در سهماهه گذشته OpenAI با ضرر هنگفت ۱۲ میلیارد دلاری دستوپنجه نرم کرده، بااینحال این شرکت با ولع ابزارها و اپهای جدیدی معرفی میکند. جدیدترین نمونه اپلیکیشن ویدیوساز Sora است. طبق تخمین کارشناسان، OpenAI روزانه ۱۵ میلیون دلار به دلیل ویدیوهای سورا هزینه میکند.
اپلیکیشن ویدیوساز Sora تقریباً یک ماه قبل برای iOS منتشر شد و با وجود اینکه فقط با دعوتنامه در دسترس بود، در هفته اول به ۱ میلیون و تا ۳۱ اکتبر به ۴ میلیون دانلود رسید. اما این عملیات موفق ظاهری، هزینه عظیمی دارد. Sora روزانه میلیونها ویدیوی ۱۰ ثانیهای تولید میکند و براساس برآوردهای فوربز، OpenAI برای این اپلیکیشن روزانه ۱۵ میلیون دلار (سالانه بیش از ۵ میلیارد دلار) هزینه میکند.
هزینه ۱۵ میلیون دلاری Sora چگونه محاسبه میشود؟
چگونه روزانه ۱۵ میلیون دلار برای این اپلیکیشن هوش مصنوعی هزینه میشود؟ OpenAI از ارائه دادههای دقیق خودداری کرده، اما فوربز با کمک تحلیلگران، برآورد کرده است که هزینه هر ویدیو ۱.۳۰ دلار است؛ درکل مدلهای ویدیویی مانند Sora 2 بسیار گرانتر از مدلهای متنی مانند GPT-5 هستند، زیرا دادههای چهاربعدی (سه بعد مکان + زمان) را پردازش میکنند. برای مقایسه، فرستادن ۷۵۰ هزار کلمه به GPT-5 حدود ۱۰ دلار هزینه دارد.
ماجرا وقتی عجیبتر میشود که فرض کنیم Sora حدود ۴.۵ میلیون یوزر فعال دارد؛ ۲۵ درصد از این یوزران نیز روزانه بهطور متوسط ۱۰ ویدیو میسازند. با یک ضربوتقسیم ساده متوجه میشویم که در روز ۱۴.۷ میلیون دلار هزینه ساختن ویدیوهای هوش مصنوعی Sora میشود. باید بدانید که در این محاسبات ویدیوهایی که Sora به دلیل نقض قوانین پاک کردن میکند یا آنهایی که توسط یوزران هرگز منتشر نمیشوند، آورده نشدهاند.
اما چرا OpenAI با وجود این ضرر هنگفت به این کار ادامه دادن میدهد؟ OpenAI درحال اجرای یک استراتژی پرخطر برای تصاحب بازار است: مانند بسیاری از غولهای فناوری، OpenAI ابتدا با ضرر، سهم بازار به دست میآورد و دیده میشود، به این امید که بعداً این نسیه را نقد کند. نیز تحلیلگران تخمین میزنند که هزینههای پردازش هوش مصنوعی، به صورت نمایی کاهش خواهد یافت. پیشبینی میشود هزینه ساخت ویدیو تا سال آینده ۵ برابر و تا سال ۲۰۲۷ سه برابر دیگر ارزانتر شود.
از سویی با ارائه رایگان ابزار Sora، میلیونها یوزر درحال نوشتن پرامپتهای متنی برای ویدیوها هستند. OpenAI نیز گنجینهای از دادههای ویدیویی جمعآوری میکند که توسط انسانها با متن توصیف شدهاند؛ این دقیقاً همان چیزی است که مدلهای آینده برای آموزش به آن نیاز دارند.
