ثورة الذكاء الاصطناعي عند مفترق طرق: طفرة الذكاء الاصطناعي تنعكس في فقاعة الدوت كوم - تحليل استراتيجي للضجيج والتكاليف

الحقيقة القذرة حول الذكاء الاصطناعي: لماذا تحرق هذه التكنولوجيا مليارات الدولارات دون أن تحقق أي ربح

يمرّ المشهد التكنولوجي بمرحلة تحول حاسمة، يُحدّدها الصعود السريع للذكاء الاصطناعي. وقد أثارت موجة من التفاؤل، مدفوعةً بالتقدم في مجال الذكاء الاصطناعي التوليدي، موجةً استثماريةً تُذكّر في شدتها ونطاقها بفقاعة الدوت كوم في أواخر التسعينيات. تتدفق مئات المليارات من الدولارات إلى تقنية واحدة، مدفوعةً بالإيمان الراسخ بأن العالم على أعتاب ثورة اقتصادية تاريخية. وأصبحت التقييمات الفلكية للشركات التي غالبًا ما تكون نماذج أعمالها بالكاد مربحة أمرًا شائعًا، كما سيطر شعورٌ بالاندفاع نحو الذهب على كلٍّ من شركات التكنولوجيا العملاقة الراسخة وعددٍ لا يُحصى من الشركات الناشئة. ويعكس تركيز القيمة السوقية في أيدي عدد قليل من الشركات، المعروفة باسم "الشركات السبع الرائعة"، هيمنةَ شركات ناسداك الرائدة آنذاك، ويُؤجج المخاوف بشأن ديناميكيات السوق المحمومة.

مع ذلك، فإن الفكرة المحورية لهذا التقرير هي أنه على الرغم من أوجه التشابه الظاهرية في توجهات السوق، إلا أن الهياكل الاقتصادية والتكنولوجية الأساسية تُظهر اختلافات جوهرية. تؤدي هذه الاختلافات إلى مجموعة فريدة من الفرص والمخاطر النظامية التي تتطلب تحليلًا متطورًا. في حين أن ضجة الإنترنت بُنيت على وعد بإنترنت غير مكتمل، فإن تقنية الذكاء الاصطناعي اليوم مُدمجة بالفعل في العديد من العمليات التجارية والمنتجات الاستهلاكية. إن نوع رأس المال المستثمر، ونضج التكنولوجيا، وهيكل السوق، كلها عوامل تُشكل نقطة انطلاق مختلفة تمامًا.

مناسب ل:

• هل تتكرر فقاعة الدوت كوم عام ٢٠٠٠؟ تحليل نقدي للطفرة الحالية في الذكاء الاصطناعي

أوجه التشابه مع عصر الدوت كوم

إن أوجه التشابه التي تُشكل النقاش الحالي حول السوق وتُثير شعورًا بالتكرار لدى العديد من المستثمرين واضحة جلية. أولها وأهمها التقييمات المتطرفة. في أواخر التسعينيات، أصبحت نسب السعر إلى الأرباح (P/E) التي تتراوح بين 50 و70 أو حتى 100 هي القاعدة لأسهم ناسداك. أما اليوم، فيصل التقييم المُعدّل دوريًا لمؤشر ستاندرد آند بورز 500 إلى 38 ضعف أرباح السنوات العشر الماضية - وهو مستوى لم يتجاوزه التاريخ الاقتصادي الحديث إلا خلال ذروة فقاعة الإنترنت. وتعتمد هذه التقييمات على توقعات عوائد الاحتكار المستقبلية في سوق مُتحوّلة أكثر من اعتمادها على الأرباح الحالية.

من السمات المشتركة الأخرى الإيمان بالقوة التحويلية للتكنولوجيا، والتي تتجاوز قطاع التكنولوجيا بكثير. وكما هو الحال مع الإنترنت، يَعِد الذكاء الاصطناعي بإعادة تشكيل جذري لجميع القطاعات، من التصنيع إلى الرعاية الصحية إلى الصناعات الإبداعية. ويُبرر هذا السرد عن ثورة شاملة، في نظر العديد من المستثمرين، التدفقات الرأسمالية الهائلة وقبول الخسائر قصيرة الأجل لصالح الهيمنة على السوق على المدى الطويل. ولا يقتصر تأثير حمى الذهب على المستثمرين فحسب، بل يمتد إلى الشركات أيضًا، التي تتعرض لضغوط لتطبيق الذكاء الاصطناعي لتجنب التخلف عن الركب، مما يُعزز الطلب وبالتالي التقييمات.

الاختلافات الرئيسية وتأثيرها

على الرغم من أوجه التشابه هذه، فإن الاختلافات عن عصر الدوت كوم أساسية لفهم وضع السوق الحالي وتطوره المحتمل. ولعل أهم اختلاف يكمن في مصدر رأس المال. فقد مُوِّلت فقاعة الدوت كوم إلى حد كبير من قِبَل صغار المستثمرين، الذين غالبًا ما كانوا يُضاربون بالائتمان، ومن سوق الاكتتابات العامة الأولية المُفرطة النشاط. وقد أدى ذلك إلى خلق دورة هشة للغاية مدفوعة بمشاعر السوق. على النقيض من ذلك، لا يُموَّل طفرة الذكاء الاصطناعي اليوم في المقام الأول من قِبَل مستثمرين مضاربين من القطاع الخاص، بل من الخزائن الممتلئة للشركات الأكثر ربحية في العالم. تستثمر شركات عملاقة مثل مايكروسوفت، وميتا، وجوجل، وأمازون أرباحها الضخمة من الشركات العريقة بشكل استراتيجي في بناء منصة التكنولوجيا القادمة.

لهذا التحول في هيكل رأس المال عواقب وخيمة. فالطفرة الحالية أكثر مرونةً بكثير في مواجهة تقلبات السوق قصيرة الأجل. إنها ليست مجرد مضاربة محمومة، بل معركة استراتيجية طويلة الأمد على التفوق التكنولوجي. تُعد هذه الاستثمارات ضرورةً استراتيجيةً لـ"الشركات السبعة الرائعة" لتحقيق النصر في حرب المنصات القادمة. هذا يعني أن الطفرة يمكن أن تستمر لفترة أطول، حتى لو ظلت تطبيقات الذكاء الاصطناعي غير مربحة. لذا، من المرجح ألا يتجلى "انفجار" الفقاعة على شكل انهيار واسع النطاق في سوق الشركات الصغيرة، بل كتخفيضات استراتيجية في قيمة الأصول وموجة هائلة من عمليات الاندماج بين الشركات الكبرى.

الفرق الجوهري الثاني هو النضج التكنولوجي. كان الإنترنت في مطلع الألفية الجديدة بنية تحتية حديثة العهد، لم تكتمل بعد، ذات نطاق ترددي محدود ونسبة انتشار منخفضة. فشلت العديد من نماذج الأعمال في ذلك الوقت بسبب الوقائع التكنولوجية واللوجستية. في المقابل، أصبح الذكاء الاصطناعي اليوم، وخاصةً نماذج اللغات الكبيرة (LLMs)، مدمجًا بقوة في الحياة العملية اليومية وفي منتجات البرمجيات واسعة الانتشار. هذه التكنولوجيا ليست مجرد وعد، بل أداة مستخدمة بالفعل، مما يعزز ترسيخها في الاقتصاد بشكل ملحوظ.

لماذا لا تعد ضجة الذكاء الاصطناعي نسخة من فقاعة الدوت كوم - ولا تزال قد تكون خطيرة

لماذا لا تعد ضجة الذكاء الاصطناعي نسخة من فقاعة الدوت كوم - ولا تزال قد تكون خطيرة - الصورة: Xpert.Digital

على الرغم من أن كلتا المرحلتين تتميزان بتفاؤل كبير، إلا أنهما تختلفان في جوانب مهمة: فبينما اتسمت فقاعة الدوت كوم حوالي عام 2000 بنسب سعر إلى ربحية مرتفعة للغاية (50-100+) وتركيز كبير على "الجمهور" والنمو، يُظهر طفرة الذكاء الاصطناعي حوالي عام 2025 نسبة سعر إلى ربحية معدلة دوريًا لمؤشر ستاندرد آند بورز 500 تبلغ حوالي 38، وتحولًا في التركيز نحو الاحتكارات المستقبلية المتوقعة. كما تختلف مصادر التمويل: ففي ذلك الوقت، كانت الاكتتابات العامة الأولية، ومستثمرو التجزئة المعتمدون على الرافعة المالية، ورأس المال الاستثماري هي المسيطرة؛ أما اليوم، فتأتي الأموال في الغالب من أرباح شركات التكنولوجيا العملاقة والاستثمارات الاستراتيجية. كما يختلف النضج التكنولوجي اختلافًا كبيرًا - ففي مطلع الألفية، كان الإنترنت لا يزال قيد التطوير بنطاق ترددي محدود، بينما أصبح الذكاء الاصطناعي الآن مدمجًا في برامج المؤسسات والمنتجات النهائية. أخيرًا، يتضح اختلاف هيكل السوق: فقد اتسمت مرحلة الدوت كوم بعدد كبير من الشركات الناشئة المضاربة وارتفاع أسهم ناسداك، بينما يتميز طفرة الذكاء الاصطناعي الحالية بتركيز شديد على عدد قليل من شركات "الشركات السبع الرائعة". في الوقت نفسه، أصبح اعتماد العملاء النهائيين على الذكاء الاصطناعي أعلى بكثير اليوم، حيث يستخدم مئات الملايين من مستخدمي تطبيقات الذكاء الاصطناعي الرائدة.

