ثورة الذكاء الاصطناعي على مفترق طرق: ازدهار الذكاء الاصطناعي ينعكس في فقاعة الإنترنت - تحليل استراتيجي للضجة والتكاليف

الحقيقة المُرّة حول الذكاء الاصطناعي: لماذا تُهدر هذه التقنية مليارات الدولارات دون أن تُحقق أي ربح؟

يشهد المشهد التكنولوجي منعطفًا حاسمًا، يتسم بالصعود السريع للذكاء الاصطناعي. وقد أطلقت موجة من التفاؤل، مدفوعةً بالتقدم في مجال الذكاء الاصطناعي التوليدي، موجة استثمار محمومة تُذكّر في حدتها وحجمها بفقاعة الإنترنت في أواخر التسعينيات. تُضخ مئات المليارات من الدولارات في تقنية واحدة، مدفوعةً بإيمان راسخ بأن العالم على أعتاب ثورة اقتصادية تاريخية. باتت التقييمات الفلكية للشركات، التي غالبًا ما تفتقر إلى نماذج أعمال مربحة، أمرًا شائعًا، وقد سيطرت عقلية التهافت على الذهب على كل من عمالقة التكنولوجيا الراسخين وعدد لا يحصى من الشركات الناشئة. إن تركز القيمة السوقية في أيدي عدد قليل من الشركات، ما يُسمى بـ"السبعة العظماء"، يُحاكي هيمنة شركات ناسداك المحبوبة في الماضي، ويُثير مخاوف بشأن ديناميكيات السوق المُفرطة في التضخم.

مع ذلك، تتمحور الفكرة الرئيسية لهذا التقرير حول أنه بالرغم من التشابهات الظاهرية في توجهات السوق، فإن الهياكل الاقتصادية والتكنولوجية الكامنة تُظهر اختلافات جوهرية. وتؤدي هذه الاختلافات إلى مجموعة فريدة من الفرص والمخاطر النظامية التي تتطلب تحليلاً دقيقاً. فبينما بُنيت ضجة شركات الإنترنت على وعد بظهور إنترنت ناشئ، فإن تقنية الذكاء الاصطناعي اليوم مُدمجة بالفعل في العديد من العمليات التجارية والمنتجات الاستهلاكية. وتُشكل طبيعة رأس المال المُستثمر، ونضج التكنولوجيا، وهيكل السوق، نقطة انطلاق مختلفة تماماً.

ذو صلة بهذا الموضوع:

• هل تتكرر فقاعة الإنترنت التي حدثت عام 2000؟ تحليل نقدي للطفرة الحالية في مجال الذكاء الاصطناعي

أوجه التشابه مع عصر الإنترنت

لا يمكن إنكار أوجه التشابه التي تميز النقاش الدائر في السوق حاليًا، والتي تُثير شعورًا بالديجافو لدى العديد من المستثمرين. في مقدمة هذه التشابهات، التقييمات المبالغ فيها. ففي أواخر التسعينيات، أصبحت نسب السعر إلى الأرباح (P/E) التي تتراوح بين 50 و70 وحتى 100 هي السائدة في أسهم ناسداك. أما اليوم، فقد وصل التقييم المعدل دوريًا لمؤشر ستاندرد آند بورز 500 إلى 38 ضعف أرباح العقد الماضي، وهو مستوى لم يُتجاوز في التاريخ الاقتصادي الحديث إلا خلال ذروة فقاعة الإنترنت. وتستند هذه التقييمات بشكل أقل على الأرباح الحالية، وأكثر على توقعات عوائد الاحتكار المستقبلية في سوق متغيرة.

ومن السمات المشتركة الأخرى الإيمان بالقدرة التحويلية للتكنولوجيا، والتي تتجاوز بكثير قطاع التكنولوجيا. فكما هو الحال مع الإنترنت، يعد الذكاء الاصطناعي بإعادة تشكيل جميع الصناعات بشكل جذري، من التصنيع والرعاية الصحية إلى الصناعات الإبداعية. وتبرر هذه الرؤية للثورة الشاملة، في نظر العديد من المستثمرين، التدفقات الهائلة لرؤوس الأموال وقبول الخسائر قصيرة الأجل في سبيل الهيمنة على السوق على المدى الطويل. ولا تؤثر هذه العقلية الطموحة على المستثمرين فحسب، بل تؤثر أيضاً على الشركات التي تواجه ضغوطاً لتطبيق الذكاء الاصطناعي لتجنب التخلف عن الركب، مما يزيد الطلب، وبالتالي، قيمة الشركات.

