد در تفریح و مهمان‌داری، ۱۸ درصد در خرده‌فروشی و ۱۴ درصد در آموزش و سلامت کار می‌کردند. این سری به‌طور آگاهانه تعدیل فصلی نشده است. در ژاپن نیز اداره آمار نخستین خلاصه ماهانه CPI ملی با پایه ۲۰۲۵ را منتشر کرد: قیمت کل ژوئیه ۱٫۹ درصد بیشتر از سال قبل بود، شاخص بدون غذای تازه ۱٫۸ درصد و شاخص بدون غذای تازه و انرژی ۱٫۹ درصد رشد کرد. پایه جدید وزن‌ها و مرجع شاخص را به‌روز می‌کند؛ به‌تنهایی تورم سالانه گزارش‌شده را نمی‌سازد.

موارد بعدی برای رصد روشن‌اند. در سامانه‌های AI باید مسیریابی در سطح تولید با هزینه برآوردگر، تأخیر دنباله، شکست و تغییر بار کاری سنجیده و نتایج فراتر از مدل‌های کوچک ریاضی تکرار شود. در درآمد باید جزئیات سپتامبر و بازبینی نوامبر سرشماری، احتمال نزدیک‌شدن رشد طراحی سیستم و حاشیه و جریان نقدی رسمی JCET را دید. برای انتشار فراگیر منافع، تقویت اشتغال و مشارکت جوانان بیرون از خدمات مصرفی و ماندگاری تورم زیربنایی ژاپن نزدیک ۲ درصد زیر سبد جدید مهم است. پردازش گزینشی می‌تواند پیش از بهبود کل اقتصاد، اقتصاد واحد را بهتر کند. شواهد امروز می‌گوید این مرز قابل سرمایه‌گذاری و اندازه‌گیری‌تر شده است؛ نه اینکه منافع آن همین حالا فراگیر باشد.