هل تغير وضع صناعة الذكاء الاصطناعي فجأة؟ لا داعي للذعر، الأمر ليس توقفًا، بل تغيير في المسار!
مرحبًا بالجميع، أنا صحفي مالي وأخصائي اقتصادي.
في الأيام القليلة الماضية، كان هناك بعض الاضطرابات في دائرة التكنولوجيا. من ناحية، أوقفت شركة OpenAI بعض أنشطتها بسبب مخاوف تتعلق بالأمان، بينما دعت شركة Anthropic إلى إنشاء آلية لـ“التوقف العاجل” في الصناعة؛ من ناحية أخرى، يواصل إنديريك شواي (مؤسس شركة NVIDIA) الترويج لقوة الحوسبة، ولم تتوقف الشركات الكبرى عن شراء الرقائق.
الكثير من الناس أصيبوا بالذعر عند قراءة عناوين الأخبار: “هل سينتهي عصر الذكاء الاصطناعي؟” “هل ستنفجر فقاعة قوة الحوسبة؟”
**دعوني أطمئنكم أولاً: الذكاء الاصطناعي لم يتباطأ، ولم يتراجع.”
الواقع هو أن صناعة الذكاء الاصطناعي تمر بتغيير في طرق التقييم. في السابق، كنا نركز على “الخيال” و“حجم المعلمات” عند تقييم الذكاء الاصطناعي؛ أما الآن، فنحن نركز على “الحسابات” و“معدل الاستخدام”.
ببساطة، نحن ندخل مرحلة عملية حيث يجب أن نحقق عائدًا من كل دولار ننفقه، بدلاً من مجرد إنفاق الأموال لتحقيق المستقبل.
فيما يلي، سأقسم هذا التحليل المعمق إلى 5 نقاط يمكن للجميع فهمها، لنرى الحقيقة وراء الظواهر.
---
1. النقاشات الأمنية تزداد حدة ≠ التوقف الجماعي عن البحث والتطوير
المنطق الأساسي: توقف بعض الشركات مؤقتًا عن بعض الأنشطة لا يعني أن الصناعة بأكملها ستتوقف.
مؤخرًا، أوقفت OpenAI تنفيذ بعض الأكواد والوصول إلى الشبكة في بعض الأبحاث، واقترحت شركة Anthropic إنشاء آلية لـ“التباطؤ”. قد يبدو الأمر مخيفًا، وكأن الصناعة على وشك التوقف، لكن علينا التمييز بين الحقائق والمقترحات:
- إجراءات OpenAI: هي إجراءات مؤقتة ومحددة تستهدف نماذج ومخاطر معينة. مثل سيارة تتوقف لفحص الفرامل إذا كانت تصدر أصواتًا غريبة، ثم تستمر في السير بعد الإصلاح، وليس إغلاق الطريق بأكمله.
- مقترحات Anthropic: هي مجرد دعوة لإنشاء آلية موثوقة للتباطؤ، ولكنها مجرد اقتراح، ولا يعني ذلك أن جميع الشركات ستتوقف عن العمل فورًا. بالعكس، تعترف شركة Anthropic نفسها بأن الذكاء الاصطناعي يتطور بسرعة، وأن كفاءة البحث والتطوير داخل الشركة قد ارتفعت.
وإليكم مثالًا على تصرفات الشركات الكبرى: أظهرت التقارير المالية الأخيرة لشركة مايكروسوفت أنها ما زالت تعمل على توسيع بنيتها التحتية للذكاء الاصطناعي. الأموال لم تتوقف عن التدفق نحو قوة الحوسبة، لكن الإدارة بدأت تتساءل من مجلس الإدارة والمستثمرين: “لماذا ننفق الكثير من المال على الرقائق، ومتى سيتحول ذلك إلى دخل؟”
كلمات إنديريك شواي مهمة جدًا: قال إن الصين أكثر واقعية عند الحديث عن الذكاء الاصطناعي، ونادرًا ما تتحدث عن “نهاية الذكاء الاصطناعي”. هذا يكشف حقيقة مهمة: يمكن أن تكون النقاشات الأمنية حادة، لكن ذلك لا يعني أن التطبيق الصناعي سيتوقف. النهج الواقعي لا يعني تجاهل المخاطر أو الإعلان المبكر عن نهاية الدورة، بل استخدام الإجراءات الأمنية كوسيلة لضمان استمرارية العمليات.
---
2. بعد حدود النماذج، بدأت الحسابات تلعب دورًا أكبر
المنطق الأساسي: العملاء لا يدفعون مقابل “الترتيبات في القوائم”， بل مقابل “توفير المال والوقت وتقليل الأخطاء”.
في السنوات القليلة الماضية، كانت القصة الأكثر شعبية في صناعة الذكاء الاصطناعي هي “قانون التوسع” (Scaling Law): كلما زادت البيانات وحجم النموذج وقوة الحوسبة، زادت القدرات. هذا القانون لم يفشل، لكن القيمة التجارية لا تتطابق دائمًا مع المؤشرات التقنية.
