هاگینگ فیس چیست و دلیل پرداخت ۱۲٫۹ میلیارد دلار توسط انویدیا برای خرید آن چیست؟

2 هفته پیش

0 69,431 خواندن این مطلب 4 دقیقه زمان میبرد

هاگینگ فیس چیست و چرا انویدیا برای خرید آن ۱۲٫۹ میلیارد دلار می‌پردازد؟

یک‌شنبه ۸ شهریور ۱۴۰۵ – ۲۱:۰۰

پویش پورمحمدان

انویدیا به دنبال تصاحب یک پلتفرم محبوب است که میزبان میلیون‌ها مدل هوش مصنوعی می‌باشد.

زمانی که انویدیا، غول بی‌رقیب دنیای پردازنده‌ها، تصمیم به نهایی کردن یکی از مهم‌ترین خریدهای تاریخ خود می‌گیرد، شاید انتظار داشته باشید که پای یک معماری جدید یا رقیبی تازه‌نفس برای ChatGPT در میان باشد، یا حتی آزمایشگاهی مخفی که در آن هوش مصنوعی قدرتمندی هم‌تراز با Claude آموزش می‌بیند. اما Hugging Face، شرکتی که انویدیا برای خرید آن ۱۲٫۹ میلیارد دلار هزینه می‌کند، بیشتر به یک خانه‌ی دستاوردهای دیگران شباهت دارد؛ جایی که شرکت‌های هوش مصنوعی از آمریکا و اروپا تا چین، مدل‌های خود 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، اما مبلغ اعلام شده به حد کافی عجیب به‌نظر می‌رسد. درآمد سالانه‌ی هاگینگ‌فیس حدود ۱۵۰ میلیون دلار برآورد می‌شود و در سال ۲۰۲۳، ارزش کل این شرکت پس از آخرین دور جذب سرمایه‌اش، ۴٫۵ میلیارد دلار تعیین شده بود. حالا تنها سه سال بعد، انویدیا برای خرید این شرکت سه برابر پول روی میز می‌گذارد، اما 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 می‌کند

تصور کنید نام مدل تازه‌ای را می‌شنوید و می‌خواهید خودتان امتحانش کنید. شاید یکی از نسخه‌های Llama، یا شاید Qwen یا دیپ‌سیک. شاید هم اصلاً 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.

از سوی دیگر، فقط شرکت‌های بزرگ ناشر مدل‌ها محسوب نمی‌شوند. گروه‌های دانشگاهی می‌توانند حاصل پژوهش‌های خود را منتشر کنند؛ توسعه‌دهندگان مستقل می‌توانند نسخه‌های کوچک‌تر یا تغییریافته‌ی مدل‌های معروف را در اختیار دیگران بگذارند 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.

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. این 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.

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.

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. 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.

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 Models امکان جست‌وجو و فیلترکردن مدل‌ها براساس وظیفه، اندازه، کتابخانه و ارائه‌دهنده اجرا را فراهم می‌کند. 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.

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.