هوش مصنوعی روی سرور خودتان یا سرویس ابری؛ تصمیمی که با دسترسی شروع می‌شود

برای یک شرکت ایرانی، انتخاب میان سرویس ابری و هوش مصنوعی روی سرور خودتان با سؤال امنیت شروع نمی‌شود؛ با سؤال دسترسی شروع می‌شود. نه OpenAI و نه Anthropic ایران را در فهرست کشورهای تحت پوشش خود نیاورده‌اند، بنابراین «استفاده از سرویس ابری» برای شما در عمل یعنی عبور از یک واسطه. پاسخ کوتاه این است: تا وقتی حجم استفاده کم است و اسناد شما طبقه‌بندی‌شده نیستند، با مدل ابری شروع کنید؛ سرور خودتان زمانی توجیه پیدا می‌کند که داده اجازه خروج نداشته باشد یا مصرف ماهانه از مرزی بگذرد که خودتان باید حسابش کنید.

اولین محدودیت، امنیت نیست؛ دسترسی است

فهرست کشورهای تحت پوشش OpenAI عمومی است و نام ایران در آن نیست. جملهٔ خود آن صفحه هم صریح است: دسترسی به سرویس‌ها یا فراهم کردن دسترسی برای دیگران، بیرون از کشورهای فهرست‌شده، ممکن است به مسدود یا معلق شدن حساب منجر شود. Anthropic دو فهرست جداگانه منتشر می‌کند، یکی برای API تجاری و یکی برای محصول مصرفی، و ایران در هیچ‌کدام نیست.

این یک ریزه‌کاری حقوقی نیست. شرکتی که از ایران به این مدل‌ها وصل می‌شود، از مسیر مستقیم وصل نمی‌شود؛ یا حسابی زیر یک شخصیت حقوقی در کشوری دیگر دارد، یا از یک فروشندهٔ واسطه می‌خرد. همین یک نکته سه چیز را تعیین می‌کند: پایداری سرویس، اینکه داده‌تان از چند دست رد می‌شود، و اینکه تعهدهای حریم خصوصی به نام چه کسی نوشته شده‌اند.

بیشتر مقاله‌های فارسی این حوزه از وسط شروع می‌کنند — فهرستی از ابزارها و مقایسهٔ کیفیت مدل‌ها. ولی برای خریدار ایرانی، انتخاب مدل مرحلهٔ دوم است. مرحلهٔ اول این است که سرویس را از کجا می‌گیرید و چه کسی در آن مسیر داده را می‌بیند.

سه مسیر واقعی، نه دو مسیر

بحث معمولاً «ابری یا محلی» طرح می‌شود، ولی در عمل سه گزینه روی میز است و تفاوتشان در همان چیزی است که بالا گفتیم.

مسیر دوم را کمتر کسی جدی می‌گیرد، در حالی که برای شرکت‌هایی که شعبه یا شریک خارجی دارند از هر دو گزینهٔ دیگر تمیزتر است. مسیر سوم هم آن‌قدر که تصور می‌شود گران نیست، به شرطی که انتظارتان از مدل واقع‌بینانه باشد.

قراردادی که به نام شما نباشد، مال شما نیست

مستندات OpenAI دو تعهد جدا را توضیح می‌دهد که مدام با هم اشتباه گرفته می‌شوند، و تفاوتشان دقیقاً همان چیزی است که در یک جلسهٔ ارزیابی ریسک اهمیت پیدا می‌کند. اول اینکه OpenAI به‌صورت پیش‌فرض ورودی و خروجی API را برای آموزش مدل‌هایش به کار نمی‌برد. دوم اینکه همان داده تا حدود یک ماه برای پایش سوءاستفاده نگه داشته می‌شود و بعد حذف می‌شود، مگر جایی که الزام قانونی وجود داشته باشد. برای مشتریانی که شرایطش را داشته باشند، گزینهٔ نگهداری صفر هم روی بخشی از سرویس‌ها قابل درخواست است. این دو یکی نیستند؛ «آموزش نمی‌دهیم» یعنی داده وارد مدل نمی‌شود، «نگه نمی‌داریم» یعنی داده اصلاً ذخیره نمی‌شود.

حالا نکته‌ای که تقریباً هیچ‌جا نوشته نمی‌شود: این تعهدها میان OpenAI و مشتری‌اش برقرار است. اگر شما از یک واسطه خرید می‌کنید، مشتری آن سرویس واسطه است، نه شما. سیاست نگهداری داده‌ای که به آن استناد می‌کنید، قرارداد شما نیست — قرارداد کسی است که از او می‌خرید. اینکه واسطه با متن پرسش‌های شما چه می‌کند، موضوع جداگانه‌ای است و باید جداگانه از او بپرسید و مکتوب بگیرید.