السؤال المركزي

يقودنا هذا التحليل إلى السؤال المحوري الذي سيقود هذا التقرير: هل نحن في بداية تحول تكنولوجي مستدام يُعيد تعريف الإنتاجية والازدهار؟ أم أن الصناعة بصدد بناء آلة ضخمة كثيفة رأس المال بلا هدف مربح، مما يخلق فقاعة من نوع مختلف تمامًا - فقاعة أكثر تركيزًا واستراتيجية، وربما أكثر خطورة؟ ستستكشف الفصول التالية هذا السؤال من منظور اقتصادي وتقني وأخلاقي واستراتيجي سوقي، لرسم صورة شاملة لثورة الذكاء الاصطناعي عند مفترق طرقها الحاسم.

الواقع الاقتصادي: تحليل نماذج الأعمال غير المستدامة

فجوة بقيمة 800 مليار دولار

يكمن جوهر التحديات الاقتصادية التي تواجه صناعة الذكاء الاصطناعي في تفاوت هيكلي هائل بين التكاليف الباهظة وقلة الإيرادات. وتُقدّر دراسةٌ مُقلقةٌ أجرتها شركة الاستشارات "باين آند كومباني" هذه المشكلة كميًا، وتتوقع فجوةً تمويليةً قدرها 800 مليار دولار بحلول عام 2030. ولتغطية التكاليف المتزايدة لقوة الحوسبة والبنية التحتية والطاقة، سيحتاج هذا القطاع إلى تحقيق إيرادات سنوية تُقارب تريليوني دولار بحلول عام 2030، وفقًا للدراسة. ومع ذلك، تُشير التوقعات إلى أن هذا الهدف لن يتحقق بشكل كبير، مما يُثير تساؤلاتٍ جوهريةً حول استدامة نماذج الأعمال الحالية ومبررات التقييمات الفلكية.

هذه الفجوة ليست مجرد سيناريو مستقبلي، بل هي نتيجة خطأ اقتصادي جوهري. إن افتراض أن قاعدة المستخدمين الواسعة، كما هو مُعتاد في عصر وسائل التواصل الاجتماعي، تؤدي تلقائيًا إلى الربحية، يثبت أنه افتراض خادع في سياق الذكاء الاصطناعي. فعلى عكس منصات مثل فيسبوك وجوجل، حيث تقترب التكلفة الهامشية لأي مستخدم أو تفاعل إضافي من الصفر، فإن كل طلب - كل رمز مُولّد - في نماذج الذكاء الاصطناعي يُحمّل تكاليف حسابية حقيقية وغير تافهة. يُقوّض نموذج "الدفع مقابل الفكرة" هذا منطق التوسع التقليدي في صناعة البرمجيات. وبالتالي، يُصبح ارتفاع أعداد المستخدمين عامل تكلفة متنامية بدلًا من عامل ربح محتمل، طالما أن الربح لا يتجاوز تكاليف التشغيل الجارية.

دراسة حالة OpenAI: مفارقة الشعبية والربحية

لا تُجسّد أي شركة هذه المفارقة أفضل من OpenAI، الشركة الرائدة في ثورة الذكاء الاصطناعي التوليدي. فعلى الرغم من تقييمها المذهل الذي بلغ 300 مليار دولار وقاعدة مستخدميها الأسبوعية التي تصل إلى 700 مليون، إلا أن الشركة تعاني من خسائر فادحة. بلغت خسائرها حوالي 5 مليارات دولار في عام 2024، ومن المتوقع أن تصل إلى 9 مليارات دولار في عام 2025. يكمن جوهر المشكلة في انخفاض معدل التحويل: فمن بين مئات الملايين من مستخدميها، لا يدفع سوى خمسة ملايين منهم.

الأمر الأكثر إثارة للقلق هو إدراك أن حتى أغلى نماذج الاشتراك لا تغطي تكاليفها. تشير التقارير إلى أن حتى اشتراك "ChatGPT Pro" المميز، بسعر 200 دولار شهريًا، يُعد مشروعًا خاسرًا. يستهلك المستخدمون المحترفون الذين يستخدمون إمكانيات النموذج بكثافة موارد حوسبة أكثر مما تغطيه رسوم اشتراكهم. وصف الرئيس التنفيذي سام ألتمان هذا الوضع المتعلق بالتكلفة بأنه "مذهل"، مسلطًا الضوء على التحدي الأساسي المتمثل في تحقيق الربح. تُظهر تجربة OpenAI أن نموذج SaaS (البرمجيات كخدمة) التقليدي يصل إلى حدوده القصوى عندما تتجاوز القيمة التي يحصل عليها المستخدمون من الخدمة تكلفة تقديمها. لذلك، يجب على القطاع تطوير نموذج أعمال جديد كليًا يتجاوز الاشتراكات البسيطة أو الإعلانات، ويُسعّر قيمة "الذكاء كخدمة" بشكل مناسب - وهي مهمة لا يوجد لها حل قائم حاليًا.

جنون الاستثمار دون آفاق عائد

لا تقتصر مشكلة نقص الربحية على OpenAI، بل تتخلل الصناعة بأكملها. تُجري شركات التكنولوجيا الكبرى حملة استثمارية ضخمة. تخطط مايكروسوفت وميتا وجوجل لإنفاق 215 مليار دولار أمريكي مجتمعةً على مشاريع الذكاء الاصطناعي بحلول عام 2025، بينما تخطط أمازون لاستثمار 100 مليار دولار إضافية. هذه النفقات، التي تضاعفت أكثر من الضعف منذ إطلاق ChatGPT، تُوجَّه بشكل أساسي نحو توسيع مراكز البيانات وتطوير نماذج ذكاء اصطناعي جديدة.

ومع ذلك، يتناقض هذا الاستثمار الضخم لرأس المال بشكل صارخ مع العوائد المحققة حتى الآن. فقد وجدت دراسة أجراها معهد ماساتشوستس للتكنولوجيا (MIT) أنه على الرغم من الاستثمارات الكبيرة، فإن 95% من الشركات التي شملها الاستطلاع لا تحقق عائدًا استثماريًا ملموسًا من مبادرات الذكاء الاصطناعي. والسبب الرئيسي لذلك هو ما يُسمى "فجوة التعلم": فمعظم أنظمة الذكاء الاصطناعي غير قادرة على التعلم من الملاحظات، أو التكيف مع سياق العمل المحدد، أو التحسن بمرور الوقت. وغالبًا ما تقتصر فوائدها على زيادة الإنتاجية الفردية للموظفين، دون أن تؤدي إلى تأثير ملموس على صافي أرباح الشركة.

تكشف هذه الديناميكية عن حقيقة أعمق حول طفرة الذكاء الاصطناعي الحالية: إنه نظام اقتصادي مغلق إلى حد كبير. إن مئات المليارات التي تستثمرها شركات التكنولوجيا العملاقة لا تخلق في المقام الأول منتجات مربحة للمستخدم النهائي. بدلاً من ذلك، تتدفق مباشرة إلى مصنعي الأجهزة، بقيادة إنفيديا، وتعود إلى أقسام السحابة الخاصة بالشركات (أزور، منصة جوجل السحابية، أمازون ويب سيرفيسز). في حين تتكبد أقسام برمجيات الذكاء الاصطناعي خسائر بمليارات الدولارات، يشهد قطاعا السحابة والأجهزة نموًا هائلاً في الإيرادات. تنقل شركات التكنولوجيا العملاقة رأس المال فعليًا من أعمالها الأساسية المربحة إلى أقسام الذكاء الاصطناعي الخاصة بها، والتي تنفق هذه الأموال بعد ذلك على الأجهزة والخدمات السحابية، مما يزيد من إيرادات الأجزاء الأخرى من شركتها أو شركائها. خلال هذه المرحلة من بناء البنية التحتية الضخمة، غالبًا ما يكون العميل النهائي مجرد اعتبار ثانوي. تتركز الربحية في أسفل مجموعة التكنولوجيا (الرقائق والبنية التحتية السحابية)، بينما تعمل طبقة التطبيق كقائد خسارة هائلة.

التهديد بالاضطراب من الأسفل

تتعرض نماذج الأعمال المكلفة وكثيفة الموارد لمقدمي الخدمات الراسخين لمزيد من التقويض بسبب التهديد المتزايد من القاعدة. يدخل السوق بسرعة منافسون جدد منخفضو التكلفة، وخاصة من الصين. على سبيل المثال، أظهر الانتشار السريع للنموذج الصيني Deepseek R1 مدى تقلب سوق الذكاء الاصطناعي ومدى سرعة تعرض مقدمي الخدمات الراسخين ذوي النماذج باهظة الثمن للضغوط.

