چرا OpenAI سرویس سورا را پس از شش ماه تعطیل کرد؟

شش ماه. تنها همین مدت زمان بود که سورا فرصت داشت.

وقتی OpenAI از تولیدکننده ویدئوی مبتنی بر هوش مصنوعی خود رونمایی کرد، اینترنت همان کاری را کرد که همیشه انجام می‌دهد — هیجان‌زده شد، حدس و گمان زد و برای لحظه‌ای باور کرد این ممکن است جهشی بزرگ در خلق محتوا باشد. کاربران می‌توانستند خودشان را داخل صحنه‌های سوررئال و سینمایی قرار دهند. به‌نظر جادویی می‌رسید. هزینه‌بر به‌نظر می‌آمد. و همان‌طور که مشخص شد، همان بخش «هزینه‌بر بودن» مهم‌تر از هر چیز دیگری بود.

پس از تعطیلی سرویس، شایعات خیلی سریع منتشر شدند. چرا یک محصول را این‌قدر زود می‌بندند؟ آیا موضوع جمع‌آوری داده‌ها بود، با توجه به اینکه کاربران صورت‌های خود را بارگذاری می‌کردند؟ این نظریه به سرعت گسترش یافت—اما زیر ذره‌بین بررسی دوام نمی‌آورد.

واقعیت بسیار کمتر دراماتیک و بسیار گویا‌تر است.

وقتی اعداد دیگر منطقی نبودند

در نگاه اول، پیشرفت اولیه سورا روی کاغذ امیدوارکننده به‌نظر می‌رسید. در اوج، حدود یک میلیون کاربر داشت. سپس افت رخ داد—تیز، آرام و بی‌رحم. پایه‌ی کاربران به کمتر از نیمی از آن رسید و میزان تعامل دیگر هزینهٔ نگه‌داری سیستم را توجیه نمی‌کرد.

چون اینجا بخشی است که به ندرت تیتر می‌شود: تولید ویدئو با هوش مصنوعی ارزان نیست. این فرایند به‌شدت منابع‌بر است. هر کلیپ، هر فریم رندر شده، از تراشه‌های پر‌عملکردی استفاده می‌کند که در سراسر صنعت کم‌یاب‌اند.

سورا تنها ضعیف عمل نکرد—بلکه پول خونریزی می‌کرد. برآوردها هزینهٔ عملیاتی روزانهٔ آن را در حدود یک میلیون دلار تخمین می‌زدند. نه به این دلیل که بسیار محبوب بود، بلکه چون حتی استفادهٔ متوسط در آن مقیاس، خیلی سریع گران می‌شود.

و در مسابقه‌ای که قدرت محاسباتی حکم پول را دارد، چنین تخلیه‌ای سخت قابل توجیه است.

هزینه‌های زیرساختی تولید ویدئو

تولید ویدئو با هوش مصنوعی شامل چندین لایه محاسباتی است: مدل‌های مولد تصویری برای تولید قاب‌ها، الگوریتم‌های حفظ انسجام زمانی و حرکتی بین قاب‌ها (temporal coherence)، پردازش افکت‌ها و ترکیب نهایی. هر یک از این مراحل می‌تواند نیازمند پردازش جداگانه و حافظهٔ بالا باشد. هنگامی که کاربران ویدیوی چندثانیه‌ای ایجاد می‌کنند، سیستم باید ده‌ها تا صدها فریم را با کیفیت بالا تولید و فشرده‌سازی کند؛ کاری که نیازمند GPU یا تراشه‌های سطح سرور (مثل A100 یا H100) است و هزینهٔ هر ساعت استفاده از این سخت‌افزار به سرعت جمع می‌شود.

