ملخص الأساسيات
تتجه مساعدات الذكاء الاصطناعي المكتبية من شركات التكنولوجيا الرائدة في الصين (مثل علي بابا، بايدو، تينسنت، وزيير) نحو نموذج "تجميع النماذج" - حيث لم تعد تعتمد فقط على نماذجها الخاصة الكبيرة، بل تستخدم أيضًا نماذج من شركات خارجية مثل زهيبو (Zhispu) وديبسيك (DeepSeek)، مما يتيح للمستخدمين الاختيار بحرية. الهدف الأساسي من ذلك هو جذب المستخدمين لتكليف الذكاء الاصطناعي بمهامهم الحقيقية مثل كتابة التقارير وإعداد عروض البوربوينت (PPTs) وتحليل الجداول، لتجميع بيانات نادرة مثل تفكيك المهام واستدعاء الأدوات وتقييمات المستخدمين، وبالتالي تحسين "نظام التحكم" في الذكاء الاصطناعي. لكن التحدي الذي يبرز هو كيفية اختيار النموذج المناسب لكل مهمة بطريقة توازن بين الأداء والسرعة والتكلفة، وهو ما سيصبح مفتاح التنافس في المستقبل.
أولاً، لماذا بدأت مساعدات الذكاء الاصطناعي المكتبية في تجميع النماذج؟ - الهدف هو جعل المستخدمين يستخدمونها أولاً
في الماضي، كان التنافس يدور حول "من لديه أفضل نموذج"، لكن في مجال مساعدات الذكاء الاصطناعي المكتبية، تغير المنطق: الهدف هو جذب المستخدمين أولاً وإقناعهم بتكليف الذكاء الاصطناعي بمهامهم الحقيقية.
على سبيل المثال، دمجت مساعدة تشيانوين (Qianwen) للأعمال نماذج زهيبو GLM-5.3 وديبسيك V4 Pro، بينما دمجت تينسنت WorkBuddy حتى عدة سلاسل من النماذج مثل هونيوان (Hunyuan) وزهيبو ومينيماكس (MiniMax). لماذا؟ لأن نموذجًا واحدًا لا يمكنه التعامل مع جميع المهام - بعض النماذج جيدة في كتابة النصوص، والبعض الآخر في تحليل الجداول، والبعض في إعداد عروض البوربوينت. كلما زادت مجموعات النماذج، زاد احتمال حل المشكلات التي يواجهها المستخدمون، وزادت رغبتهم في استخدام هذه المساعدات.
الأهم من ذلك أن كلما زاد استخدام المستخدمين، زادت البيانات الحقيقية التي يمكن للذكاء الاصطناعي الحصول عليها حول سير العمل، مثل كيفية تقسيم المهام وتنفيذها. هذه البيانات ضرورية لتطوير الذكاء الاصطناعي - تمامًا مثل مدرس يصحح الواجبات، حيث يتعلم من التصحيحات كيف يمكنه تحسين تدريسه. قال مسؤول في بايدو إن النماذج قد فهمت بالفعل البيانات العامة، وأن التطور المستقبلي للذكاء الاصطناعي يعتمد على "المعرفة الجديدة التي ينتجها البشر"، وسير العمل الحقيقي هو الوسيلة للحصول على هذه المعرفة.
لذلك، تجميع النماذج ليس لإظهار القدرات، بل لجعل المستخدمين يرغبون في استخدامها، وبالتالي تجميع البيانات وخلق دورة إيجابية: "المستخدمون يستخدمون → المزيد من البيانات → تحسين الذكاء الاصطناعي → المزيد من رغبة المستخدمين في الاستخدام".
ثانيًا، التجميع لا يعني "عدم وجود حدود" - الشركات الكبرى ما زالت تحافظ على بيئاتها الخاصة
على الرغم من أن الجميع يستخدمون نماذج خارجية، إلا أنه عند التفحص يتضح أن كل شركة لديها مجموعات نماذج لا تشمل نماذج الشركات المنافسة.
على سبيل المثال، لا تحتوي تينسنت WorkBuddy على نماذج علي بابا (Qianwen) أو زيير (Seed)، ولا تحتوي مساعدة زيير TRAE Work على نماذج تينسنت (هونيوان)، ولا تحتوي بايدو كوكو أيه آي (Kuku AI) على هونيوان أو Qianwen أو Seed. لماذا؟ لأن الشركات الكبرى لا تريد أن يتم توجيه المستخدمين إلى منتجات المنافسين - فإذا استخدم المستخدمون نموذجًا من منتج منافس داخل مساعدة الذكاء الاصطناعي الخاصة بهم، قد ينتقلون إلى هذا المنتج. لذلك، التجميع "مفتوح"، ولكنه محدود بحدود معينة، ولا تزال الحواجز البيئية موجودة.