هذا التطور جزء من توجه أوسع نطاقًا، حيث تُقدم نماذج مفتوحة المصدر أداءً "جيدًا بما يكفي" للعديد من حالات الاستخدام بتكلفة زهيدة. تُدرك الشركات بشكل متزايد أنها لا تحتاج إلى النماذج الأكثر تكلفةً وقوةً للمهام الروتينية كالتصنيف البسيط أو تلخيص النصوص. فالنماذج الأصغر حجمًا والأكثر تخصصًا غالبًا ما تكون أرخص، بل أسرع وأسهل في التنفيذ أيضًا. يُشكل هذا "التعميم" لتكنولوجيا الذكاء الاصطناعي تهديدًا وجوديًا لنماذج الأعمال القائمة على تسليع الأداء المتطور بأسعار مرتفعة. فعندما تُقدم البدائل الأرخص 90% من الأداء مقابل 1% من التكلفة، يُصبح من الصعب على كبار الموردين تبرير استثماراتهم الضخمة وتحقيق الربح منها.

بُعدٌ جديدٌ للتحول الرقمي مع "الذكاء الاصطناعي المُدار" - منصة وحلول B2B | استشارات Xpert - الصورة: Xpert.Digital

ستتعلم هنا كيف يمكن لشركتك تنفيذ حلول الذكاء الاصطناعي المخصصة بسرعة وأمان وبدون حواجز دخول عالية.

منصة الذكاء الاصطناعي المُدارة هي حلك الشامل والمريح للذكاء الاصطناعي. فبدلاً من التعامل مع التقنيات المعقدة والبنية التحتية المكلفة وعمليات التطوير الطويلة، ستحصل على حل جاهز مُصمم خصيصًا لتلبية احتياجاتك من شريك متخصص - غالبًا في غضون أيام قليلة.

الفوائد الرئيسية في لمحة:

⚡ تنفيذ سريع: من الفكرة إلى التطبيق العملي في أيام، لا أشهر. نقدم حلولاً عملية تُحقق قيمة فورية.

🔒 أقصى درجات أمان البيانات: بياناتك الحساسة تبقى معك. نضمن لك معالجة آمنة ومتوافقة مع القوانين دون مشاركة البيانات مع جهات خارجية.

💸 لا مخاطرة مالية: أنت تدفع فقط مقابل النتائج. يتم الاستغناء تمامًا عن الاستثمارات الأولية الكبيرة في الأجهزة أو البرامج أو الموظفين.

🎯 ركّز على عملك الأساسي: ركّز على ما تتقنه. نتولى جميع مراحل التنفيذ الفني، والتشغيل، والصيانة لحلول الذكاء الاصطناعي الخاصة بك.

📈 مواكب للمستقبل وقابل للتطوير: ينمو الذكاء الاصطناعي لديك معك. نضمن لك التحسين المستمر وقابلية التطوير، ونكيف النماذج بمرونة مع المتطلبات الجديدة.

المزيد عنها هنا:

• حلول الذكاء الاصطناعي المُدارة - خدمات الذكاء الاصطناعي الصناعي: مفتاح القدرة التنافسية في قطاعات الخدمات والصناعة والهندسة الميكانيكية

تكلفة الذكاء: البنية التحتية والطاقة والدوافع الحقيقية للإنفاق على الذكاء الاصطناعي

تكاليف التدريب مقابل تكاليف الاستدلال: تحدٍّ من جزأين

يمكن تقسيم تكاليف الذكاء الاصطناعي إلى فئتين رئيسيتين: تكلفة تدريب النماذج وتكلفة تشغيلها، والمعروفة باسم الاستدلال. يُعد تدريب نموذج لغوي كبير عمليةً لمرة واحدة، لكنها باهظة التكلفة. إذ يتطلب مجموعات بيانات ضخمة، وأسابيع أو أشهرًا من وقت الحوسبة على آلاف المعالجات المتخصصة. وتوضح تكلفة تدريب النماذج المعروفة حجم هذه الاستثمارات: بلغت تكلفة GPT-3 حوالي 4.6 مليون دولار، واستهلك تدريب GPT-4 بالفعل أكثر من 100 مليون دولار، وتُقدر تكاليف تدريب Gemini Ultra من جوجل بنحو 191 مليون دولار. تُمثل هذه المبالغ عائقًا كبيرًا أمام دخول هذا المجال، وتُعزز هيمنة شركات التكنولوجيا القوية ماليًا.

بينما تتصدر تكاليف التدريب عناوين الأخبار، يُمثل الاستدلال التحدي الاقتصادي الأكبر والأطول أجلاً. يشير الاستدلال إلى عملية استخدام نموذج مُدرَّب مُسبقاً للإجابة على الاستفسارات وإنشاء المحتوى. يُكلِّف كل استعلام مُستخدم تكاليف حسابية تتراكم مع الاستخدام. تُشير التقديرات إلى أن تكاليف الاستدلال على مدار دورة حياة النموذج بأكملها يُمكن أن تُمثل ما بين 85% و95% من إجمالي التكاليف. تُمثل تكاليف التشغيل المُستمرة هذه السبب الرئيسي لصعوبة تحقيق نماذج الأعمال المذكورة في الفصل السابق للربحية. يؤدي توسيع قاعدة المستخدمين مباشرةً إلى توسيع تكاليف التشغيل، مما يُقلب اقتصاديات البرمجيات التقليدية رأساً على عقب.

فخ الأجهزة: القفص الذهبي لشركة NVIDIA

يكمن جوهر ارتفاع التكاليف في اعتماد الصناعة برمتها بشكل كبير على نوع واحد من الأجهزة: وحدات معالجة الرسومات عالية التخصص (GPUs)، التي تُصنّعها شركة واحدة تقريبًا، وهي إنفيديا. أصبحت طرز H100 والأجيال الأحدث منها B200 وH200 هي المعيار الفعلي لتدريب وتشغيل نماذج الذكاء الاصطناعي. وقد سمحت هذه الهيمنة السوقية لشركة إنفيديا بفرض أسعار باهظة على منتجاتها. يتراوح سعر شراء وحدة معالجة الرسومات H100 الواحدة بين 25,000 و40,000 دولار أمريكي.

مناسب ل:

• طفرة أمريكية غريبة: حقيقة صادمة تُظهر ما كان سيحدث بالفعل لولا ضجة الذكاء الاصطناعي

بالنسبة لمعظم الشركات، لا يُعدّ شراء هذه الأجهزة خيارًا متاحًا، لذا تعتمد على استئجار طاقة حوسبة في السحابة. ولكن حتى في هذه الحالة، تكون التكاليف باهظة. تتراوح أسعار استئجار وحدة معالجة رسومية واحدة عالية الجودة بين 1.50 دولارًا أمريكيًا وأكثر من 4.50 دولارًا أمريكيًا للساعة. ويفاقم تعقيد نماذج الذكاء الاصطناعي الحديثة هذه المشكلة. فغالبًا ما لا يتسع نموذج لغة كبير في ذاكرة وحدة معالجة رسومية واحدة. ولمعالجة استعلام واحد معقد، يجب توزيع النموذج على مجموعة من 8 أو 16 أو أكثر من وحدات معالجة الرسوميات تعمل بالتوازي. وهذا يعني أن تكلفة جلسة مستخدم واحد يمكن أن ترتفع بسرعة إلى 50 إلى 100 دولار أمريكي للساعة عند استخدام أجهزة مخصصة. هذا الاعتماد المفرط على الأجهزة باهظة الثمن والنادرة يخلق "قفصًا ذهبيًا" لصناعة الذكاء الاصطناعي: فهي مجبرة على الاستعانة بمصادر خارجية لجزء كبير من استثماراتها لمورد واحد، مما يُقلّص هوامش الربح ويرفع التكاليف.

الشهية التي لا تشبع: استهلاك الطاقة والموارد

تؤدي المتطلبات الهائلة للأجهزة إلى عامل تكلفة آخر، غالبًا ما يُقلل من شأنه، وله تداعيات عالمية: الاستهلاك الهائل للطاقة والموارد. يُولّد تشغيل عشرات الآلاف من وحدات معالجة الرسومات في مراكز البيانات الضخمة حرارة مهدرة هائلة، والتي يجب تبديدها بواسطة أنظمة تبريد معقدة. وهذا يؤدي إلى زيادة هائلة في الطلب على الكهرباء والمياه. ترسم التوقعات صورةً مُقلقة: من المتوقع أن يتضاعف استهلاك مراكز البيانات العالمي للكهرباء ليتجاوز 1000 تيراواط/ساعة بحلول عام 2030، أي ما يعادل الطلب الحالي على الكهرباء في اليابان بأكملها.

تتزايد حصة الذكاء الاصطناعي من هذا الاستهلاك بشكل غير متناسب. فمن المتوقع أن يزداد استهلاك الكهرباء من تطبيقات الذكاء الاصطناعي وحدها أحد عشر ضعفًا بين عامي 2023 و2030. وفي الوقت نفسه، سيتضاعف استهلاك المياه لتبريد مراكز البيانات أربع مرات تقريبًا ليصل إلى 664 مليار لتر بحلول عام 2030. ويُعد إنتاج الفيديو كثيف الاستهلاك للطاقة بشكل خاص. وتتناسب تكاليفه واستهلاكه طرديًا مع دقة الفيديو ومدته، مما يعني أن مقطعًا مدته ست ثوانٍ يتطلب طاقة تعادل أربعة أضعاف مقطع مدته ثلاث ثوانٍ.