الاختلافات الرئيسية وتأثيرها

على الرغم من هذه أوجه التشابه، فإن الاختلافات عن عصر فقاعة الإنترنت تُعدّ جوهرية لفهم وضع السوق الحالي وتطوره المحتمل. ولعلّ أهمّ هذه الاختلافات يكمن في مصدر رأس المال. فقد مُوّلت فقاعة الإنترنت في معظمها من قِبل مستثمرين صغار، غالباً ما كانوا يضاربون على الائتمان، بالإضافة إلى سوق الاكتتابات العامة الأولية المُفرطة في النشاط. وقد أدّى ذلك إلى خلق دورة هشة للغاية، مدفوعة بقوى السوق. أما طفرة الذكاء الاصطناعي اليوم، من ناحية أخرى، فلا يُموّلها في المقام الأول مستثمرون أفراد مضاربون، بل من خزائن الشركات الأكثر ربحية في العالم. إذ تستثمر شركات عملاقة مثل مايكروسوفت، وميتا، وجوجل، وأمازون أرباحها الهائلة من مجالات أعمالها الراسخة في بناء منصة التكنولوجيا التالية.

لهذا التحول في هيكل رأس المال عواقب وخيمة. فالازدهار الحالي أكثر مرونةً بكثير في مواجهة تقلبات السوق قصيرة الأجل. إنه ليس مجرد مضاربة محمومة، بل هو أشبه بمعركة استراتيجية طويلة الأمد من أجل التفوق التكنولوجي. تُعد هذه الاستثمارات ضرورة استراتيجية للشركات السبع الكبرى للبقاء في حرب المنصات القادمة. وهذا يعني أن الازدهار يمكن أن يستمر حتى لو ظلت تطبيقات الذكاء الاصطناعي غير مربحة لفترة طويلة. وبالتالي، من المرجح ألا يظهر انفجار الفقاعة المحتمل على شكل انهيار واسع النطاق للشركات الصغيرة في السوق، بل على شكل عمليات شطب استراتيجية وموجة هائلة من عمليات الاندماج والاستحواذ بين الشركات الكبرى.

ثمة فرق جوهري ثانٍ يكمن في النضج التكنولوجي. ففي مطلع الألفية، كانت شبكة الإنترنت بنية تحتية ناشئة، لم تكتمل بعد، ذات نطاق ترددي محدود وانتشار ضعيف. وقد فشلت العديد من نماذج الأعمال في تلك الحقبة بسبب التحديات التكنولوجية واللوجستية. في المقابل، بات الذكاء الاصطناعي اليوم، ولا سيما في شكل نماذج اللغة الكبيرة (LLMs)، جزءًا لا يتجزأ من العمليات التجارية اليومية ومنتجات البرمجيات واسعة الانتشار. لم تعد هذه التقنية مجرد وعد، بل أداة مستخدمة بالفعل، مما يجعل رسوخها في الاقتصاد أكثر قوة.

لماذا لا تُعدّ الضجة الإعلامية حول الذكاء الاصطناعي نسخةً من فقاعة الإنترنت، ومع ذلك لا تزال تشكل خطراً؟