هذا مشابه لأقسام المتاجر: يمكنك إدخال علامات تجارية أخرى، لكنك لن تسمح لأقسام المنافسين بالدخول والتنافس معك.
ثالثًا، التوجيه: مشكلة حيوية في اختيار النموذج المناسب
تركيب عدة نماذج في الذكاء الاصطناعي هو الخطوة الأولى فقط، الجزء الصعب حقًا هو اختيار النموذج المناسب لكل مهمة، وهذا ما يُعرف بـ "التوجيه".
هناك ما يُسمى بـ "مثلث المستحيلات": النماذج ذات الأداء الجيد عادة ما تكون باهظة الثمن (مثل استخدام النماذج الكبيرة للمهام المعقدة، والتي قد تكلف بضعة دولارات في كل مرة)، وقد تكون النماذج السريعة ذات أداء ضعيف؛ وقد لا تكون النماذج الرخيصة قادرة على حل المشكلات المعقدة. يجب على نظام التوجيه إيجاد التوازن بين هذه العوامل الثلاثة:
- المهام البسيطة (مثل إعداد محضر اجتماع): استخدم نماذج رخيصة وسريعة لتوفير التكاليف؛
- المهام المعقدة (مثل تحليل بيانات المبيعات السنوية وإعداد عروض البوربوينت): استخدم نماذج ذات أداء جيد لضمان الجودة؛
- المهام العاجلة (مثل الحاجة إلى إطار خطة في غضون 10 دقائق): استخدم نماذج سريعة، حتى لو كان الأداء أقل من المطلوب.
بالنسبة للمستخدمين، يتعلق الأمر بـ "مدى جودة النتيجة ومدة الانتظار والتكلفة"؛ أما بالنسبة للشركات، فإن الفروق في التكاليف عند تنفيذ المهام بكميات كبيرة قد تكون كبيرة جدًا - مثل اختلاف بضعة سنتات في كل مرة، ولكن عند تنفيذ 100 ألف مهمة، يصبح الفرق كبيرًا.
لذلك، التوجيه ليس مجرد اختيار نموذج، بل يتعلق أيضًا بحساب التكاليف والأداء.
رابعًا، المنافسة النهائية: من لديه "نظام تحكم" أذكى؟
يمكن شراء النماذج واستخدامها، لكن كيفية تنظيم عملية تقسيم المهام واختيار النماذج واستدعاء الأدوات واستعادة الأخطاء هي الحاجز الحقيقي - وهذا ما يُعرف بـ "نظام التحكم" في الذكاء الاصطناعي.
على سبيل المثال، عندما يطلب المستخدم إعداد تقرير مبيعات للربع الثالث، يجب على نظام التحكم في الذكاء الاصطناعي تقسيم المهمة إلى خطوات مثل "جمع بيانات المبيعات → تحليل الاتجاهات النمو → إعداد مخطط التقرير → ملء المحتوى → تحسين عروض البوربوينت"، ثم اختيار النماذج المناسبة لكل خطوة: استخدام نموذج جيد في جمع البيانات، وآخر جيد في تحليل الاتجاهات، وثالث جيد في كتابة المحتوى. إذا فشلت خطوة ما (مثل أخطاء في جمع البيانات)، يجب أن يكون النظام قادرًا على التعافي تلقائيًا.
جودة نظام التحكم تعتمد على البيانات الحقيقية وخبرة التشغيل التي جمعتها الشركة. على سبيل المثال، قد تكون بعض المنصات أكثر دقة في تحديد أي نموذج يوفر تكلفة أقل وأداء مماثلًا من آخر.
لذلك، فإن التنافس في مجال مساعدات الذكاء الاصطناعي المكتبي لن يكون على عدد النماذج، بل على قدرة نظام التحكم على إيجاد أفضل حل بين الأداء والسرعة والتكلفة، مما يجعل تجربة المستخدم أفضل ويوفر المزيد من التكاليف.
خلاصة في جملة واحدة
تتجه مساعدات الذكاء الاصطناعي المكتبية نحو استخدام عدة نماذج بدلاً من نموذج واحد فقط، وذلك للحصول على المزيد من المستخدمين والبيانات. ولكن لتحقيق ذلك، يجب حل مشكلة اختيار النموذج المناسب لكل مهمة بطريقة فعالة، وفي النهاية، التنافس يدور حول قدرة نظام التحكم في الذكاء الاصطناعي. هذا مشابه لإدارة مطعم: أولاً تقديم مجموعة متنوعة من الأطباق لجذب الزبائن، ثم تعلم كيفية توصية الأطباق المناسبة لكل زبون، وأخيرًا الاعتماد على كفاءة وخبرة المطبخ في الحفاظ على الزبائن.