لهذا التطور عواقب بعيدة المدى. جادل إريك شميدت، الرئيس التنفيذي السابق لشركة جوجل، مؤخرًا بأن الحد الطبيعي للذكاء الاصطناعي ليس توافر شرائح السيليكون، بل الكهرباء. تتعارض قوانين التوسع في الذكاء الاصطناعي، التي تنص على أن النماذج الأكبر حجمًا تحقق أداءً أفضل، بشكل مباشر مع القوانين الفيزيائية لإنتاج الطاقة وأهداف المناخ العالمية. إن المسار الحالي المتمثل في "أكبر، أفضل، أكبر" غير مستدام ماديًا وبيئيًا. لذا، يجب أن تأتي الإنجازات المستقبلية حتمًا من تحسينات الكفاءة والابتكارات الخوارزمية، وليس من التوسع بالقوة الغاشمة. وهذا يفتح فرصًا سوقية هائلة للشركات القادرة على تقديم أداء عالٍ مع استهلاك طاقة أقل بكثير. لقد شارف عصر التوسع البحت على الانتهاء؛ وبدأ عصر الكفاءة.

التكاليف غير المرئية: ما وراء الأجهزة والكهرباء

بالإضافة إلى التكاليف الواضحة للأجهزة والطاقة، هناك العديد من التكاليف "الخفية" التي تزيد بشكل كبير من التكلفة الإجمالية لملكية نظام الذكاء الاصطناعي. ومن أهم هذه التكاليف تكاليف الموظفين. فالباحثون والمهندسون المؤهلون تأهيلاً عالياً في مجال الذكاء الاصطناعي نادرون ومكلفون. ويمكن أن تصل رواتب فريق صغير بسرعة إلى 500,000 دولار أمريكي لفترة ستة أشهر فقط.

من التكاليف المهمة الأخرى جمع البيانات وإعدادها. تُعدّ مجموعات البيانات عالية الجودة والنظيفة والجاهزة للتدريب أساس أي نموذج ذكاء اصطناعي قوي. قد تتجاوز تكلفة ترخيص أو شراء هذه المجموعات 100,000 دولار أمريكي. يُضاف إلى ذلك تكاليف إعداد البيانات، التي تتطلب موارد حاسوبية وخبرة بشرية. وأخيرًا، لا يمكن إهمال التكاليف المستمرة للصيانة والتكامل مع الأنظمة الحالية والحوكمة وضمان الامتثال للوائح. غالبًا ما يصعب تحديد هذه النفقات التشغيلية كميًا، ولكنها تُمثل جزءًا كبيرًا من إجمالي تكلفة الملكية، وغالبًا ما يتم التقليل من شأنها في الميزانية.

التكاليف "غير المرئية" للذكاء الاصطناعي

يُظهر هذا التحليل المُفصّل للتكاليف أن اقتصاديات الذكاء الاصطناعي أكثر تعقيدًا بكثير مما تبدو عليه للوهلة الأولى. تُعيق تكاليف الاستدلال المتغيرة المرتفعة انتشارَها في العمليات التجارية الحساسة للسعر، نظرًا لعدم إمكانية التنبؤ بها وإمكانية ارتفاعها بشكل حاد مع الاستخدام. تُحجم الشركات عن دمج الذكاء الاصطناعي في العمليات الأساسية عالية الحجم حتى تنخفض تكاليف الاستدلال بشكل كبير أو تظهر نماذج تسعير جديدة وقابلة للتنبؤ. وهذا يُؤدي إلى إيجاد أنجح التطبيقات المبكرة في مجالات عالية القيمة ولكن منخفضة الحجم، مثل اكتشاف الأدوية أو الهندسة المعقدة، بدلًا من أدوات الإنتاجية المُتاحة للسوق الشامل.

التكاليف "غير المرئية" للذكاء الاصطناعي - الصورة: Xpert.Digital

تشمل التكاليف "الخفية" للذكاء الاصطناعي عدة مجالات: تعتمد تكلفة الأجهزة (وخاصةً وحدات معالجة الرسومات) بشكل أساسي على حجم النموذج وعدد المستخدمين - تتراوح تكاليف الإيجار النموذجية بين 1.50 و4.50 دولار أمريكي لكل وحدة معالجة رسومات في الساعة، بينما قد يكلف شراء وحدة معالجة رسومات ما بين 25,000 و40,000 دولار أمريكي. تعتمد الطاقة والتبريد على كثافة الحوسبة وكفاءة الأجهزة؛ وتشير التوقعات إلى مضاعفة استهلاك مراكز البيانات العالمية إلى أكثر من 1,000 تيراوات/ساعة بحلول عام 2030. تعتمد تكاليف البرامج وواجهات برمجة التطبيقات على عدد الطلبات (الرموز) ونوع النموذج؛ وتتراوح الأسعار من حوالي 0.25 دولار أمريكي (Mistral 7B) إلى 30 دولارًا أمريكيًا (GPT-4) لكل مليون رمز. بالنسبة للبيانات - اعتمادًا على الجودة والحجم والترخيص - يمكن أن تتجاوز تكلفة الحصول على مجموعات البيانات 100,000 دولار أمريكي بسهولة. قد تتجاوز تكاليف التوظيف، المتأثرة بنقص المهارات والحاجة إلى التخصص، 500,000 دولار أمريكي لفريق صغير على مدى ستة أشهر. وأخيرًا، تُسفر الصيانة والحوكمة، بسبب تعقيد النظام والمتطلبات التنظيمية، عن تكاليف تشغيلية مستمرة يصعب تحديدها بدقة.

بين الضجيج والواقع: العيوب التقنية وحدود أنظمة الذكاء الاصطناعي الحالية

دراسة حالة جوجل جيميني: عندما تنهار الواجهة

رغم الضجة الهائلة والاستثمارات الضخمة، تُعاني حتى شركات التكنولوجيا الرائدة من مشاكل تقنية جسيمة في تقديم منتجات ذكاء اصطناعي موثوقة. وتُعدّ الصعوبات التي تواجهها جوجل مع أنظمة الذكاء الاصطناعي الخاصة بها، جيميني وإيميجن، مثالاً واضحاً على التحديات التي تواجهها هذه الصناعة. فعلى مدى أسابيع، أبلغ المستخدمون عن أعطال جوهرية تتجاوز بكثير أخطاء البرمجة البسيطة. على سبيل المثال، غالباً ما تعجز تقنية توليد الصور إيماجن عن إنشاء صور بالتنسيقات التي يرغب بها المستخدم، مثل نسبة العرض إلى الارتفاع الشائعة 16:9، وتُنتج بدلاً من ذلك صوراً مربعة الشكل فقط. وفي الحالات الأكثر خطورة، يُفترض أن الصور تُولّد ولكن لا يمكن عرضها على الإطلاق، مما يجعل هذه الوظيفة غير قابلة للاستخدام عملياً.

هذه المشاكل الحالية جزء من نمط متكرر. في فبراير 2024، اضطرت جوجل إلى تعطيل تمثيل الأشخاص في جيميني تمامًا بعد أن ولّد النظام صورًا تاريخية سخيفة وغير دقيقة، مثل صور لجنود ألمان بملامح وجه آسيوية. كما تُنتقد جودة توليد النصوص بانتظام: إذ يشتكي المستخدمون من عدم اتساق الردود، والميل المفرط نحو الرقابة حتى على الاستفسارات غير الضارة، وفي الحالات القصوى، حتى من ظهور رسائل كراهية. تُظهر هذه الحوادث أنه على الرغم من إمكاناتها الهائلة، لا تزال هذه التقنية بعيدة عن الموثوقية المطلوبة للاستخدام على نطاق واسع في التطبيقات الحيوية.

الأسباب الهيكلية: معضلة "التحرك بسرعة وكسر الأشياء"

غالبًا ما تكمن جذور هذه العيوب التقنية في مشاكل هيكلية ضمن عمليات التطوير. فقد أدى الضغط التنافسي الهائل، لا سيما بسبب نجاح OpenAI، إلى تطوير متسرع للمنتجات في جوجل وشركات أخرى. وتُثبت عقلية "التحرك بسرعة وكسر الأشياء"، الموروثة من عصر وسائل التواصل الاجتماعي المبكر، أنها تُشكل إشكالية بالغة لأنظمة الذكاء الاصطناعي. ففي حين أن خللًا في تطبيق تقليدي قد يؤثر على وظيفة واحدة فقط، فإن الأخطاء في نموذج الذكاء الاصطناعي قد تؤدي إلى نتائج غير متوقعة أو ضارة أو محرجة تُقوّض ثقة المستخدم بشكل مباشر.

هناك مشكلة أخرى تتمثل في نقص التنسيق الداخلي. على سبيل المثال، بينما يتلقى تطبيق صور جوجل ميزات جديدة لتحرير الصور مدعومة بالذكاء الاصطناعي، لا يعمل إنشاء الصور الأساسي في جيميني بشكل صحيح. وهذا يشير إلى ضعف التنسيق بين مختلف الأقسام. بالإضافة إلى ذلك، هناك تقارير عن ظروف عمل سيئة بين المقاولين من الباطن المسؤولين عن التكاليف "الخفية" للذكاء الاصطناعي، مثل إدارة المحتوى وتحسين النظام. يمكن لضيق الوقت وانخفاض الأجور في هذه المجالات أن يؤثرا سلبًا على جودة تحسين النظام يدويًا.