على الرغم من أن المرحلتين تتسمان بتفاؤل كبير، إلا أنهما تختلفان في سمات رئيسية: فبينما تميزت فقاعة الإنترنت في عام 2000 بنسب سعر/ربحية مرتفعة للغاية (أكثر من 50-100) وتركيز قوي على جذب المستخدمين والنمو، يُظهر ازدهار الذكاء الاصطناعي في عام 2025 نسبة سعر/ربحية معدلة دوريًا تبلغ حوالي 38 لمؤشر ستاندرد آند بورز 500، وتحولًا في التركيز نحو الاحتكارات المستقبلية المتوقعة. كما تختلف مصادر التمويل: ففي ذلك الوقت، هيمنت الاكتتابات العامة الأولية، والمستثمرون الأفراد الممولون بالديون، ورأس المال المخاطر؛ أما اليوم، فيأتي التمويل بشكل أساسي من أرباح عمالقة التكنولوجيا والاستثمارات الاستراتيجية. ويختلف النضج التكنولوجي أيضًا بشكل كبير - فقد كان الإنترنت لا يزال قيد التطوير في مطلع الألفية بنطاق ترددي محدود، بينما أصبح الذكاء الاصطناعي الآن جزءًا لا يتجزأ من برامج المؤسسات والمنتجات النهائية. وأخيرًا، يتضح طابع هيكلي مختلف للسوق: فقد تميزت مرحلة الإنترنت بعدد كبير من الشركات الناشئة المضاربة وأسهم ناسداك الناشئة، بينما يتميز ازدهار الذكاء الاصطناعي الحالي بالتركيز الشديد على عدد قليل من شركات "السبع الرائعة"؛ وفي الوقت نفسه، فإن اعتماد المستخدم النهائي أعلى بكثير اليوم، مع وجود مئات الملايين من مستخدمي تطبيقات الذكاء الاصطناعي الرائدة.

الأسئلة المركزية

يقودنا هذا التحليل إلى السؤال المحوري الذي سيوجه هذا التقرير: هل نحن على أعتاب تحول تكنولوجي مستدام سيعيد تعريف الإنتاجية والازدهار؟ أم أن الصناعة بصدد بناء آلة ضخمة كثيفة رأس المال دون هدف ربحي، مما يخلق فقاعة من نوع مختلف تمامًا - فقاعة أكثر تركيزًا واستراتيجية، وربما أكثر خطورة؟ ستتناول الفصول التالية هذا السؤال من منظور اقتصادي وتقني وأخلاقي واستراتيجي، 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 خلل هيكلي هائل بين التكاليف المتصاعدة والإيرادات غير الكافية. وقد حددت دراسة مقلقة أجرتها شركة باين آند كومباني الاستشارية حجم هذه المشكلة، متوقعةً فجوة تمويلية قدرها 800 مليار دولار بحلول عام 2030. ووفقًا للدراسة، ستحتاج الصناعة إلى تحقيق إيرادات سنوية تبلغ حوالي 2 تريليون دولار بحلول ذلك الوقت لتغطية التكاليف المتزايدة لقوة الحوسبة والبنية التحتية والطاقة. ومع ذلك، تشير التوقعات إلى أن هذا الهدف سيُتجاوز بشكل كبير، مما يثير تساؤلات جوهرية حول استدامة نماذج الأعمال الحالية ومبررات التقييمات الفلكية.

لا تُمثل هذه الفجوة سيناريو مستقبليًا مجردًا، بل هي نتيجة خطأ اقتصادي جوهري. إن افتراض أن قاعدة مستخدمين واسعة، كما هو الحال في عصر وسائل التواصل الاجتماعي، تؤدي تلقائيًا إلى الربحية، يثبت زيفه في سياق الذكاء الاصطناعي. فعلى عكس منصات مثل فيسبوك أو جوجل، حيث تكاد التكلفة الحدية لمستخدم إضافي أو تفاعل أن تكون معدومة، فإن كل طلب - كل رمز مميز يتم إنشاؤه - في نماذج الذكاء الاصطناعي يُكبّد تكاليف حسابية حقيقية وغير بسيطة. يُقوّض نموذج "الدفع مقابل كل فكرة" هذا منطق التوسع التقليدي في صناعة البرمجيات. وبالتالي، يتحول ارتفاع عدد المستخدمين من عامل ربح محتمل إلى عامل تكلفة متزايد، طالما أن تحقيق الدخل لا يتجاوز تكاليف التشغيل الجارية.

دراسة حالة OpenAI: مفارقة الشعبية والربحية

لا توجد شركة تُجسّد هذه المفارقة أفضل من OpenAI، الشركة الرائدة في ثورة الذكاء الاصطناعي التوليدي. فعلى الرغم من قيمتها السوقية المذهلة التي تبلغ 300 مليار دولار وقاعدة مستخدميها الأسبوعية التي تصل إلى 700 مليون مستخدم، إلا أن الشركة تُسجّل خسائر فادحة. وقد بلغت هذه الخسائر حوالي 5 مليارات دولار في عام 2024، ومن المتوقع أن تصل إلى 9 مليارات دولار بحلول عام 2025. ويكمن جوهر المشكلة في انخفاض معدل التحويل: فمن بين مئات الملايين من مستخدميها، لا يتجاوز عدد العملاء المدفوعين 5 ملايين.