برای پرسش‌های عمومی این ریسک قابل پذیرش است. برای متن قراردادها، پروندهٔ مشتریان، صورت‌های مالی یا بخشنامه‌های داخلی، پذیرفتنی نیست.

هوش مصنوعی روی سرور خودتان چه چیزهایی لازم دارد

چهار تکه لازم است و فقط یکی‌شان مدل است.

مدل با وزن‌های باز. خانوادهٔ Qwen3 با مجوز Apache 2.0 منتشر می‌شود که استفادهٔ تجاری را بدون قید و شرط سنگین اجازه می‌دهد. Llama متا مجوز اختصاصی خودش را دارد و سقفی روی تعداد کاربر ماهانه می‌گذارد که برای یک شرکت متوسط عملاً هرگز فعال نمی‌شود، ولی مجوزش Apache نیست و اگر واحد حقوقی دارید همین تفاوت را می‌پرسد. Gemma گوگل هم شرایط استفادهٔ خاص خودش را دارد.

فارسی. کیفیت فارسی میان مدل‌ها بسیار بیشتر از کیفیت انگلیسی‌شان فرق می‌کند. مدل‌های درنا از مرکز تحقیقات هوش مصنوعی پارت نمونهٔ در دسترسی هستند: نسخهٔ ۸ میلیارد پارامتری، ساخته‌شده روی Llama 3 و آموزش‌دیده روی دادهٔ فارسی، با وزن‌های باز روی Hugging Face. توجه کنید که مجوز اعلام‌شدهٔ آن همان مجوز Llama است و از پایه به ارث رسیده.

سرویس‌دهندهٔ مدل و پایگاه دادهٔ برداری. مدل به‌تنهایی چیزی نیست؛ باید سرو شود و باید به اسناد شما وصل شود. برای پرسش و پاسخ روی اسناد، کیفیت بازیابی تعیین‌کننده‌تر از اندازهٔ مدل است. یک مدل متوسط با بازیابی خوب، پاسخ‌های بهتری از یک مدل بزرگ با بازیابی بد می‌دهد.

کارت گرافیک. اینجا حساب ساده است. در فشرده‌سازی چهاربیتی، هر میلیارد پارامتر حدود نیم گیگابایت حافظهٔ گرافیکی می‌خواهد. یعنی یک مدل ۸ میلیاردی حدود چهار گیگابایت برای وزن‌ها لازم دارد و یک مدل حدوداً ۳۰ میلیاردی حدود پانزده گیگابایت — به‌علاوهٔ حافظه‌ای که متن ورودی و کاربران هم‌زمان مصرف می‌کنند. همین عدد است که تعیین می‌کند با یک کارت کار راه می‌افتد یا نه، نه جدول‌های مقایسهٔ کیفیت.

مرزی که مدل روی سرور خودتان از آن رد نمی‌شود

یک مدل هشت‌میلیاردی روی سرور شما، هم‌تراز بزرگ‌ترین مدل‌های ابری نیست و قرار هم نیست باشد. فاصله در کارهایی که استدلال چندمرحله‌ای می‌خواهند واقعی و محسوس است. در مقابل، برای پرسش و پاسخ روی مجموعه‌ای از اسناد که خودتان داده‌اید، این فاصله بسیار کمتر می‌شود، چون بیشتر کار را بازیابی انجام می‌دهد نه استدلال مدل.

دو هزینهٔ پنهان دیگر هم هست. اول اینکه پشتیبانی با خودتان است: به‌روزرسانی، پایداری، و کسی که وقتی کارت گرافیک نصفه‌شب داغ می‌کند بیدار شود. دوم اینکه سرعت پیشرفت مدل‌های ابری بیشتر است؛ چیزی که امروز روی سرورتان نصب می‌کنید، شش ماه بعد از نسخهٔ ابری عقب‌تر است مگر آنکه کسی وظیفهٔ به‌روز نگه داشتنش را داشته باشد.

این‌ها دلیل نه گفتن نیستند. دلیل این هستند که تصمیم را با چشم باز بگیرید.

هزینه را چطور مقایسه کنید

مقایسه فقط وقتی معنا دارد که دو ساختار هزینهٔ متفاوت را کنار هم بگذارید، نه دو عدد را.

