تلاش آنتروپیک برای تسلط بر هوش مصنوعی

بازتعریف میدان بازی هوش مصنوعی

آنتروپیک (Anthropic) به عنوان یک غول در عرصه ارائه دهندگان مدل هوش مصنوعی، به ویژه در زمینه هایی مانند کدنویسی، می درخشد. با این حال، دستیار هوش مصنوعی شاخص آن، کلود (Claude)، هنوز به محبوبیت گسترده ChatGPT شرکت OpenAI دست نیافته است. به گفته مایک کریگر، مدیر ارشد محصول آنتروپیک، این شرکت وسواس تسخیر چشم انداز هوش مصنوعی با ایجاد یک دستیار هوش مصنوعی که به طور جهانی پذیرفته شده باشد را ندارد.

کریگر در طی گفتگویی در کنفرانس HumanX AI گفت: ‘در حالی که من آرزو دارم کلود به مخاطبان وسیعی برسد، چشم انداز بزرگ ما در حال حاضر به دستیابی به پذیرش گسترده در بازار مصرف کننده بستگی ندارد.’

یک استراتژی دوگانه: مدل ها و تجربیات عمودی

کریگر توضیح می دهد که تمرکز فعلی آنتروپیک دوگانه است: ساخت مدل های برتر و توسعه آنچه او ‘تجربیات عمودی که عامل ها را باز می کنند’ می نامد. اولین تجلی این استراتژی، Claude Code، ابزار کدنویسی مبتنی بر هوش مصنوعی آنتروپیک است که به سرعت 100000 کاربر را در هفته اول خود جذب کرد. کریگر اشاره می کند که مجموعه ای از عامل های تخصصی مشابه که موارد استفاده خاصی را هدف قرار می دهند، برای انتشار در سال جاری برنامه ریزی شده اند. علاوه بر این، آنتروپیک به طور فعال در حال توسعه ‘مدل های کوچکتر و ارزان تر’ است که برای توسعه دهندگان طراحی شده اند. و البته، تکرارهای بعدی قدرتمندترین مدل آنها، Opus، در راه است.

از اینستاگرام تا هوش مصنوعی: سفری برای شکل دادن به تعامل انسان و هوش مصنوعی

کریگر، که به عنوان بنیانگذار اینستاگرام و برنامه جمع آوری اخبار Artifact شناخته می شود، تقریباً یک سال پیش به آنتروپیک پیوست. او فاش می کند: ‘یک دلیل اساسی برای انتقال من به آنتروپیک این باور بود که ما ظرفیت منحصر به فردی برای شکل دادن به مسیر تعامل انسان و هوش مصنوعی داریم.’ ‘رویکرد ما متمایز است. ما تلاش می کنیم تا افراد را توانمند کنیم نه اینکه صرفاً آنها را جایگزین کنیم. هدف ما ایجاد آگاهی از پتانسیل عظیم و محدودیت های ذاتی هوش مصنوعی است.’

پیمایش در آب های احتیاط و نوآوری

از لحاظ تاریخی، آنتروپیک به عنوان یکی از محتاط ترین آزمایشگاه های هوش مصنوعی شناخته شده است. با این حال، این شرکت اکنون در حال تغییر جهت به سمت محدود کردن کمتر مدل های خود است. کریگر خاطرنشان می کند که آخرین نسخه آنها، Sonnet 3.7، در مقایسه با نسخه قبلی خود، 45 درصد کاهش در امتناع از درخواست را نشان می دهد. او توضیح می دهد: ‘ما طیفی از مدل ها را متصور هستیم، از مدل های بسیار ماجراجو تا مدل های فوق العاده محتاط.’ ‘رضایت نهایی من در این است که کاربران مدل های ما را به عنوان دستیابی به تعادل هماهنگ درک کنند.’

کاوشی عمیق در استراتژی محصول آنتروپیک

گفتگو در HumanX به جنبه های مختلف عملیات آنتروپیک پرداخت. ما بررسی کردیم که چگونه آنتروپیک با مشتریان API خود، مانند ابزار کدنویسی هوش مصنوعی Cursor، رقابت می کند، پیچیدگی های توسعه محصول در یک آزمایشگاه هوش مصنوعی پیشرو، و عواملی که آنتروپیک را از OpenAI متمایز می کند.