الأمر الأكثر إثارة للقلق هو إدراك أن حتى أغلى نماذج الاشتراك لا تحقق أرباحًا. تشير التقارير إلى أن اشتراك "ChatGPT Pro" المميز، الذي يبلغ سعره 200 دولار شهريًا، يُحقق خسائر. يستهلك المستخدمون المتقدمون، الذين يستخدمون إمكانيات النموذج بكثافة، موارد حاسوبية أكثر مما يغطيه اشتراكهم. وقد وصف الرئيس التنفيذي سام ألتمان هذا الوضع المالي بأنه "جنوني"، مُسلطًا 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 مجرد الاشتراكات أو الإعلانات، ويُسعّر قيمة "الذكاء كخدمة" بشكل مناسب، وهي مهمة لا يوجد لها حل مُعتمد حاليًا.

جنون استثماري بدون أي أفق للعائد

لا تقتصر مشكلة انخفاض الربحية على OpenAI فحسب، بل هي مشكلة متفشية في قطاع الذكاء الاصطناعي بأكمله. وتشهد شركات التكنولوجيا الكبرى هجمة استثمارية محمومة. إذ تخطط مايكروسوفت وميتا وجوجل لإنفاق 215 مليار دولار أمريكي على مشاريع الذكاء الاصطناعي بحلول عام 2025، بينما تعتزم أمازون استثمار 100 مليار دولار إضافية. ويُوجَّه هذا الإنفاق، الذي تضاعف أكثر من مرتين منذ إطلاق ChatGPT، بشكل أساسي نحو توسيع مراكز البيانات وتطوير نماذج ذكاء اصطناعي جديدة.

مع ذلك، يتناقض هذا الاستثمار الرأسمالي الضخم تناقضًا صارخًا مع العوائد المحققة حتى الآن. فقد كشفت دراسة أجراها معهد ماساتشوستس للتكنولوجيا (MIT) أن 95% من الشركات التي شملها الاستطلاع، على الرغم من استثماراتها الكبيرة، لا تحقق عائدًا ملموسًا على الاستثمار من مبادراتها في مجال الذكاء الاصطناعي. والسبب الرئيسي في ذلك هو ما يُعرف بـ"فجوة التعلم": إذ تعجز معظم أنظمة الذكاء الاصطناعي عن التعلم من الملاحظات، أو التكيف مع سياق العمل المحدد، أو التحسين بمرور الوقت. وغالبًا ما تقتصر فائدتها على زيادة إنتاجية الموظفين، دون أن ينعكس ذلك بشكل ملموس على بيان أرباح وخسائر الشركة.

تكشف هذه الديناميكية عن حقيقة أعمق حول طفرة الذكاء الاصطناعي الحالية: إنها نظام اقتصادي مغلق إلى حد كبير. فمئات المليارات التي تستثمرها شركات التكنولوجيا العملاقة لا تُوظف بالدرجة الأولى في إنشاء منتجات مربحة للمستخدم النهائي، بل تتدفق مباشرةً إلى مصنعي الأجهزة، وعلى رأسهم شركة إنفيديا، ثم تعود إلى أقسام الحوسبة السحابية التابعة لهذه الشركات (مثل Azure وGoogle Cloud Platform وAWS). وبينما تتكبد أقسام برمجيات الذكاء الاصطناعي خسائر بمليارات الدولارات، يشهد قطاعا الحوسبة السحابية والأجهزة نموًا هائلاً في الإيرادات. وتقوم شركات التكنولوجيا العملاقة فعليًا بتحويل رأس المال من أعمالها الأساسية المربحة إلى أقسام الذكاء الاصطناعي، التي بدورها تنفق هذه الأموال على الأجهزة وخدمات الحوسبة السحابية، مما يعزز إيرادات قطاعات أخرى من الشركة أو شركائها. وفي هذه المرحلة من بناء البنية التحتية الضخمة، غالبًا ما يكون المستخدم النهائي مجرد اعتبار ثانوي. وتتركز الربحية في قاعدة هرم التكنولوجيا (الرقائق، والبنية التحتية السحابية)، بينما تُشكل طبقة التطبيقات مصدرًا رئيسيًا للخسائر.