سرویس ابری هزینهٔ اولیهٔ نزدیک به صفر دارد و هزینه‌اش با مصرف بالا می‌رود؛ هر پرسش پول دارد. سرور خودتان هزینهٔ اولیهٔ مشخص دارد — سخت‌افزار و راه‌اندازی — و بعد از آن هزینهٔ هر پرسش تقریباً صفر است، ولی برق و نگهداری سر جایش می‌ماند. پس یک نقطهٔ سربه‌سر وجود دارد که جای آن را حجم استفادهٔ شما تعیین می‌کند، نه توصیهٔ کلی کسی.

راه درست این است: از ترافیک واقعی پشتیبانی یا جست‌وجوی فعلی‌تان تخمین بزنید ماهانه چند پرسش خواهید داشت، همان عدد را با تعرفهٔ مسیر ابری ضرب کنید، و در برابر هزینهٔ سخت‌افزار تقسیم بر عمر مفیدش بگذارید. اگر این محاسبه را نکرده‌اید، هنوز آمادهٔ تصمیم نیستید. در هوش مصنوعی در کسب‌وکار: از کجا شروع کنیم توضیح داده‌ایم که چرا همین هزینهٔ ماهانه، و نه هزینهٔ ساخت، رایج‌ترین دلیل خاموش شدن پروژه‌های هوش مصنوعی است.

چه چیزی اشتباه پیش می‌رود

بیشتر پروژه‌هایی که شکست می‌خورند، سر همین چند مورد می‌خورند.

خرید سخت‌افزار پیش از نسخهٔ آزمایشی. کارت گرافیک را وقتی می‌خرید که ثابت شده باشد کیفیت پاسخ‌ها قابل استفاده است، نه پیش از آن. نسخهٔ آزمایشی را می‌شود روی سخت‌افزار اجاره‌ای یا حتی مسیر ابری ساخت و بعد جابه‌جا کرد.

ریختن همهٔ اسناد داخل سیستم. آرشیوی که نسخه‌های قدیمی، فایل‌های تکراری و بخشنامه‌های باطل‌شده در آن است، پاسخ غلط تولید می‌کند و تقصیر مدل هم نیست. پاک‌سازی و نسخه‌گذاری اسناد، پیش‌نیاز است نه کار بعدی.

نبود ارجاع به منبع. هر پاسخ باید بگوید از کدام سند آمده. دستیاری که نمی‌شود پاسخش را بررسی کرد، به جای کاهش هزینه، ریسک تولید می‌کند.

انتخاب مدل از روی جدول‌های رتبه‌بندی. سی پرسش واقعی از سؤال‌هایی که کاربرانتان می‌پرسند بنویسید و مدل‌ها را با همان‌ها بسنجید. این نیم‌روز کار، بیشتر از هر معیار عمومی به تصمیم شما ربط دارد.

فرض اینکه قرارداد واسطه مال شماست. بالاتر توضیح داده شد؛ همان‌جا بیشترین فاصله میان تصور و واقعیت است.

اگر باید این هفته تصمیم بگیرید

سه سؤال کافی است. آیا داده‌ای که وارد سیستم می‌شود اجازهٔ خروج از شرکت را دارد؟ اگر نه، مسیر سوم تنها گزینه است. آیا حجم استفاده آن‌قدر هست که هزینهٔ ماهانه از هزینهٔ سخت‌افزار بگذرد؟ اگر نه، ابری ارزان‌تر است. آیا کسی را دارید که سرور را نگه دارد؟ اگر نه، مسیر سوم را انتخاب نکنید، حتی اگر دو سؤال اول به آن اشاره کنند.

و پیش از هر تعهد بزرگ، دو تا سه هفته نسخهٔ آزمایشی روی دادهٔ واقعی خودتان بسازید با همان سی پرسشی که بالا گفتیم. این کار پیش از امضای قرارداد سخت‌افزار، همان نقشی را دارد که نوشتن دامنهٔ کار پیش از شروع یک پروژهٔ وب دارد: جلوی تصمیم گران‌قیمتِ برگشت‌ناپذیر را می‌گیرد.

همین منطق در انتخاب میان ساخت پنل اختصاصی و خرید نرم‌افزار آماده هم صادق است، و اگر می‌خواهید ببینید در عمل چه چیزی می‌سازیم و از کجا شروع می‌کنیم، صفحهٔ هوش مصنوعی و اتوماسیون همان مسیر را قدم‌به‌قدم توضیح می‌دهد.