مسئله مقیاس‌پذیری و بهینه‌سازی

یک محصول در مرحله آزمایشی معمولاً روی خوشه‌های ابری با مقیاس‌پذیری لحظه‌ای اجرا می‌شود، اما حتی با بهینه‌سازی کانتینرها و batching و کش کردن نتایج موقتی، وقتی میلیون‌ها درخواست وجود دارد، بهره‌وری خوشه و هزینهٔ ذخیره‌سازی و شبکه به‌سرعت بالا می‌رود. به‌علاوه، نیاز به حفظ تاخیر پایین (latency) برای تجربه کاربری روان، مانع از این می‌شود که همه درخواست‌ها را در صف‌های ارزان‌تر قرار دهند؛ به عبارت دیگر، تجربه کاربری ملموس و پاسخ سریع هزینه‌بر است.

هزینه فرصت که هیچ‌کس نمی‌توانست آن را نادیده بگیرد

در حالی که تیم سورا به پیش می‌رفت، اتفاق دیگری هم هم‌زمان رخ می‌داد. رقبا دنبال دموهای پرزرق‌وبرق نبودند—آن‌ها در حال جلب توسعه‌دهندگان و مشتریان سازمانی بودند؛ همان کاربرانی که واقعاً درآمد را تولید می‌کنند.

به‌ویژه Anthropic توانست پیشرفت کند. پلتفرم «Claude Code» آن‌ها بی‌سر و صدا بین مهندسان محبوب شد و خود را نه به‌عنوان یک نمایش، بلکه به‌عنوان ابزاری که مردم هر روز به آن تکیه می‌کنند، جای داد.

این تغییر بی‌تفاوت باقی نماند.

چرا جذب توسعه‌دهنده اهمیت بالاتری پیدا کرد

در سال‌های اخیر مشخص شد که حفظ و گسترش اکوسیستم توسعه‌دهندگان (SDKها، APIها، مستندات و نمونه‌کاری‌ها) کلید تبدیل یک فناوری نوظهور به محصولی پایدار است. توسعه‌دهندگان و مشتریان سازمانی قراردادهای بلندمدتی ارائه می‌دهند که پیش‌بینی‌پذیری درآمد را افزایش می‌دهد؛ برخلاف کاربران مصرف‌کننده که ممکن است پس از هیجان اولیه، ارتباط خود را قطع کنند. بنابراین شرکت‌ها به‌جای خرج کردن منابع برای نمایش و جذب کاربران عام، منابع را به سمت محصولاتی هدایت می‌کنند که نرخ بازگشت سرمایهٔ مشخص‌تری دارند.

تصمیم‌گیری استراتژیک در داخل OpenAI

درون OpenAI، این ترازوی انتخاب هر هفته واضح‌تر می‌شد: آیا باید به ریختن منابع بیشتر در محصولی آزمایشی با شتاب در حال کاهش ادامه داد، یا آن منابع را به ابزارهایی هدایت کرد که پذیرش واقعی و ارزش بلندمدت نشان می‌دهند؟

وقتی مسئله به این صورت چارچوب‌بندی شد، تصمیم پیچیده نبود.

سام آلتمن تصمیم به خاموش کردن سورا گرفت — آزادسازی قدرت محاسباتی، بازتخصیص استعدادها و تمرکز باریک‌تر روی حوزه‌هایی که در رقابت کلی هوش مصنوعی اهمیت دارند.

تأثیر ناگهانی روی شرکا و قراردادها

این قطعیت حتی شرکای بزرگ را نیز غافلگیر کرد. دیزنی، که گزارش شده بود یک میلیارد دلار برای همکاری مرتبط با سورا متعهد شده بود، کمتر از یک ساعت قبل از عمومی شدن خبر، از تعطیلی باخبر شد. درست به‌همین سادگی، آن قرارداد ناپدید شد.

این یک یادآوری شدید است از سرعتی که اولویت‌ها در فضای امروز هوش مصنوعی می‌توانند تغییر کنند. محصولات پرزرق‌وبرق ممکن است توجه را جذب کنند، اما توجه خرج محاسبات را تأمین نمی‌کند. و در این صنعت، برندگان واقعی همیشه کسانی نیستند که تیترها را می‌سازند — آن‌ها کسانی هستند که ابزارهایی می‌سازند که مردم نمی‌توانند از آن‌ها دست بکشند.