شرکت در مقابل مصرف کننده: مخاطبان هدف آنتروپیک

سوال: در حالی که آنتروپیک مسیر خود را برای سال های آینده ترسیم می کند، آیا این شرکت عمدتاً یک شرکت متمرکز بر شرکت است، یک شرکت مصرف کننده محور، یا ترکیبی از این دو؟

کریگر: ماموریت اصلی ما توانمندسازی افراد در کارشان است، خواه کدنویسی، کارهای مبتنی بر دانش یا سایر تلاش های حرفه ای باشد. ما کمتر به موارد استفاده سرگرمی محور و صرفاً مصرف کننده علاقه مند هستیم. من معتقدم هنوز پتانسیل قابل توجهی در فضای هوش مصنوعی مصرف کننده وجود دارد، اما اولویت فوری ما نیست.

با هدایت یک سرویس یک میلیارد کاربره، می توانم هیجان و رضایت ساخت در آن مقیاس را تأیید کنم. در حالی که امیدوارم کلود به مخاطبان گسترده ای برسد، جاه طلبی های ما در حال حاضر به دستیابی به پذیرش گسترده مصرف کننده متکی نیست.

مسیر رهبری هوش مصنوعی: فراتر از پذیرش انبوه

سوال: اگر پذیرش انبوه هدف اصلی نیست، مسیر آنتروپیک به سمت رهبری چیست؟

کریگر: استراتژی ما در امتداد دو محور اصلی آشکار می شود. اول، ما در تعهد خود به ساخت و آموزش پیشرفته ترین مدل های هوش مصنوعی جهان ثابت قدم هستیم. تیم تحقیقاتی استثنایی ما گواهی بر این تعهد است. ما به سرمایه گذاری در این زمینه ادامه خواهیم داد، از نقاط قوت خود استفاده می کنیم و این قابلیت ها را از طریق API خود در دسترس قرار می دهیم.

دوم، ما بر ایجاد تجربیات عمودی متمرکز هستیم که پتانسیل عامل های هوش مصنوعی را باز می کند. این عامل ها فراتر از تعاملات تک نوبتی هستند و به کاربران در زندگی شخصی و حرفه ای خود کمک می کنند. Claude Code اولین گام ما در زمینه عامل های عمودی است که به طور خاص کدنویسی را هدف قرار می دهد. ما برنامه هایی برای معرفی عامل های اضافی داریم که از نقاط قوت مدل ما استفاده می کنند و نیازهای خاص کاربر، از جمله یکپارچه سازی داده ها را برآورده می کنند. انتظار داشته باشید که ما فراتر از Claude AI و Claude Code با طیف وسیعی از عامل های تخصصی در سال آینده گسترش پیدا کنیم.

پیمایش رقابت با مشتریان API: تعادلی ظریف

سوال: بسیاری از توسعه دهندگان در مورد Cursor که توسط مدل های شما پشتیبانی می شود، مشتاق هستند. آنتروپیک چگونه تصمیم می گیرد که چه زمانی با مشتریان خود رقابت کند، همانطور که در مورد Claude Code وجود دارد؟

کریگر: این یک مسئله ظریف و حساس برای همه آزمایشگاه های هوش مصنوعی است و من با نهایت دقت به آن نزدیک می شوم. به عنوان مثال، من شخصاً با مدیر عامل Cursor و مشتریان اصلی کدنویسی خود تماس گرفتم تا از قبل از راه اندازی Claude Code اطلاع دهم و بر ماهیت مکمل آن تأکید کنم. ما شاهد استفاده کاربران از هر دو ابزار هستیم.

مدل زیربنایی که Claude Code را تقویت می کند، همان مدلی است که Cursor، Windsurf و حتی GitHub Copilot را هدایت می کند. یک سال پیش، اکثر این محصولات حتی وجود نداشتند، به استثنای Copilot. ما خوشبین هستیم که می توانیم این مجاورت های نزدیک گاه به گاه را به صورت مشترک هدایت کنیم.