إن تعامل جوجل مع هذه الأخطاء بالغ الأهمية. فبدلاً من الإبلاغ عن المشاكل بشكل استباقي، غالبًا ما يُخدع المستخدمون للاعتقاد بأن النظام يعمل بشكل مثالي. هذا النقص في الشفافية، إلى جانب التسويق المكثف لميزات جديدة غالبًا ما تكون معيبة، يؤدي إلى إحباط كبير لدى المستخدمين وفقدان دائم للثقة. تُعلّم هذه التجارب السوق درسًا مهمًا: الموثوقية والقدرة على التنبؤ أهم للشركات من الأداء المتقطع ذي الذروة. إن نموذجًا أقل قوة بقليل ولكنه موثوق بنسبة 99.99% يكون أكثر فائدة بكثير لتطبيقات الأعمال الحيوية من نموذج متطور يُسبب هلوسات خطيرة بنسبة 1% من الوقت.

الحدود الإبداعية لمنتجي الصور

إلى جانب العيوب الوظيفية البحتة، فإن القدرات الإبداعية لمولدات صور الذكاء الاصطناعي الحالية قد وصلت إلى حدودها القصوى بوضوح. فعلى الرغم من الجودة المذهلة للعديد من الصور المُولّدة، تفتقر هذه الأنظمة إلى فهم حقيقي للعالم الواقعي. ويتجلى هذا في عدة جوانب. فغالبًا ما يكون تحكم المستخدمين في النتيجة النهائية محدودًا. فحتى التعليمات (المطالبات) شديدة التفصيل والدقة لا تُنتج دائمًا الصورة المطلوبة، لأن النموذج يُفسّر التعليمات بطريقة غير متوقعة تمامًا.

تتجلى هذه العيوب بشكل خاص عند تمثيل مشاهد معقدة تتضمن تفاعل العديد من الأشخاص أو الأشياء. يواجه النموذج صعوبة في تمثيل العلاقات المكانية والمنطقية بين العناصر بشكل صحيح. ومن المشكلات الشائعة عدم القدرة على عرض الحروف والنصوص بدقة. غالبًا ما تكون الكلمات في الصور المُولّدة بالذكاء الاصطناعي عبارة عن مجموعة من الأحرف غير مقروءة، مما يتطلب معالجة يدوية لاحقة. تتجلى أيضًا القيود عند تصميم الصور. فبمجرد أن ينحرف الأسلوب المطلوب كثيرًا عن الواقع التشريحي الذي دُرّب عليه النموذج، تصبح النتائج مشوهة وغير قابلة للاستخدام بشكل متزايد. تُظهر هذه القيود الإبداعية أنه على الرغم من قدرة النماذج على إعادة تجميع الأنماط من بيانات تدريبها، إلا أنها تفتقر إلى فهم مفاهيمي عميق.

الفجوة في عالم الشركات

ينعكس مجموع هذه العيوب التقنية والقيود الإبداعية بشكل مباشر في نتائج الأعمال المخيبة للآمال التي نوقشت في الفصل الثاني. إن فشل 95% من الشركات في تحقيق عائد استثمار قابل للقياس من استثماراتها في الذكاء الاصطناعي هو نتيجة مباشرة لعدم موثوقية وهشاشة سير العمل في الأنظمة الحالية. لا يمكن دمج نظام ذكاء اصطناعي يقدم نتائج غير متسقة، أو يفشل أحيانًا، أو يُنتج أخطاءً غير متوقعة، في العمليات الحيوية للأعمال.

من المشاكل الشائعة عدم التوافق بين الحل التقني واحتياجات العمل الفعلية. غالبًا ما تفشل مشاريع الذكاء الاصطناعي بسبب تحسينها وفقًا لمقاييس خاطئة. على سبيل المثال، قد تُطوّر شركة لوجستية نموذج ذكاء اصطناعي يُحسّن المسارات لأقصر مسافة إجمالية، بينما الهدف التشغيلي في الواقع هو تقليل تأخير عمليات التسليم، وهو هدف يأخذ في الاعتبار عوامل مثل أنماط حركة المرور وفترات التسليم الزمنية، والتي يتجاهلها النموذج.

تُفضي هذه التجارب إلى فهمٍ مُهمّ لطبيعة الأخطاء في أنظمة الذكاء الاصطناعي. ففي البرمجيات التقليدية، يُمكن عزل الخلل وإصلاحه من خلال تغيير مُستهدف في الكود. ومع ذلك، فإن "الخلل" في نموذج الذكاء الاصطناعي - مثل توليد معلومات مُضللة أو محتوى مُتحيز - ليس سطرًا واحدًا خاطئًا في الكود، بل هو خاصية ناشئة ناتجة عن ملايين المُعاملات وتيرابايتات بيانات التدريب. ويتطلب إصلاح هذا الخلل النظامي ليس فقط تحديد البيانات المُشكلة وتصحيحها، بل غالبًا إعادة تدريب كاملة للنموذج بملايين الدولارات. ويُمثل هذا الشكل الجديد من "الديون التقنية" مسؤوليةً مُستمرةً ضخمةً، غالبًا ما يتم التقليل من شأنها، على الشركات التي تُطبّق أنظمة الذكاء الاصطناعي. يُمكن أن يُؤدي خللٌ فيروسيٌّ واحد إلى تكاليف كارثية وإضرارٍ بالسمعة، مما يرفع التكلفة الإجمالية للملكية إلى ما يتجاوز التقديرات الأصلية بكثير.

الأبعاد الأخلاقية والمجتمعية: المخاطر الخفية لعصر الذكاء الاصطناعي

التحيز النظامي: مرآة المجتمع

من أعمق وأصعب تحديات الذكاء الاصطناعي حلّها ميله ليس فقط إلى إعادة إنتاج التحيزات والصور النمطية المجتمعية، بل غالبًا إلى تعزيزها. تتعلم نماذج الذكاء الاصطناعي من خلال تمييز الأنماط في كميات هائلة من البيانات التي يُنتجها البشر. ولأن هذه البيانات تشمل مجمل الثقافة والتاريخ والتواصل البشري، فإنها تعكس حتمًا تحيزاتهم المتأصلة.

عواقب ذلك بعيدة المدى وواضحة في العديد من التطبيقات. تُولّد مُولّدات الصور بالذكاء الاصطناعي، التي يُطلب منها تصوير "شخص ناجح"، صورًا في الغالب لشباب بيض يرتدون ملابس رسمية، مما يُوحي بصورة نمطية ضيقة للنجاح. كما أن طلبات توظيف أشخاص في مهن مُعينة تُؤدي إلى تمثيلات نمطية مُتطرفة: إذ يُصوَّر مطورو البرمجيات حصريًا تقريبًا كرجال، ومضيفات الطيران حصريًا تقريبًا كنساء، مما يُشوّه بشدة واقع هذه المهن. وقد تربط نماذج اللغة بشكل غير متناسب سمات سلبية بمجموعات عرقية مُعينة أو تُعزز الصور النمطية الجندرية في السياقات المهنية.

غالبًا ما باءت محاولات المطورين "لتصحيح" هذه التحيزات من خلال قواعد بسيطة بالفشل الذريع. وقد أدت محاولات خلق تنوع أكبر بشكل مصطنع إلى ظهور صور سخيفة تاريخيًا، مثل صور الجنود النازيين المتنوعين عرقيًا، مما يؤكد تعقيد المشكلة. تكشف هذه الحوادث حقيقة جوهرية: "التحيز" ليس عيبًا تقنيًا يسهل تصحيحه، بل هو سمة متأصلة في الأنظمة المُدرَّبة على البيانات البشرية. لذا، فإن البحث عن نموذج ذكاء اصطناعي واحد "غير متحيز" عالميًا هو على الأرجح فكرة خاطئة. لا يكمن الحل في استحالة القضاء على التحيز، بل في الشفافية والتحكم. يجب أن تُمكّن أنظمة المستقبل المستخدمين من فهم الاتجاهات المتأصلة للنموذج وتكييف سلوكه مع سياقات محددة. وهذا يخلق حاجة دائمة للإشراف والتحكم البشري ("الإنسان في الحلقة")، وهو ما يتناقض مع رؤية الأتمتة الكاملة.

حماية البيانات والخصوصية: الخط الأمامي الجديد

لقد فتح تطوير نماذج لغوية واسعة النطاق آفاقًا جديدة لمخاطر الخصوصية. تُدرّب هذه النماذج على كميات هائلة من البيانات من الإنترنت، غالبًا ما تُجمع دون موافقة صريحة من المؤلفين أو أصحاب البيانات. يشمل ذلك منشورات المدونات الشخصية، ومنشورات المنتديات، والمراسلات الخاصة، وغيرها من المعلومات الحساسة. تُشكّل هذه الممارسة تهديدين رئيسيين للخصوصية.

الخطر الأول هو "حفظ البيانات". فرغم أن النماذج مصممة لتعلم أنماط عامة، إلا أنها قد تحفظ، دون قصد، معلومات محددة وفريدة من بيانات التدريب، ثم تعيد تشغيلها عند الطلب. وقد يؤدي هذا إلى الكشف غير المقصود عن معلومات شخصية (PII)، مثل الأسماء والعناوين وأرقام الهواتف والأسرار التجارية السرية الموجودة في مجموعة بيانات التدريب.

التهديد الثاني، وهو أكثر دقة، هو ما يُسمى "هجمات استدلال العضوية" (MIA). في هذه الهجمات، يحاول المهاجمون تحديد ما إذا كانت بيانات فرد معين جزءًا من مجموعة بيانات تدريب نموذج. على سبيل المثال، قد يكشف هجوم ناجح أن شخصًا ما كتب عن مرض معين في منتدى طبي، حتى لو لم يُنسخ النص الأصلي. يُمثل هذا انتهاكًا خطيرًا للخصوصية ويُقوّض الثقة في أمن أنظمة الذكاء الاصطناعي.