خطر الاضطراب من الأسفل

تتعرض نماذج الأعمال المكلفة والمستهلكة للموارد التي تعتمدها الشركات الرائدة لتهديد متزايد من منافسين جدد. إذ يدخل السوق بسرعة منافسون جدد منخفضو التكلفة، لا سيما من الصين. فعلى سبيل المثال، أثبت النموذج الصيني Deepseek R1، من خلال انتشاره السريع في السوق، مدى تقلب سوق الذكاء الاصطناعي، وكيف يمكن أن تتعرض الشركات الرائدة ذات النماذج باهظة الثمن لضغوط متزايدة.

يُعدّ هذا التطور جزءًا من اتجاه أوسع نطاقًا، حيث تُقدّم نماذج المصادر المفتوحة أداءً "كافيًا" للعديد من حالات الاستخدام بتكلفة زهيدة. وتجد الشركات بشكل متزايد أنها لا تحتاج إلى النماذج الأغلى والأكثر قوة للمهام الروتينية كالتصنيفات البسيطة أو تلخيص النصوص. فالنماذج الأصغر حجمًا والأكثر تخصصًا غالبًا ما تكون أرخص وأسرع وأسهل في التطبيق. ويُشكّل هذا "الانتشار" لتقنية الذكاء الاصطناعي تهديدًا وجوديًا لنماذج الأعمال القائمة على تسويق الأداء المتميز بأسعار باهظة. فعندما تُقدّم البدائل الأرخص 90% من الأداء مقابل 1% فقط من التكلفة، يصبح من الصعب على كبار الموردين تبرير استثماراتهم الضخمة وتحقيق الربح منها.

ستتعلم هنا كيف يمكن لشركتك تطبيق حلول الذكاء الاصطناعي المخصصة بسرعة وأمان ودون عوائق دخول عالية.

تُعدّ منصة الذكاء الاصطناعي المُدارة حلاً شاملاً ومريحاً لمشاكل الذكاء الاصطناعي. فبدلاً من التعامل مع التكنولوجيا المعقدة والبنية التحتية المكلفة وعمليات التطوير المطولة، ستحصل على حل جاهز مصمم خصيصاً لتلبية احتياجاتك من شريك متخصص، غالباً في غضون أيام قليلة فقط.

المزايا الرئيسية باختصار:

⚡ تنفيذ سريع: من الفكرة إلى التطبيق الجاهز للاستخدام في أيام، وليس شهورًا. نقدم حلولًا عملية تُحقق قيمة مضافة فورية.

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

💸 لا مخاطر مالية: أنت تدفع فقط مقابل النتائج. يتم التخلص تماماً من الاستثمارات الأولية الكبيرة في الأجهزة أو البرامج أو الموظفين.

🎯 ركّز على جوهر عملك: انصبّ اهتمامك على ما تُجيده. نحن نتولّى جميع جوانب التنفيذ التقني والتشغيل والصيانة لحلول الذكاء الاصطناعي الخاصة بك.

📈 حلول مستقبلية وقابلة للتطوير: يتطور نظام الذكاء الاصطناعي الخاص بك معك. نضمن التحسين المستمر وقابلية التوسع، ونقوم بتكييف النماذج بمرونة مع المتطلبات الجديدة.

للمزيد من المعلومات، انقر هنا:

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

تكلفة الذكاء: البنية التحتية، والطاقة، والمحركات الحقيقية للإنفاق على الذكاء الاصطناعي

تكاليف التدريب مقابل تكاليف الاستدلال: تحدٍّ من جزأين

يمكن تقسيم تكاليف الذكاء الاصطناعي إلى فئتين رئيسيتين: تكاليف تدريب النماذج وتكاليف تشغيلها، والمعروفة بالاستدلال. يُعدّ تدريب نموذج لغوي ضخم عمليةً لمرة واحدة، لكنها مكلفة للغاية. فهي تتطلب مجموعات بيانات هائلة وأسابيع أو شهورًا من وقت الحوسبة على آلاف المعالجات المتخصصة. وتُظهر تكاليف تدريب النماذج المعروفة حجم هذه الاستثمارات: فقد بلغت تكلفة GPT-3 حوالي 4.6 مليون دولار، واستهلك تدريب GPT-4 أكثر من 100 مليون دولار، بينما تُقدّر تكاليف تدريب Gemini Ultra من جوجل بنحو 191 مليون دولار. تُمثّل هذه المبالغ عائقًا كبيرًا أمام دخول السوق، وتُرسّخ هيمنة شركات التكنولوجيا ذات النفوذ المالي الكبير.

