چندهوش

هفت راهِ عملی برای کاهش هزینه استفاده از هوش مصنوعی

نوشتهٔ تیمِ چندهوش · · ۸ دقیقه مطالعه

بیشترِ هزینه‌ی هوش مصنوعی از چند تصمیمِ کوچک می‌آید: کدام مدل، چند صندلی، چه عمقی، چقدر پیوست. اگر بدانی هر اهرم چه می‌کند، می‌توانی خرج را پایین بیاوری بدونِ آن‌که جایِ اشتباهی صرفه‌جویی کنی.

کاهش هزینه استفاده از هوش مصنوعی بیشتر از آن‌که به پیدا کردنِ ابزارِ ارزان‌تر مربوط باشد، به چند عادت برمی‌گردد: مدلی به اندازه‌ی کار انتخاب کن، عمقِ بحث را با اهمیتِ سؤال هماهنگ کن، فقط زمینه‌ای را پیوست کن که واقعاً لازم است، پیش از شروع برآورد را بخوان و سقف بگذار، و سؤالت را طوری بنویس که دورِ اضافه نخواهد. در این راهنما هر اهرم را باز می‌کنیم و می‌گوییم کشیدنش چه چیزی را از تو می‌گیرد، چون صرفه‌جوییِ بی‌حساب هم می‌تواند گران تمام شود.

هزینه از کجا می‌آید؟

مدل‌هایِ هوش مصنوعی متن را در قالبِ تکه‌هایی کوچک به نامِ «توکن» می‌خوانند و می‌نویسند. هرچه متنی که مدل باید بخواند بلندتر باشد (سؤال، پیوست‌ها، جواب‌هایِ قبلی) و هرچه بیشتر بنویسد، کارِ بیشتری انجام داده است. مدل‌هایِ سنگین‌تر هم معمولاً بابتِ همان مقدار متن گران‌ترند.

در یک میزگرد، این ضرب می‌شود. هر صندلی یک مدل است که می‌خواند و می‌نویسد. در مرحله‌ی نقدِ متقابل، هر صندلی نظرِ بقیه را هم می‌خواند. هر دورِ اضافه‌ی بحث یعنی یک بارِ دیگر همین چرخه. پس هزینه‌ی یک نشست، تقریباً حاصلِ چهار چیز است: سنگینیِ مدل‌ها، تعدادِ صندلی‌ها، تعدادِ دورها (عمق)، و حجمِ زمینه. هر اهرمی که در ادامه می‌آید، یکی از این چهار را هدف گرفته است.

در چندهوش لازم نیست این حساب را خودت انجام بدهی: پیش از هر نشست، هزینه‌ی تخمینی و یک بازه را می‌بینی و فقط مصرفِ واقعی از کیف‌پولت کم می‌شود. اما دانستنِ این‌که عدد از کجا می‌آید، کمک می‌کند بدانی کدام پیچ را بچرخانی.

هفت اهرم برای کاهش هزینه استفاده از هوش مصنوعی

۱. مدلِ هم‌اندازه‌ی کار انتخاب کن

لازم نیست همه‌ی صندلی‌ها سنگین‌ترین مدلِ موجود باشند. برای جمع‌کردنِ ایده، خلاصه‌کردن یا نقدِ اولیه، مدل‌هایِ سبک‌تر اغلب کافی‌اند و هزینه‌ی کمتری دارند. یک ترکیبِ رایج این است که یکی دو صندلی را به مدل‌هایِ قوی‌تر بدهی و بقیه را به سبک‌ترها. چون یک مدل می‌تواند در چند صندلی بنشیند، می‌توانی مثلاً یک مدلِ سبک را در دو نقشِ متفاوت، منتقد و ایده‌پرداز، به کار بگیری. کدام مدل برای کدام نقش مناسب‌تر است؟ جوابِ ثابتی ندارد؛ سبکِ مدل‌ها با هر نسخه عوض می‌شود. فهرستِ خانواده‌ها را در صفحه‌ی مدل‌ها ببین و رویِ سؤال‌هایِ خودت امتحان کن.

۲. صندلی‌ها را به اندازه‌ی سؤال بچین

تا دوازده صندلی می‌توانی داشته باشی، اما هر صندلیِ اضافه هم خودش می‌نویسد و هم بارِ خواندنِ بقیه را بیشتر می‌کند. برای بیشترِ تصمیم‌هایِ روزمره، سه تا پنج صندلی با نقش‌هایِ واقعاً متفاوت (مثلاً معمار، منتقد، عمل‌گرا و وکیلِ مدافعِ شیطان) تنوعِ کافی می‌سازد. صندلیِ پنجم و ششم فقط وقتی ارزش دارد که زاویه‌ی تازه‌ای بیاورد، نه تکرارِ همان نقش با مدلی دیگر.

