خلف العناوين المتوهجة، تواجه صناعة الذكاء الاصطناعي أسئلة جوهرية حول زخم الابتكار، واستدامة رأس المال، والمسارات المتباعدة بين مطوري النماذج وبناة التطبيقات.
نقطة التحول الصامتة في الصناعة
نما الذكاء الاصطناعي بوتيرة غير مسبوقة خلال السنوات الثلاث الماضية. فمنذ إطلاق ChatGPT، حطم تبنّي المستهلكين الأرقام القياسية، وأعلنت شركات عملاقة من OpenAI إلى Google عن نماذج جديدة بوتيرة متسارعة، ووضعت شركات Fortune 500 الذكاء الاصطناعي في صميم عملياتها التجارية. ومع ذلك، تواجه الصناعة اليوم، خلف العناوين المتوهجة، سؤالًا مختلفًا جذريًا:
هل لا يزال الابتكار الحقيقي يتقدم بزخم قوي، أم أننا نشاهد آلة هائلة تصطدم بحدود غير مرئية؟
للإجابة عن هذا السؤال على نحو صحيح، نحتاج إلى النظر إلى المنظومة من خلال عدستين مختلفتين:
السوق الأولية: الشركات التي تطور النماذج الأساسية مثل GPT-4 وClaude وGemini: OpenAI وAnthropic وGoogle DeepMind وMeta.
السوق الثانوية: الشركات التي تأخذ هذه النماذج وتبني حلولًا لمشكلات المستخدمين الفعلية: Perplexity وCursor وNotion AI وReplit.
ورغم أن السوقين تنتميان إلى الصناعة نفسها، فإن ديناميكياتهما، وهياكل تكلفتهما، وملفات المخاطر فيهما، وتوقعات النمو الخاصة بهما تختلف اختلافًا جوهريًا. والتوتر الذي نشهده اليوم ينبع تحديدًا من هذا التباعد.
بدأت الحدود الطبيعية لتطوير النماذج في الظهور
شكّلت أربعة عوامل أساسية تطور النماذج اللغوية الكبيرة خلال السنوات الخمس الماضية:
- حجم النموذج (عدد المعاملات)
- بيانات التدريب (الجودة والتنوع)
- القدرة الحاسوبية (سعة GPU/TPU)
- تقنيات التدريب (بنى transformer، وآليات attention)
من 2018 إلى 2023، توسعت هذه العوامل الأربعة في الاتجاه نفسه، ما أوجد قفزات هائلة. وهكذا انتقلنا من GPT-2 إلى GPT-4، ومن BERT إلى PaLM. لكن هذا المنحنى لن يستمر إلى ما لا نهاية. فقد أصبحت بيانات التدريب الآن الاختناق الأشد أهمية في الصناعة.
إن مجموعات البيانات البشرية عالية الجودة، المتنوعة، والأصلية محدودة. تتدرّب على Wikipedia، وتتدرّب على arXiv، وتتدرّب على GitHub: ثم ماذا؟ التكاليف في هذا المجال ترتفع بشكل أُسّي بسبب قضايا حقوق النشر، واتفاقيات ملكية البيانات، وقيود الوصول. تبرم صفقات مع Reddit، وتتفاوض مع Stack Overflow، وتواجه دعاوى قضائية من The New York Times. لا يزال توسيع حجم النماذج ممكنًا من الناحية التقنية، لكن جانب البيانات يفرض سقفًا طبيعيًا.
لهذا السبب حوّلت الصناعة تركيزها من حجم النموذج إلى الكفاءة. الاستدلال بأسلوب Chain-of-thought، والتعلّم المعزّز من التغذية الراجعة البشرية (RLHF)، وتقنيات أخذ العينات الأكثر فاعلية، وبُنى mixture-of-experts (MoE): كلها جزء من هذا التحوّل.
هذه التطورات مهمة، لكنها ليست مستدامة بمفردها. لأنه عند نقطة ما، تصل مكاسب الكفاءة أيضًا إلى حالة تشبّع. وقد بدأت الصناعة تدرك أن الابتكار في النماذج التأسيسية دخل مرحلة أبطأ وأكثر كلفة.
ضغط تدفّق رأس المال والهشاشة المتزايدة
ومع ازدياد وضوح الحدود التقنية، أصبح النمو على جانب رأس المال ينطوي على مخاطر أكبر.
تقوم شركات النماذج التأسيسية ببناء بنى تحتية حوسبية هائلة وتقديم عروض هجومية في حروب استقطاب المواهب. وتحدث هذه النفقات قبل ترسيخ قواعد إيرادات قوية. تصل تكاليف الحوسبة السنوية لـ OpenAI إلى مليارات الدولارات. وتتلقى Anthropic استثمارات بمليارات الدولارات من Microsoft. وتخصص Google ميزانية منفصلة لـ DeepMind.
المليارات المستثمرة في مراكز البيانات، وعقود GPU متعددة السنوات، والرواتب الفلكية المدفوعة لأسماء مثل Ilya Sutskever: كلها تضخّم بنود مصروفات الشركات بشكل كبير.
تُظهر هذه الصورة أن السوق الأولية مبنية على نموذج توسّع شديد الهشاشة من الناحية الاقتصادية. فبنية تكلفة ابتكار النماذج تتجاوز بكثير معدلات نمو الإيرادات.
الصعود الهادئ لطبقة التطبيقات
في حين تتعرض السوق الأولية للضغط، تمضي السوق الثانوية في مسار نمو صحي نسبيًا. هذه الشركات تأخذ النماذج التأسيسية وتحولها إلى حالات استخدام حقيقية.