آلة التضليل

من أبرز مخاطر الذكاء الاصطناعي التوليدي وأكثرها إلحاحًا قدرته على توليد ونشر معلومات مضللة على نطاق لم يكن من الممكن تصوره سابقًا. تستطيع نماذج اللغة الضخمة إنتاج نصوص تبدو معقولة، لكنها مُفبركة تمامًا، ما يُسمى "بالهلوسة"، بضغطة زر. ورغم أن هذا قد يؤدي إلى نتائج غريبة لاستفسارات بريئة، إلا أنه يُصبح سلاحًا قويًا عند استخدامه بنية خبيثة.

تُمكّن هذه التقنية من إنتاج كميات هائلة من المقالات الإخبارية الكاذبة، والنصوص الدعائية، وتقييمات المنتجات المزيفة، ورسائل التصيد الاحتيالي الشخصية، والتي تكاد لا تُميز عن النصوص المكتوبة. وبدمجها مع الصور ومقاطع الفيديو المُولّدة بالذكاء الاصطناعي (التزييف العميق)، تُنشئ هذه التقنية ترسانة من الأدوات التي يُمكنها التلاعب بالرأي العام، وتقويض الثقة في المؤسسات، وتعريض العمليات الديمقراطية للخطر. إن القدرة على إنتاج معلومات مضللة ليست عيبًا في التقنية، بل هي إحدى كفاءاتها الأساسية، مما يجعل التنظيم والرقابة مهمة مجتمعية مُلحة.

حقوق الطبع والنشر والملكية الفكرية: حقل ألغام قانوني

أثارت طريقة تدريب نماذج الذكاء الاصطناعي موجة من النزاعات القانونية في مجال قانون حقوق النشر. وبما أن هذه النماذج تُدرّب على بيانات من جميع أنحاء الإنترنت، فإن هذا يشمل حتمًا أعمالًا محمية بحقوق النشر، مثل الكتب والمقالات والصور والبرمجيات، وغالبًا دون إذن أصحاب الحقوق. وقد نتج عن ذلك دعاوى قضائية عديدة من مؤلفين وفنانين وناشرين. ولا يزال السؤال القانوني المحوري، المتعلق بما إذا كان تدريب نماذج الذكاء الاصطناعي يندرج ضمن مبدأ "الاستخدام العادل"، دون حلّ، وسيُبقي المحاكم منشغلة لسنوات قادمة.

في الوقت نفسه، لا يزال الوضع القانوني للمحتوى المُولّد بواسطة الذكاء الاصطناعي غامضًا. من هو مؤلف الصورة أو النص المُنشأ بواسطة الذكاء الاصطناعي؟ هل هو المستخدم الذي أدخل الرسالة؟ أم الشركة التي طوّرت النموذج؟ أم هل يُمكن أن يكون نظام غير بشري هو المؤلف؟ يُشكّل هذا الغموض فراغًا قانونيًا ويُشكّل مخاطر كبيرة للشركات التي ترغب في استخدام المحتوى المُولّد بواسطة الذكاء الاصطناعي تجاريًا. هناك خطر رفع دعاوى قضائية بانتهاك حقوق الطبع والنشر إذا أعاد العمل المُولّد إنتاج عناصر من بيانات التدريب دون قصد.

تُمثل هذه المخاطر القانونية ومخاطر حماية البيانات نوعًا من "المسؤولية الضمنية" لقطاع الذكاء الاصطناعي بأكمله. فالتقييمات الحالية لشركات الذكاء الاصطناعي الرائدة بالكاد تعكس هذا الخطر النظامي. وقد يُشكل قرار قضائي تاريخي ضد شركة ذكاء اصطناعي كبرى - سواءً لانتهاك جسيم لحقوق النشر أو لخرق خطير للبيانات - سابقةً قانونية. وقد يُجبر هذا الحكم الشركات على إعادة تدريب نماذجها من الصفر باستخدام بيانات "نظيفة" ومرخصة، مما يُكلفها تكاليف باهظة ويُقلل من قيمة أصولها الأكثر قيمة. وكبديل، قد تُفرض غرامات ضخمة بموجب قوانين حماية البيانات، مثل اللائحة العامة لحماية البيانات. ويُشكل هذا الغموض القانوني غير المُحدد تهديدًا كبيرًا لاستمرارية القطاع واستقراره على المدى الطويل.

آلة العرض ثلاثية الأبعاد AI وXR: خبرة خمسة أضعاف من Xpert.Digital في حزمة خدمات شاملة، R&D XR، PR وSEM - الصورة: Xpert.Digital

تتمتع Xpert.Digital بمعرفة متعمقة بمختلف الصناعات. يتيح لنا ذلك تطوير استراتيجيات مصممة خصيصًا لتناسب متطلبات وتحديات قطاع السوق المحدد لديك. ومن خلال التحليل المستمر لاتجاهات السوق ومتابعة تطورات الصناعة، يمكننا التصرف ببصيرة وتقديم حلول مبتكرة. ومن خلال الجمع بين الخبرة والمعرفة، فإننا نولد قيمة مضافة ونمنح عملائنا ميزة تنافسية حاسمة.

المزيد عنها هنا:

• استخدم خبرة Xpert.Digital 5x في حزمة واحدة - بدءًا من 500 يورو شهريًا فقط

استراتيجيات التحسين: مسارات نحو نماذج الذكاء الاصطناعي الأكثر كفاءة وفعالية من حيث التكلفة

أساسيات تحسين التكلفة على مستوى التطبيق

نظراً للتكاليف التشغيلية والتطويرية الباهظة لأنظمة الذكاء الاصطناعي، أصبح التحسين تخصصاً أساسياً لتحقيق الجدوى التجارية. ولحسن الحظ، هناك العديد من الاستراتيجيات على مستوى التطبيقات التي يمكن للشركات تطبيقها لخفض التكاليف بشكل كبير دون التأثير بشكل كبير على الأداء.

يُعد التحسين الفوري من أبسط الطرق وأكثرها فعالية. ونظرًا لأن تكاليف العديد من خدمات الذكاء الاصطناعي تعتمد بشكل مباشر على عدد رموز الإدخال والإخراج المُعالجة، فإن صياغة تعليمات أقصر وأكثر دقة يُمكن أن تُحقق وفورات كبيرة. ومن خلال إزالة الكلمات الزائدة غير الضرورية وهيكلة الاستعلامات بوضوح، يُمكن خفض رموز الإدخال، وبالتالي التكاليف، بنسبة تصل إلى 35%.

من الاستراتيجيات الأساسية الأخرى اختيار النموذج المناسب للمهمة المطلوبة. لا يتطلب كل تطبيق أقوى النماذج المتاحة وأقلها تكلفة. بالنسبة للمهام البسيطة، مثل تصنيف النصوص، أو استخراج البيانات، أو أنظمة الإجابة على الأسئلة القياسية، غالبًا ما تكون النماذج الأصغر حجمًا والمتخصصة كافية تمامًا وأكثر فعالية من حيث التكلفة. قد يكون فرق التكلفة كبيرًا: فبينما يكلف نموذج متميز مثل GPT-4 حوالي 30 دولارًا أمريكيًا لكل مليون رمز ناتج، فإن نموذجًا مفتوح المصدر أصغر حجمًا مثل Mistral 7B يكلف 0.25 دولارًا أمريكيًا فقط لكل مليون رمز. يمكن للشركات تحقيق وفورات هائلة في التكاليف من خلال اختيار نموذج ذكي قائم على المهام، وغالبًا دون فرق ملحوظ في الأداء للمستخدم النهائي.

تقنية ثالثة فعّالة هي التخزين المؤقت الدلالي. فبدلاً من أن يُنشئ نموذج الذكاء الاصطناعي إجابة جديدة لكل استعلام، يُخزّن نظام التخزين المؤقت إجابات الأسئلة الشائعة أو المتشابهة دلاليًا. تُظهر الدراسات أن ما يصل إلى 31% من الاستعلامات الموجهة إلى برامج إدارة التعلم (LLM) مكررة في محتواها. ومن خلال تطبيق التخزين المؤقت الدلالي، يُمكن للشركات تقليل عدد استدعاءات واجهة برمجة التطبيقات (API) المُكلفة بنسبة تصل إلى 70%، مما يُقلل التكاليف ويُحسّن سرعة الاستجابة.

مناسب ل:

• هل انتهى عصر تدريب الذكاء الاصطناعي؟ استراتيجيات الذكاء الاصطناعي في مرحلة انتقالية: نهج "المخطط التفصيلي" بدلًا من أكوام البيانات - مستقبل الذكاء الاصطناعي في الشركات

تحليل العمق الفني: كمية النموذج

بالنسبة للشركات التي تُشغّل أو تُكيّف نماذجها الخاصة، تُوفّر التقنيات التقنية الأكثر تطورًا إمكانيات تحسين أكبر. ومن أكثرها فعاليةً تكميم النموذج، وهو عملية ضغط تُقلّل من دقة الأوزان الرقمية التي تُشكّل الشبكة العصبية. عادةً، تُحوّل الأوزان من صيغة فاصلة عائمة عالية الدقة 32 بت (FP32) إلى صيغة عدد صحيح أقل دقة 8 بت (INT8).