بينما تتصدر تكاليف التدريب عناوين الأخبار، يُمثل الاستدلال تحديًا اقتصاديًا أكبر بكثير وأكثر استدامة على المدى الطويل. يشير الاستدلال إلى عملية استخدام نموذج مُدرَّب مسبقًا للإجابة على الاستفسارات وإنشاء المحتوى. كل استفسار من المستخدم يُكبِّد تكاليف حسابية تتراكم مع الاستخدام. تشير التقديرات إلى أن تكاليف الاستدلال قد تُشكِّل ما بين 85% و95% من إجمالي تكاليف النموذج طوال دورة حياته. تُعد تكاليف التشغيل المستمرة هذه السبب الرئيسي وراء صعوبة تحقيق الربح من نماذج الأعمال الموصوفة في الفصل السابق. يؤدي توسيع قاعدة المستخدمين مباشرةً إلى زيادة تكاليف التشغيل، مما يُغيِّر مفاهيم اقتصاديات البرمجيات التقليدية رأسًا على عقب.

فخ الأجهزة: القفص الذهبي لشركة NVIDIA

يكمن جوهر الارتفاع الهائل في التكاليف في اعتماد الصناعة بأكملها بشكلٍ حاسم على نوع واحد من الأجهزة: وحدات معالجة الرسومات (GPUs) عالية التخصص، والتي تُصنّعها شركة واحدة بشكل شبه حصري، وهي شركة إنفيديا. أصبحت طرازات H100، بالإضافة إلى الأجيال الأحدث B200 وH200، المعيار الفعلي لتدريب وتشغيل نماذج الذكاء الاصطناعي. وقد مكّنت هذه الهيمنة السوقية شركة إنفيديا من فرض أسعار باهظة لمنتجاتها، حيث يتراوح سعر شراء وحدة معالجة الرسومات H100 الواحدة بين 25,000 و40,000 دولار أمريكي.

ذو صلة بهذا الموضوع:

• طفرة أمريكية غريبة: حقيقة صادمة تكشف ما كان سيحدث فعلاً لولا الضجة الإعلامية حول الذكاء الاصطناعي

بالنسبة لمعظم الشركات، لا يُعد شراء هذه الأجهزة خيارًا متاحًا، مما يُجبرها على استئجار موارد الحوسبة السحابية. ومع ذلك، حتى في هذه الحالة، تكون التكاليف باهظة. تتراوح أسعار استئجار وحدة معالجة رسومية (GPU) عالية الأداء من 1.50 دولار إلى أكثر من 4.50 دولار في الساعة. يُفاقم تعقيد نماذج الذكاء الاصطناعي الحديثة هذه المشكلة. فغالبًا ما لا يتسع نموذج اللغة الكبير لذاكرة وحدة معالجة رسومية واحدة. لمعالجة استعلام واحد معقد، يجب توزيع النموذج على مجموعة من 8 أو 16 وحدة معالجة رسومية أو أكثر تعمل بالتوازي. هذا يعني أن تكلفة جلسة المستخدم الواحدة قد ترتفع بسرعة إلى ما بين 50 و100 دولار في الساعة عند استخدام أجهزة مخصصة. يُنشئ هذا الاعتماد المفرط على الأجهزة باهظة الثمن والنادرة ما يُشبه "قفصًا ذهبيًا" لصناعة الذكاء الاصطناعي: إذ تُجبر على تمرير جزء كبير من استثماراتها إلى مورد واحد، مما يُقلل هوامش الربح ويرفع التكاليف.