۳. عمقِ بحث را با اهمیتِ تصمیم هماهنگ کن

عمق‌ها «سریع»، «عادی»، «عمیق» و «خیلی عمیق» هستند، به‌علاوه‌ی «خودکار» که عمق را از رویِ موضوع انتخاب می‌کند. عمقِ کمتر یعنی دورهایِ کمتر و هزینه‌ی کمتر. یک قاعده‌ی سرانگشتی: اگر اشتباه در این تصمیم به‌سادگی جبران‌پذیر است، «سریع» یا «عادی» کافی است؛ اگر برگشت‌ناپذیر یا گران است، عمق را بالا ببر. اگر مطمئن نیستی، «خودکار» انتخابِ امنی است.

۴. نوعِ نشستِ درست را بردار

همه‌ی سؤال‌ها بحث لازم ندارند. اگر فقط می‌خواهی جوابِ چند مدل را کنارِ هم ببینی، «مقایسه‌ی خالص» بدونِ بحث و بدونِ داور، جوابِ کاملِ هر صندلی را زیرِ نامش نشان می‌دهد؛ طبیعتاً دورهایِ نقد در کار نیست. روشِ این نوع مقایسه را در مقایسه ChatGPT و Claude و Gemini آورده‌ایم. اگر یک ادعا یا برنامه‌ی مشخص را می‌سنجی، «راستی‌آزمایی» سرراست‌تر از یک بحثِ باز است. «بحث و تصمیم» و «مناظره» را برای جایی نگه دار که واقعاً به کشمکشِ نظرها نیاز داری.

۵. زمینه را لاغر کن

پیوست‌ها هزینه‌ی پنهانِ بزرگی‌اند، چون هر صندلی باید آن‌ها را بخواند. می‌توانی سند، فایلِ Excel یا CSV، PDF، تصویر، صوت، ویدیو، لینک، Google Sheet یا Doc، مخزنِ GitHub یا گفتگویِ خروجی‌گرفته از ChatGPT و Claude را پیوست کنی، ولی «می‌توانی» با «باید» فرق دارد. اگر فقط یک فصل از یک PDFِ بلند مهم است، همان فصل را جدا کن. اگر از یک فایلِ Excelِ بزرگ فقط یک برگه به سؤالت مربوط است، همان برگه را جدا ذخیره کن. در موضوعِ نشست هم بگو دقیقاً به کدام بخش توجه شود. برای بررسیِ کد، نکته‌هایِ مشخص‌تری در بررسی کد با هوش مصنوعی هست.

۶. سؤالِ خوب بنویس و از بررسی‌هایِ رایگان استفاده کن

گران‌ترین نشست، نشستی است که سؤال را اشتباه فهمیده و باید دوباره اجرا شود. پیش از شروع دو ابزارِ رایگان داری: «بررسیِ برداشتِ ما» که با یک مدلِ ارزان سؤالت را بازگو می‌کند تا ببینی درست فهمیده شده، و «تأییدِ فرض‌ها» که فرض‌هایِ پنهانِ پشتِ سؤالت را فهرست می‌کند تا قبول یا ردشان کنی. «جست‌وجویِ زنده قبل از شروع» هزینه‌ی کمی دارد؛ فقط وقتی روشنش کن که سؤالت به اطلاعاتِ به‌روز نیاز دارد، مثلاً قیمت یا قانونی که اخیراً عوض شده. برای یک تصمیمِ مفهومی یا فنی که به خبرِ امروز وابسته نیست، لازم نیست.

چند عادتِ نوشتاری هم کمک می‌کند:

۷. برآورد را بخوان، سقف بگذار، و بعد از حکم هوشمندانه ادامه بده

پیش از هر نشست، هزینه‌ی تخمینی و بازه را ببین. اگر عدد از انتظارت بالاتر است، یکی از اهرم‌هایِ بالا را بکش و دوباره نگاه کن. برای نشست‌هایِ بزرگ «سقفِ هزینه» بگذار؛ نشست از آن رد نمی‌شود. بعد از حکم، اگر سؤالِ تکمیلی داری، از «سؤالِ دنباله» استفاده کن: همان صندلی‌ها کوتاه جواب می‌دهند و بحث از نو شروع نمی‌شود. «حالتِ دقتِ بالا» را هم فقط وقتی بزن که قوی‌ترین مخالفتِ باقی‌مانده واقعاً رویِ تصمیمت اثر دارد. و در کیف‌پول، بیش از مصرفِ یک ماهت شارژ نکن، چون اعتبارِ شارژشده ۳۰ روز مهلت دارد.