لهذا التخفيض في حجم البيانات ميزتان رئيسيتان. أولاً، يُقلل بشكل كبير من متطلبات ذاكرة النموذج، غالبًا بأربعة أضعاف. هذا يسمح للنماذج الأكبر بالعمل على أجهزة أقل تكلفة بذاكرة أقل. ثانيًا، يُسرّع التكميم سرعة الاستدلال - الوقت الذي يستغرقه النموذج لإنتاج إجابة - بضعف أو ثلاثة أضعاف. هذا لأن الحسابات بالأعداد الصحيحة يمكن إجراؤها بكفاءة أكبر بكثير على الأجهزة الحديثة مقارنةً بالأعداد العشرية. أما التكميم، فيُمثل في خسارة محتملة، وإن كانت ضئيلة، في الدقة، تُعرف باسم "خطأ التكميم". هناك طرق مختلفة، مثل التكميم بعد التدريب (PTQ)، الذي يُطبق على نموذج مُدرّب مسبقًا، والتدريب الواعي بالتكميم (QAT)، الذي يُحاكي التكميم أثناء عملية التدريب للحفاظ على الدقة.

التحليل الفني المتعمق: تقطير المعرفة

من تقنيات التحسين المتقدمة الأخرى تقنية تقطير المعرفة. تعتمد هذه الطريقة على نموذج "المعلم-الطالب". يُستخدم "نموذج معلم" ضخم ومعقد ومكلف (مثل GPT-4) لتدريب "نموذج طالب" أصغر حجمًا وأكثر كفاءة. يكمن السر هنا في أن نموذج الطالب لا يتعلم فقط تقليد إجابات المعلم النهائية (الأهداف الصعبة)، بل يُدرّب على تكرار التفكير الداخلي وتوزيعات الاحتمالات لنموذج المعلم (الأهداف السهلة).

من خلال تعلّم "كيفية" وصول نموذج المعلم إلى استنتاجاته، يمكن لنموذج الطالب تحقيق أداء مماثل في مهام محددة، ولكن بجزء بسيط من الموارد والتكلفة الحسابية. تُعد هذه التقنية مفيدة بشكل خاص لتصميم نماذج قوية ومتعددة الأغراض، وإن كانت كثيفة الموارد، لحالات استخدام محددة، وتحسينها للاستخدام على أجهزة أقل تكلفة أو في تطبيقات الوقت الفعلي.

المزيد من الهندسة المعمارية والتقنيات المتقدمة

بالإضافة إلى التكميم وتقطير المعرفة، هناك عدد من الأساليب الأخرى الواعدة لزيادة الكفاءة:

• التوليد المُعزَّز بالاسترجاع (RAG): بدلاً من تخزين المعرفة مباشرةً في النموذج، والذي يتطلب تدريبًا مُكلفًا، يُمكن للنموذج الوصول إلى قواعد بيانات خارجية حسب الحاجة. يُحسّن هذا من سرعة ودقة الإجابات، ويُقلل من الحاجة إلى إعادة التدريب المُستمرة.
• التكيف منخفض الرتبة (LoRA): طريقة ضبط دقيقة فعّالة للمعلمات، تُكيّف مجموعة صغيرة فقط من ملايين معلمات النموذج بدلاً من جميعها. هذا يُخفّض تكاليف الضبط الدقيق بنسبة 70% إلى 90%.
• التقليم ومزيج الخبراء (MoE): يزيل التقليم المعلمات الزائدة أو غير المهمة من النموذج المُدرَّب لتقليل حجمه. تُقسِّم بنى MoE النموذج إلى وحدات "خبراء" متخصصة، وتُفعِّل فقط الأجزاء ذات الصلة لكل استعلام، مما يُخفِّض العبء الحسابي بشكل كبير.

يشير انتشار استراتيجيات التحسين هذه إلى عملية نضج مهمة في قطاع الذكاء الاصطناعي. يتحول التركيز من السعي لتحقيق أداء فائق في المعايير إلى الجدوى الاقتصادية. لم تعد الميزة التنافسية تكمن فقط في النموذج الأكبر حجمًا، بل بشكل متزايد في النموذج الأكثر كفاءة لمهمة معينة. قد يفتح هذا الباب أمام لاعبين جدد متخصصين في "كفاءة الذكاء الاصطناعي" وتحدي السوق ليس من خلال الأداء الخام، بل من خلال القيمة مقابل المال.

في الوقت نفسه، تُنشئ استراتيجيات التحسين هذه شكلاً جديدًا من التبعية. فتقنيات مثل تقطير المعرفة وضبطها الدقيق تجعل منظومة النماذج الأصغر والأكثر كفاءة تعتمد بشكل أساسي على وجود عدد قليل من "نماذج المعلمين" باهظة الثمن من OpenAI وGoogle وAnthropic. فبدلاً من تعزيز سوق لامركزي، قد يُرسخ هذا هيكلًا إقطاعيًا يتحكم فيه عدد قليل من "الأسياد" بمصدر الذكاء، بينما يدفع عدد كبير من "التابعين" مقابل الوصول ويُطورون خدمات تابعة مبنية على ذلك.

استراتيجيات تحسين عمليات الذكاء الاصطناعي

استراتيجيات تحسين عمليات الذكاء الاصطناعي - الصورة: Xpert.Digital

تشمل استراتيجيات التحسين التشغيلي الرئيسية للذكاء الاصطناعي التحسين الفوري، الذي يُصوغ تعليمات أقصر وأكثر دقة لتقليل تكاليف الاستدلال. يُمكن أن يُؤدي هذا إلى خفض التكاليف بنسبة تصل إلى 35%، وهو منخفض التعقيد نسبيًا. يعتمد اختيار النموذج على استخدام نماذج أصغر وأقل تكلفة لمهام أبسط أثناء الاستدلال، مما يُحقق وفورات محتملة تزيد عن 90% مع الحفاظ على مستوى منخفض من تعقيد التنفيذ. يُتيح التخزين المؤقت الدلالي إعادة استخدام الردود على استعلامات مُماثلة، ويُقلل من استدعاءات واجهة برمجة التطبيقات (API) بنسبة تصل إلى حوالي 70%، ويتطلب جهدًا مُعتدلًا. يُقلل التكميم من الدقة العددية لأوزان النموذج، مما يُحسّن الاستدلال بعامل يتراوح بين 2 و4 أضعاف من حيث السرعة ومتطلبات الذاكرة، ولكنه يرتبط بتعقيد تقني كبير. يصف تقطير المعرفة تدريب نموذج صغير باستخدام نموذج "مُعلّم" كبير، مما يُمكن أن يُقلل حجم النموذج بشكل كبير مع الحفاظ على أداء مُماثل. هذا النهج مُعقد للغاية. يستفيد نظام RAG (التوليد المُعزز بالاسترجاع) من قواعد بيانات المعرفة الخارجية أثناء التشغيل، ويُجنّب إعادة التدريب المُكلفة، ويتميز بتعقيد يتراوح بين متوسط ​​وعالي. أخيرًا، توفر تقنية LoRA (محولات الرتبة المنخفضة) ضبطًا دقيقًا فعالًا للمعلمات أثناء التدريب ويمكنها تقليل تكاليف التدريب بنسبة 70-90%، ولكنها ترتبط أيضًا بالتعقيد العالي.

ديناميكيات السوق والتوقعات: التوحيد والمنافسة ومستقبل الذكاء الاصطناعي

طوفان رأس المال الاستثماري: مُسرِّعٌ للتوحيد

يشهد قطاع الذكاء الاصطناعي حاليًا تدفقًا غير مسبوق لرأس المال الاستثماري، مما يُحدث تأثيرًا مستدامًا على ديناميكيات السوق. ففي النصف الأول من عام 2025 وحده، تدفق 49.2 مليار دولار من رأس المال الاستثماري إلى مجال الذكاء الاصطناعي المُولِّد عالميًا، متجاوزًا بذلك إجمالي عام 2024 بأكمله. وفي وادي السيليكون، مركز الابتكار التكنولوجي، تُوجَّه 93% من جميع الاستثمارات في الشركات الناشئة إلى قطاع الذكاء الاصطناعي.

ومع ذلك، لا يُفضي هذا التدفق الهائل لرأس المال إلى تنويع واسع في السوق. بل على العكس، يتركز هذا التمويل بشكل متزايد في عدد قليل من الشركات القائمة بالفعل، وذلك من خلال جولات تمويل ضخمة. وتُهيمن صفقات مثل جولة تمويل بقيمة 40 مليار دولار لشركة OpenAI، أو استثمار بقيمة 14.3 مليار دولار في Scale AI، أو جولة تمويل بقيمة 10 مليارات دولار لشركة xAI على المشهد. وبينما تضاعف متوسط ​​حجم صفقات المراحل المتأخرة ثلاث مرات، انخفض تمويل الشركات الناشئة في مراحلها المبكرة. ولهذا التطور عواقب بعيدة المدى: فبدلاً من أن يكون رأس المال الاستثماري في قطاع الذكاء الاصطناعي محركًا للابتكار اللامركزي، فإنه يعمل كمسرّع لتركيز السلطة والموارد بين شركات التكنولوجيا العملاقة الراسخة وأقرب شركائها.