قدرت بخشیدن به الکسای جدید: یک مشارکت استراتژیک

سوال: آنتروپیک نقش کلیدی در قدرت بخشیدن به الکسای بازسازی شده ایفا می کند. آمازون یک سرمایه گذار قابل توجه در شرکت شما است. این مشارکت محصول چگونه شکل گرفت و چه معنایی برای آنتروپیک دارد؟

کریگر: این اتفاق در هفته سوم من در آنتروپیک رخ داد. آمازون تمایل زیادی به نوآوری نشان داد. این فرصت عمیقاً با من طنین انداز شد، زیرا ما می توانستیم مدل های پیشرفته و تخصص خود را در بهینه سازی آنها برای موارد استفاده پیچیده ارائه دهیم. آمازون، به نوبه خود، دارای یک اکوسیستم دستگاه گسترده، دسترسی گسترده و یکپارچگی های تثبیت شده بود.

این مشارکت در واقع یکی از دو مشارکت کدنویسی من در آنتروپیک بود. اخیراً، من این شانس را داشتم که برخی از ویژگی ها را برای Claude Code بسازم، که به ویژه برای مدیران مفید است. این به آنها اجازه می دهد تا وظایف را قبل از جلسات محول کنند و سپس نتایج را بعداً بررسی کنند. با الکسا، من یک نمونه اولیه ابتدایی ساختم که تعامل با یک سیستم شبیه الکسا را که توسط یک مدل کلود پشتیبانی می شود، نشان می دهد.

پیامدهای معامله الکسا: فراتر از جزئیات

سوال: بدون پرداختن به پیچیدگی های مالی معامله الکسا، پیامدهای گسترده تر برای مدل های شما چیست؟

کریگر: در حالی که ما نمی توانیم اقتصاد دقیق را فاش کنیم، این مشارکت برای هر دو طرف هیجان انگیز بود. این به عنوان یک کاتالیزور برای ما، به ویژه از نظر بهینه سازی تأخیر، عمل کرد. ما اساساً یک سال تلاش بهینه سازی را در یک بازه زمانی سه تا شش ماهه فشرده کردیم. من برای مشتریانی که ما را به چالش می کشند و ضرب الاجل های بلندپروازانه ای تعیین می کنند، ارزش قائلم، زیرا در نهایت به نفع همه است. بسیاری از این پیشرفت ها در مدل های موجود برای همه کاربران گنجانده شده است.

جستجوی کانال های توزیع بیشتر: پتانسیل سیری

سوال: آیا آنتروپیک پذیرای مشارکت های توزیع بیشتری شبیه به الکسا خواهد بود؟ به نظر می رسد اپل ممکن است به دنبال کمک به سیری باشد. آیا این جهتی است که در نظر بگیرید؟

کریگر: ما مشتاق هستیم که تا حد امکان از این پلتفرم ها پشتیبانی کنیم. قدرت ما در مشاوره و مشارکت نهفته است. توسعه سخت افزار در حال حاضر تمرکز داخلی ما نیست، زیرا ما باید به طور استراتژیک مزایای موجود خود را اولویت بندی کنیم.

توسعه محصول در یک محیط تحقیقات محور: یک عمل متعادل کننده

سوال: به عنوان یک CPO، چگونه پویایی یک شرکت تحقیقاتی فشرده مانند آنتروپیک را هدایت می کنید؟ چگونه پیشرفت های آینده را پیش بینی می کنید، در حالی که ممکن است پیشرفت های تحقیقاتی پیشگامانه ای در گوشه و کنار باشد؟

کریگر: ما فکر زیادی را به عامل های عمودی اختصاص می دهیم که قصد داریم تا پایان سال جاری ارائه دهیم. ما آرزو داریم به کاربران در تحقیق و تجزیه و تحلیل کمک کنیم. موارد استفاده متعددی از کارگران دانش وجود دارد که می خواهیم به آنها رسیدگی کنیم.