پیامدهای کسب‌وکاری و فنی تعطیلی

از منظر کسب‌وکاری، تصمیم به تعطیلی یک سرویس پرهزینه می‌تواند منابع مالی را برای محصولات پربازده‌تر آزاد کند؛ منابعی که صرف تحقیق، توسعهٔ مدل‌های بهینه‌تر، یا ارتقای محصولات سازمانی می‌شوند. از منظر فنی، مهندسان و داده‌پردازان می‌توانند توان خود را روی بهینه‌سازی مدل‌ها، کاهش هزینهٔ هر تصویر/فریم، و ارتقای تجربه توسعه‌دهنده متمرکز کنند.

در سطح عملیاتی، مسائل دیگری هم مطرح می‌شود: چگونه داده‌های تصویری کاربران که برای بهبود مدل‌ها جمع‌آوری شده‌اند مدیریت شوند؟ سیاست‌های حریم خصوصی و انطباق باید رعایت شوند؛ قراردادها با ارائه‌دهندگان ابری باید بازنگری شوند؛ و تیم‌های محصول باید پیام روشنی به کاربران و شرکا ارسال کنند تا اعتماد تا حد امکان حفظ شود.

درس‌هایی برای شرکت‌ها و توسعه‌دهندگان

• پیش از سرمایه‌گذاری سنگین روی قابلیت‌های نمایشی، سنجش مدل اقتصادی و هزینهٔ عملیاتی حیاتی است.
• جذب و نگه‌داشتن توسعه‌دهندگان و مشتریان سازمانی می‌تواند به پایداری درآمد و مقیاس‌پذیری کمک کند.
• بهینه‌سازی مدل‌ها برای مصرف کمتر تراشه و حافظه و افزایش بهره‌وری استراتژی‌ای کلیدی در طولانی‌مدت است.
• شفافیت در مورد جمع‌آوری داده و سیاست‌های حریم خصوصی هم برای اعتماد کاربران و هم برای سازگاری قانونی اهمیت دارد.

در نهایت، تعطیلی سورا نشان می‌دهد که موفقیت در لبهٔ فناوری تنها به نوآوری فنی بستگی ندارد؛ باید مدل کسب‌وکار، مقیاس‌پذیری فنی و جذب مشتری هم هم‌راستا باشند.

چشم‌انداز تولید ویدئو با هوش مصنوعی

در کنار همهٔ این‌ها، حوزهٔ تولید ویدئو با هوش مصنوعی همچنان مسیر رشد را دارد. پیشرفت‌های فنی در مدل‌های تولید تصویر، متدهای بازآموزی (fine-tuning)، و تکنیک‌های حفظ انسجام زمانی بین قاب‌ها باعث می‌شود هزینهٔ تولید به مرور کاهش یابد و کیفیت افزایش پیدا کند. همچنین رقابت بین ارائه‌دهندگان ابر و تولیدکنندگان تراشه می‌تواند منجر به پیشنهادات قیمت‌گذاری رقابتی‌تر شود که امکان ظهور محصولات جدید را فراهم می‌کند.

اما نکتهٔ کلیدی این است که برای تبدیل یک فناوری جذاب به محصولی پایدار، شرکت‌ها باید زنجیرهٔ ارزش را — از زیرساخت‌های محاسباتی تا مدل درآمدی — هم‌راستا کنند. فقط در این صورت است که می‌توان انتظار داشت یک سرویس تولید ویدئو با هوش مصنوعی بیشتر از یک دورهٔ کوتاه تجربهٔ هیجان، دوام بیاورد.

سورا یک نمونهٔ آموزنده بود: نمایشی از آنچه فنی ممکن است، و هشداری دربارهٔ آنچه تجاری لازم است.