- Perplexity: إعادة تصميم تجربة البحث
- Cursor & Replit: تحويل عملية البرمجة
- Notion AI: جعل أدوات الإنتاجية ذكية
- Dvina: الربط مع أكثر من 120 تطبيقًا لإدارة الحياة الرقمية بالكامل من خلال طبقة ذكية واحدة
تكمن ميزة هذه الشركات في أنها الأقرب إلى المستخدم. فالقيمة الحقيقية تظهر مباشرة في تجربة المستخدم. البحث، والبرمجة، وإنشاء المحتوى، والإنتاجية، ومعالجة المعلومات: جميع هذه المجالات تقدم نماذج إيرادات قابلة للتوسع وواضحة.
ولهذا بدأت العديد من الجهات المنتجة للنماذج التأسيسية بالانتقال إلى طبقة التطبيقات. حوّلت OpenAI ChatGPT إلى منتج، وحوّلت Anthropic Claude إلى عرض استهلاكي، ودمجت Google Gemini. وقد انتشرت استراتيجية التكامل الرأسي بسرعة.
لكن هذه الاستراتيجية تسببت في آثار جانبية: فقد ارتفعت تكاليف الاستحواذ بشكل هائل، وتضخمت تقييمات السوق الثانوية. وحقيقة أن السوق الثانوية، وهي المجال الوحيد القادر على توليد الإيرادات، أصبحت باهظة إلى هذا الحد، تزيد من تضخيم مخاطر رأس المال في القطاع.
الدورات التاريخية والعامل الفارق اليوم
شهد الذكاء الاصطناعي تراجعين كبيرين في الماضي: أواخر السبعينيات وأوائل التسعينيات. وما جمع بين هاتين الفترتين هو: توقعات مرتفعة، وتيرة ابتكار منخفضة، وتلاشي شهية الاستثمار.
الوضع اليوم مختلف. فالابتكار التقني مستمر، لكن وتيرة الاختراقات تتباطأ. أما تدفق رأس المال، فينمو على نطاق غير مسبوق. يتحدث Sam Altman عن صندوق حوسبة بقيمة 7 تريليونات دولار، ويضخ Elon Musk مليارات في xAI.
لذلك، ما نعيشه ليس "شتاء ذكاء اصطناعي" كلاسيكيًا. بل هو أقرب إلى فترة هشاشة قائمة على تخصيص رأس المال: التقييمات تتضخم، والتكاليف تتسارع، لكن وتيرة الابتكار لا تلبّي التوقعات.
العصر الجديد: لن تنتصر النماذج الأكبر، بل المقاربات الأذكى
أهم فارق اليوم هو التالي: ما يهم الآن ليس إنتاج نماذج أضخم فأضخم عبر إضافة المزيد من المعاملات.
سيحدث التحول الحقيقي في هذه المجالات:
- زيادة كفاءة استخدام المعاملات
- تحقيق جودة أعلى بنماذج أصغر
- تطوير تقنيات تدريب جديدة
- استخدام البيانات بصورة أكثر استراتيجية وفعالية
- خفض تكاليف التدريب بشكل جذري
كان DeepSeek أحد أبرز الأمثلة اللافتة مؤخرًا. فقد طورت هذه الشركة الناشئة الصينية نموذجًا يقدّم أداءً بمستوى GPT-4، لكن بتكاليف تدريب أقل بكثير. بنية مزيج الخبراء، وتحسين المعاملات، وتقنيات تدريب تركّز على الكفاءة. وقد تفاعل السوق بقوة.
عقب إعلان DeepSeek، انخفضت القيمة السوقية لـ NVIDIA بمقدار 600 مليار دولار في يوم واحد. وقد أظهر ذلك أن المستثمرين باتوا يراقبون الآن ليس فقط سباق بناء نماذج أكبر، بل أيضًا سباق الكفاءة والابتكار المعماري.
لكن هذا لا يزال غير كافٍ. فإذا كان القطاع سيشهد قفزة حقيقية، فستأتي عبر نماذج معمارية جديدة. شيء يتجاوز بنية المحوّل (transformer architecture). ربما الحوسبة العصبية الشكل، وربما النماذج الهجينة، أو ربما إطار تعلّم مختلف تمامًا.
مثل هذه التحولات الجذرية لا تأتي عادةً من الشركات الكبرى. فهي تعمل بحذر بسبب ضغوط الحجم، وتكاليف البنية التحتية، وإدارة المخاطر المؤسسية. أما الاختراقات الحقيقية فغالبًا ما تنبثق من شركات ناشئة صغيرة، جريئة، متقبلة للمخاطر، وطموحة.
ومن المرجح أن يكون نظام الذكاء الاصطناعي البيئي اليوم بانتظار مثل هذا الاضطراب تحديدًا.
الخلاصة: ليس الموارد، بل النهج هو ما سيفوز
يتأرجح قطاع الذكاء الاصطناعي اليوم بين توترين: من جهة، استراتيجية لتوسيع النماذج تقترب من حدودها؛ ومن جهة أخرى، مخاطر رأسمالية متزايدة وسوق تطبيقات ترتفع قيمته بسرعة.
تُظهر هذه الصورة أن المشكلة الأساسية الآن هي النهج، لا القدرة. فالفائزون غدًا لن يكونوا أولئك الذين يبنون نماذج أكبر، بل أولئك الذين يطوّرون أساليب أذكى. إن الكفاءة، والتصاميم المعمارية الجديدة، وتقنيات التدريب المحسّنة، أصبحت خط الفصل الحقيقي في هذا القطاع.
ما سيكون حاسمًا في المستقبل هو جودة النهج، لا قوة الموارد. كما أن احتمال أن تكون الشركات الناشئة ذات الرؤية، لا الشركات الكبرى، هي من ستطلق هذا التحول في النهج، احتمال مرتفع للغاية.