کدام اهرم را کِی بکشی؟

اهرموقتی مناسب است که…چه چیزی از دست می‌دهی
مدلِ سبک‌ترکار ایده‌پردازی، خلاصه یا نقدِ اولیه استشاید کمی عمق در استدلال‌هایِ پیچیده
صندلیِ کمترسؤال زاویه‌هایِ محدودی داردتنوعِ دیدگاه
عمقِ کمتراشتباه به‌سادگی جبران می‌شوددورهایِ نقدِ بیشتر
مقایسه‌ی خالصفقط دیدنِ جواب‌ها کنارِ هم را می‌خواهینقدِ متقابل و حکمِ داور
پیوستِ کوچک‌ترفقط بخشی از سند به سؤال مربوط استزمینه‌ای که شاید بعداً لازم شود
خاموش گذاشتنِ جست‌وجویِ زندهسؤال به خبرِ امروز وابسته نیستمنبع‌هایِ به‌روز در حکم
سؤالِ دنباله به‌جایِ نشستِ تازهپرسشِ تکمیلی درباره‌ی همان حکم داریبحثِ کاملِ تازه

یک نمونه‌ی فرضی: یک سؤال، دو چیدمان

این یک نمونه‌ی فرضی است، نه نشست یا نتیجه‌ی واقعی. برنامه‌نویسی برای یک پروژه‌ی کوچک باید بینِ دو پایگاهِ داده یکی را انتخاب کند و از نوعِ نشستِ «بحث و تصمیم» استفاده می‌کند.

چیدمانِ اول (پرخرج): هشت صندلی همه با سنگین‌ترین مدل‌ها، عمقِ «خیلی عمیق»، کلِ مخزنِ GitHub به‌عنوانِ پیوست، و جست‌وجویِ زنده‌ی روشن. برآوردِ این چیدمان طبیعتاً بالاست، و ممکن است بخشی از آن صرفِ زمینه‌ای شود که به پایگاهِ داده ربطی ندارد.

چیدمانِ دوم (هم‌اندازه‌ی سؤال):

حکمِ نهاییِ چیدمانِ دوم می‌تواند شاملِ این‌ها باشد: توافق رویِ این‌که هر دو گزینه برای حجمِ فعلی کافی‌اند؛ اختلاف بر سرِ این‌که آشناییِ تیم با یکی از دو گزینه چقدر وزن دارد؛ «قوی‌ترین مخالفتِ باقی‌مانده» از وکیلِ مدافعِ شیطان که می‌گوید اگر فرضِ ترافیک غلط باشد، مهاجرتِ بعدی دردسر دارد؛ و توصیه به انتخابِ گزینه‌ای که تیم بهتر می‌شناسد، همراه با نوشتنِ لایه‌ی دسترسی به داده به شکلی که مهاجرتِ بعدی ساده‌تر شود. اگر برنامه‌نویس بعداً بپرسد «برای پشتیبان‌گیری چه کنم؟»، این یک سؤالِ دنباله است، نه نشستی تازه.

جایی که صرفه‌جویی گران تمام می‌شود

کاهش هزینه استفاده از هوش مصنوعی هدفِ خوبی است، تا وقتی کیفیتِ تصمیمِ مهم را قربانی نکند. چند جا هست که بهتر است دستِ‌بالا بگیری:

اگر می‌خواهی ببینی سه مرحله‌ی بحث، یعنی نظرِ مستقل، نقدِ متقابل و حکمِ مکتوب، دقیقاً چطور پیش می‌روند، صفحه‌ی بحثِ چند هوش مصنوعی با هم را ببین.

جمع‌بندی

کلیدِ کاهش هزینه استفاده از هوش مصنوعی این است که بدانی هزینه از چهار چیز می‌آید: سنگینیِ مدل، تعدادِ صندلی، عمقِ بحث و حجمِ زمینه. هر بار که نشستی راه می‌اندازی، این چهار پیچ را به اندازه‌ی اهمیتِ سؤال تنظیم کن، از بررسی‌هایِ رایگانِ پیش از شروع استفاده کن، برآورد را بخوان و سقف بگذار. اگر هنوز بینِ اشتراک و پرداختِ مصرفی مرددی، هوش مصنوعی با پرداخت تومانی را بخوان، و اگر به فکرِ حسابِ مشترک افتاده‌ای، اول ریسک‌هایِ خرید اکانت اشتراکی ChatGPT را مرور کن. جزئیاتِ شارژ و قواعدِ کیف‌پول هم در صفحه‌ی قیمت و هزینه‌ی چندهوش است.

اولین میزگردت را بچینصفحهٔ اصلی چندهوش