اگر گنجاندن داده های خاص در مرحله پیش آموزش بسیار مهم باشد، این تصمیم باید به سرعت گرفته شود تا این قابلیت ها تا اواسط سال یا بعد از آن آشکار شوند. ما باید هم با چابکی در ارائه محصول و هم با سازگاری عمل کنیم، و چشم انداز روشنی از اهداف شش ماهه خود برای اطلاع رسانی به جهت تحقیقات داشته باشیم.

ما ایده محصولات کدنویسی عامل تر را زمانی که من به آن ملحق شدم، تصور کردیم، اما مدل ها کاملاً آماده پشتیبانی از محصول مورد نظر نبودند. با نزدیک شدن به راه اندازی 3.7 Sonnet، احساس اطمینان کردیم. این یک رقص ظریف است. انتظار برای اینکه مدل کامل شود به این معنی است که برای ساخت فعالانه محصول خیلی دیر شده است. با این حال، شما همچنین باید آماده باشید که مدل دقیقاً در جایی که به آن نیاز دارید نباشد و در ارائه نسخه دیگری از محصول انعطاف پذیر باشید.

مهارت کدنویسی و تأثیر آن بر استخدام: بازنگری در نقش های مهندسی

سوال: آنتروپیک در خط مقدم توسعه مدل برای کدنویسی قرار دارد. آیا شروع به ارزیابی مجدد استراتژی های استخدام و تخصیص تعداد کارکنان برای مهندسان کرده اید؟

کریگر: من اخیراً با یکی از مهندسان خود که از Claude Code استفاده می کند صحبت کردم. او تاکید کرد که چالش برانگیزترین جنبه، همسویی با تیم های طراحی، مدیریت محصول، حقوقی و امنیتی برای ارسال واقعی محصولات است. مانند هر سیستم پیچیده ای، حل یک گلوگاه اغلب ناحیه دیگری از محدودیت را آشکار می کند.

ما همچنان به استخدام تعداد قابل توجهی از مهندسان نرم افزار در سال جاری ادامه می دهیم. با این حال، در درازمدت، ما پیش بینی می کنیم که طراحان بتوانند با ترجمه طرح های Figma خود به نسخه های اولیه در حال اجرا، یا حتی چندین نسخه، بیشتر در پشته پیشرفت کنند. مدیران محصول، همانطور که در حال حاضر در آنتروپیک اتفاق می افتد، می توانند نسخه های اولیه ایده های خود را با استفاده از Claude Code نمونه سازی کنند.

پیش بینی تعداد مطلق مهندسان مورد نیاز دشوار است، اما ما پیش بینی می کنیم که محصولات بیشتری ارائه دهیم و دامنه خود را گسترش دهیم، نه اینکه صرفاً سرعت ارسال محصولات موجود را تسریع کنیم. سرعت ارائه محصول بیشتر توسط عوامل انسانی محدود می شود تا کدنویسی به تنهایی.

مزیت آنتروپیک: فرهنگ و همکاری

سوال: به کسی که بین پیشنهاد شغلی بین OpenAI و آنتروپیک مردد است چه می گویید؟

کریگر: من آنها را تشویق می کنم که با هر دو تیم وقت بگذرانند. محصولات، و به ویژه فرهنگ های داخلی، به طور قابل توجهی متفاوت هستند. آنتروپیک تاکید بیشتری بر همسویی و ایمنی هوش مصنوعی دارد، اگرچه این ممکن است در سمت محصول در مقایسه با تحقیقات محض کمتر باشد.

یکی از نقاط قوت کلیدی ما، که امیدوارم حفظ کنیم، فرهنگ بسیار یکپارچه ما، عاری از قلمرو و سیلو است. ما ارتباط استثنایی بین تیم های تحقیقاتی و محصول را تقویت کرده ایم. محققان فعالانه از بازخورد محصول برای اصلاح مدل ها استقبال می کنند. واقعاً شبیه یک تیم و شرکت متحد است و چالش ما در مقیاس بندی، حفظ این انسجام است.