يُعزز هيكل التكلفة الهائل لتطوير الذكاء الاصطناعي هذا التوجه. فمنذ البداية، تعتمد الشركات الناشئة على البنية التحتية السحابية وأجهزة شركات التكنولوجيا الكبرى مثل أمازون (AWS)، وجوجل (GCP)، ومايكروسوفت (Azure)، وإنفيديا. ويعود جزء كبير من جولات التمويل الضخمة التي تجمعها شركات مثل OpenAI وAnthropic مباشرةً إلى مستثمريها في شكل مدفوعات مقابل قوة الحوسبة. وبالتالي، لا يُنشئ رأس المال الاستثماري منافسين مستقلين، بل يُموّل عملاء شركات التكنولوجيا العملاقة، مما يُعزز منظومتها ومكانتها السوقية. وغالبًا ما تستحوذ الشركات الكبرى في نهاية المطاف على أنجح الشركات الناشئة، مما يُعزز تركيز السوق. وهكذا، تتطور منظومة شركات الذكاء الاصطناعي الناشئة إلى مسار بحث وتطوير واستقطاب المواهب بحكم الواقع لـ"الشركات السبعة الرائعة". ولا يبدو أن الهدف النهائي هو سوق نابض بالحياة يضم العديد من الشركات، بل احتكار قلة مُركّز تسيطر فيه بضع شركات على البنية التحتية الأساسية للذكاء الاصطناعي.

موجة الدمج والاستحواذ ومعركة العمالقة

بالتوازي مع تركيز رأس المال الاستثماري، تجتاح موجة هائلة من عمليات الاندماج والاستحواذ السوق. ارتفع حجم صفقات الاندماج والاستحواذ العالمية إلى 2.6 تريليون دولار أمريكي في عام 2025، مدفوعًا بالاستحواذ الاستراتيجي على خبرات الذكاء الاصطناعي. وتُعد "الشركات السبعة الرائعة" في قلب هذا التطور، حيث تستخدم احتياطياتها المالية الضخمة للاستحواذ بشكل انتقائي على الشركات الناشئة والتقنيات ومجموعات المواهب الواعدة.

بالنسبة لهذه الشركات، الهيمنة على مجال الذكاء الاصطناعي ليست خيارًا، بل ضرورة استراتيجية. نماذج أعمالها التقليدية عالية الربحية - مثل حزمة مايكروسوفت أوفيس، ومحرك بحث جوجل، ومنصات التواصل الاجتماعي التابعة لشركة ميتا - تقترب من نهاية دورة حياتها أو تشهد ركودًا في نموها. يُنظر إلى الذكاء الاصطناعي على أنه المنصة الكبرى القادمة، وتسعى كل شركة من هذه الشركات العملاقة جاهدةً إلى احتكار عالمي في هذا النموذج الجديد لضمان قيمتها السوقية وأهميتها المستقبلية. يُؤدي هذا الصراع بين الشركات العملاقة إلى سوق استحواذ شرس، مما يُصعّب على الشركات المستقلة البقاء والتوسع.

التوقعات الاقتصادية: بين معجزة الإنتاجية وخيبة الأمل

تتسم التوقعات الاقتصادية طويلة الأجل لتأثير الذكاء الاصطناعي بتباينٍ عميق. فمن جهة، ثمة تنبؤاتٌ متفائلة تُبشّر بعصرٍ جديدٍ من نمو الإنتاجية. وتشير التقديرات إلى أن الذكاء الاصطناعي قد يزيد الناتج المحلي الإجمالي بنسبة 1.5% بحلول عام 2035، وأن يُعزز النمو الاقتصادي العالمي بشكلٍ كبير، لا سيما في أوائل ثلاثينيات القرن الحادي والعشرين. بل إن بعض التحليلات تتوقع أن تُولّد تقنيات الذكاء الاصطناعي إيراداتٍ عالميةً إضافيةً تتجاوز 15 تريليون دولار بحلول عام 2030.

من ناحية أخرى، ثمة واقعٌ مُقلقٌ في الوقت الحاضر. فكما حللنا سابقًا، لا تشهد 95% من الشركات حاليًا أي عائد استثماري يُذكر من استثماراتها في الذكاء الاصطناعي. في دورة غارتنر للضجيج، وهو نموذجٌ مؤثرٌ لتقييم التقنيات الجديدة، دخل الذكاء الاصطناعي المُولِّد مرحلةً من الإحباط. في هذه المرحلة، تتلاشى النشوة الأولية ليحل محلها إدراكٌ بأن التنفيذ مُعقَّد، وأن الفوائد غالبًا ما تكون غير واضحة، وأن التحديات أكبر من المتوقع. سيُشكِّل هذا التفاوت بين الإمكانات طويلة الأجل والصعوبات قصيرة الأجل مسار التنمية الاقتصادية في السنوات القادمة.

مناسب ل:

• كفاءة الذكاء الاصطناعي دون استراتيجية أساسية؟ لماذا لا ينبغي للشركات الاعتماد عليه بشكل أعمى؟

الفقاعة والاحتكار: الوجه المزدوج لثورة الذكاء الاصطناعي

يكشف تحليل الأبعاد المختلفة لطفرة الذكاء الاصطناعي عن صورة عامة معقدة ومتناقضة. يقف الذكاء الاصطناعي عند مفترق طرق حاسم. فالمسار الحالي للتوسع البحت - نماذج متزايدة الحجم تستهلك كميات متزايدة من البيانات والطاقة - يثبت أنه غير مستدام اقتصاديًا وبيئيًا. المستقبل للشركات التي تتقن الفارق الدقيق بين الدعاية والواقع، وتركز على خلق قيمة تجارية ملموسة من خلال أنظمة ذكاء اصطناعي فعّالة وموثوقة ومسؤولة أخلاقيًا.

لديناميكية التوحيد بُعد جيوسياسي أيضًا. تُعزَّز هيمنة الولايات المتحدة على قطاع الذكاء الاصطناعي من خلال تركيز رأس المال والكفاءات. من بين 39 شركة ناشئة في مجال الذكاء الاصطناعي مُعترف بها عالميًا، يوجد 29 منها في الولايات المتحدة، مُمثلةً ثلثي استثمارات رأس المال المُغامر العالمية في هذا القطاع. يزداد صعوبة مواكبة أوروبا والمناطق الأخرى لتطور النماذج الأساسية. وهذا يُنشئ تبعيات تكنولوجية واقتصادية جديدة، ويجعل السيطرة على الذكاء الاصطناعي عامل قوة جيوسياسية مركزية، تُضاهي السيطرة على أنظمة الطاقة أو المالية.

يختتم التقرير بملاحظة مفارقة جوهرية: تُمثّل صناعة الذكاء الاصطناعي فقاعةً مضاربيةً على مستوى التطبيقات، حيث تتكبد معظم الشركات خسائر، وتُمثّل في الوقت نفسه تحولاً ثورياً في المنصات يُشكّل احتكاراً على مستوى البنية التحتية، حيث تُحقّق قلة من الشركات أرباحاً طائلة. وتتمثل المهمة الاستراتيجية الرئيسية لصانعي القرار في قطاعي الأعمال والسياسة في السنوات القادمة في فهم وإدارة هذه الطبيعة المزدوجة لثورة الذكاء الاصطناعي. لم يعد الأمر يقتصر على تبني تقنية جديدة فحسب، بل يتعلق بإعادة تعريف القواعد الاقتصادية والمجتمعية والجيوسياسية للعبة في عصر الذكاء الاصطناعي.

☑️ لغة العمل لدينا هي الإنجليزية أو الألمانية

☑️ جديد: المراسلات بلغتك الوطنية!

Konrad Wolfenstein

سأكون سعيدًا بخدمتك وفريقي كمستشار شخصي.

يمكنك الاتصال بي عن طريق ملء نموذج الاتصال أو ببساطة اتصل بي على +49 89 89 674 804 (ميونخ) . عنوان بريدي الإلكتروني هو: ولفنشتاين ∂ xpert.digital

إنني أتطلع إلى مشروعنا المشترك.

☑️ دعم الشركات الصغيرة والمتوسطة في الإستراتيجية والاستشارات والتخطيط والتنفيذ

☑️ إنشاء أو إعادة تنظيم الإستراتيجية الرقمية والرقمنة

☑️ توسيع عمليات البيع الدولية وتحسينها

☑️ منصات التداول العالمية والرقمية B2B

☑️ رائدة تطوير الأعمال / التسويق / العلاقات العامة / المعارض التجارية

خبرتنا العالمية في الصناعة والأعمال في تطوير الأعمال والمبيعات والتسويق - الصورة: Xpert.Digital

التركيز على الصناعة: B2B، والرقمنة (من الذكاء الاصطناعي إلى الواقع المعزز)، والهندسة الميكانيكية، والخدمات اللوجستية، والطاقات المتجددة والصناعة

المزيد عنها هنا:

• مركز إكسبيرت للأعمال

مركز موضوعي يضم رؤى وخبرات:

• منصة المعرفة حول الاقتصاد العالمي والإقليمي والابتكار والاتجاهات الخاصة بالصناعة
• مجموعة من التحليلات والاندفاعات والمعلومات الأساسية من مجالات تركيزنا
• مكان للخبرة والمعلومات حول التطورات الحالية في مجال الأعمال والتكنولوجيا
• مركز موضوعي للشركات التي ترغب في التعرف على الأسواق والرقمنة وابتكارات الصناعة