تخيل أنك أنشأت مطعمًا:
- في الماضي: طالما كان طاهيك (النموذج) يحمل تصنيف ميشلان ثلاث نجوم (حجم كبير، قدرات عالية)، كان الزبائن يصطفون للطعام.
- الآن: الزبائن لا يهتمون إذا كان الطاهي يحمل تصنيفًا ثلاث نجوم أم لا، بل يهتمون بسرعة التقديم وموثوقية الطعام وتكلفته.
العملاء لن يدفعوا المال فقط لأن النموذج موجود في القوائم؛ يدفعون لأن:
- يتم تقليل عدد المرات التي يحتاج فيها العمال إلى التدخل يدويًا (توفير المال)؛
- يتم تسريع تسليم الطلبات؛
- تقللت معدلات الأخطاء في الفحص؛
- تم تقليل دورات البحث والتطوير.
النقطة المهمة: الرقائق ومراكز البيانات والطاقة ليست مجرد أشياء افتراضية، بل هي أصول حقيقية. هذه الأصول تتقادم مع الوقت وتصبح أقل قيمة، وإذا لم يتم استخدامها بشكل كافٍ، فإن الحجم الأكبر يزيد العبء.
لذلك، السؤال الرئيسي الآن ليس “هل يمكن تدريب نماذج أقوى”، بل “هل القدرات الجديدة يمكن أن تؤدي إلى أسعار أعلى للخدمة أو زيادة في حجم الطلبات أو تقليل التكاليف؟” يجب أن تتم دمج قدرات النماذج في العمليات التجارية لتحقيق دخل حقيقي، وإلا فإنها مجرد أفكار لا تؤدي إلى نتائج عملية.
---
3. عصر الاستنتاج: الندرة تكمن في “معدل الاستخدام”
المنطق الأساسي: امتلاك رقائق الذكاء الاصطناعي هو مجرد تذكرة للدخول، أما القدرة على استخدامها بكفاءة فهي مهارة حقيقية.
الكثير من الناس يعتقدون أن “قوة الحوسبة المستخدمة في التدريب” ستحل محل “قوة الحوسبة المستخدمة في الاستنتاج”. لكن هذا غير صحيح؛ كلا النوعين مكملان لبعضهما البعض:
- قوة الحوسبة المستخدمة في التدريب: تحدد حدود القدرات (مدى ذكاء الذكاء الاصطناعي).
- قوة الحوسبة المستخدمة في الاستنتاج: تحدد ما إذا كان الذكاء الاصطناعي يمكن استخدامه بثبات ملايين المرات (لتنفيذ المهام).
الآن، قوة الحوسبة المستخدمة في الاستنتاج تربط بشكل مباشر بين الطلبات من المستخدمين وأداء النظام. كل استفسار من المستخدم وكل عملية إنتاج للكود تختبر قدرة النظام على التعامل مع العديد من الطلبات في نفس الوقت، واستهلاك الطاقة، وتكلفة كل وحدة.
مثال: باستخدام نفس عدد الرقائق (مثل 1000 رقاقة):
- الشركة A: تعاني من تنظيم سيء، والنموذج ثقيل، ويستهلك الكثير من الوقت دون أن يكون فعالًا.
- الشركة B: لديها تنظيم محسن، والنموذج أخف وأكثر كفاءة، مما يسمح بخدمة عدد أكبر من المستخدمين بتكلفة أقل.
الرقائق الأكثر قيمة في المستقبل لن تكون تلك ذات المواصفات الأفخر، بل الأنظمة التي يمكنها العمل بكفاءة عالية لفترات طويلة وتوليد دخل مستمر.
لهذا السبب، بدأ الجميع يهتمون بتقنيات قد لا تبدو جذابة مثل الكمية والتقطير ونماذج الخبراء المختلطة (MoE) والتخزين المؤقت والتعاون بين الأجهزة الصلبة والبرمجية. ما دور هذه التقنيات؟ تقليل تكلفة كل عملية استخدام. تحويل السيناريوهات التي كانت غير ممكنة في السابق إلى أعمال قابلة للتوسع.
في هذه المرحلة، امتلاك رقائق الذكاء الاصطناعي مجرد تذكرة للدخول؛ من يستطيع توفير الطلبات بكفاءة وتنسيق النماذج والأجهزة بشكل فعال وجعل العملاء يشترون المنتجات مرارًا وتكرارًا هو من يمتلك السيطرة على تسعير أصول الحوسبة.
---
4. منظور المستثمرين: من “عدد الرقائق” إلى “الحسابات”
المنطق الأساسي: مجموعة الرقائق التي لا تُستخدم بكفاءة مجرد مخزون باهظ