الشهية النهمة: استهلاك الطاقة والموارد

تؤدي متطلبات الأجهزة الضخمة إلى عامل تكلفة آخر، غالباً ما يُستهان به، وله تداعيات عالمية: استهلاك هائل للطاقة والموارد. يُولّد تشغيل عشرات الآلاف من وحدات معالجة الرسومات (GPUs) في مراكز البيانات الكبيرة كميات هائلة من الحرارة المهدرة، والتي يجب تبديدها بواسطة أنظمة تبريد معقدة. ينتج عن ذلك زيادة هائلة في الطلب على الكهرباء والمياه. تُشير التوقعات إلى صورة مُقلقة: من المتوقع أن يتضاعف استهلاك الكهرباء العالمي لمراكز البيانات إلى أكثر من 1000 تيراواط ساعة (TWh) بحلول عام 2030، أي ما يُعادل استهلاك الكهرباء الحالي في اليابان بأكملها.

تتزايد حصة الذكاء الاصطناعي في استهلاك الطاقة بشكل غير متناسب. فبين عامي 2023 و2030، من المتوقع أن يرتفع استهلاك الكهرباء أحد عشر ضعفًا نتيجةً لتطبيقات الذكاء الاصطناعي وحدها. في الوقت نفسه، سيتضاعف استهلاك المياه لتبريد مراكز البيانات أربع مرات تقريبًا ليصل إلى 664 مليار لتر بحلول عام 2030. ويُعدّ إنتاج الفيديو من أكثر العمليات استهلاكًا للطاقة، حيث تتناسب التكاليف واستهلاك الطاقة فيه تناسبًا طرديًا مع مربع دقة الفيديو ومدته، ما يعني أن مقطعًا مدته ست ثوانٍ يتطلب طاقةً تقارب أربعة أضعاف الطاقة التي يتطلبها مقطع مدته ثلاث ثوانٍ.

لهذا التطور تداعيات بعيدة المدى. فقد جادل إريك شميدت، الرئيس التنفيذي السابق لشركة جوجل، مؤخرًا بأن الحد الطبيعي للذكاء الاصطناعي ليس توفر رقائق السيليكون، بل توفر الكهرباء. تتعارض قوانين التوسع في الذكاء الاصطناعي، التي تنص على أن النماذج الأكبر حجمًا تحقق أداءً أفضل، تعارضًا مباشرًا مع القوانين الفيزيائية لإنتاج الطاقة وأهداف المناخ العالمية. إن المسار الحالي القائم على مبدأ "الأكبر هو الأفضل" ليس مستدامًا لا فيزيائيًا ولا بيئيًا. لذا، يجب أن تأتي الإنجازات المستقبلية حتمًا من تحسينات الكفاءة والابتكارات الخوارزمية، لا من التوسع الهائل القائم على القوة الغاشمة. هذا يفتح آفاقًا سوقية هائلة أمام الشركات القادرة على تقديم أداء عالٍ مع استهلاك طاقة أقل بكثير. لقد شارفت حقبة التوسع المطلق على الانتهاء، وبدأت حقبة الكفاءة.

التكاليف الخفية: ما وراء الأجهزة والكهرباء

إلى جانب التكاليف الواضحة للأجهزة والطاقة، توجد عدة تكاليف "خفية" تزيد بشكل كبير من التكلفة الإجمالية لامتلاك نظام الذكاء الاصطناعي. وتأتي في مقدمة هذه التكاليف تكاليف الموظفين. فالباحثون والمهندسون ذوو المهارات العالية في مجال الذكاء الاصطناعي نادرون ومكلفون. وقد تصل رواتب فريق صغير إلى 500 ألف دولار خلال ستة أشهر فقط.

يُعدّ الحصول على البيانات وإعدادها عاملاً هاماً آخر في التكلفة. فمجموعات البيانات عالية الجودة، والمُنقّاة، والجاهزة للتدريب، تُشكّل أساس أي نموذج ذكاء اصطناعي عالي الأداء. وقد تتجاوز تكلفة ترخيص أو شراء هذه المجموعات 100,000 دولار أمريكي. يُضاف إلى ذلك تكاليف إعداد البيانات، التي تتطلب موارد حاسوبية وخبرات بشرية. وأخيراً، لا ينبغي إغفال التكاليف المستمرة للصيانة، والتكامل مع الأنظمة القائمة، والحوكمة، وضمان الامتثال للوائح التنظيمية. غالباً ما يصعب تحديد هذه النفقات التشغيلية كمياً، لكنها تُمثّل جزءاً كبيراً من التكلفة الإجمالية للملكية، وكثيراً ما يتم التقليل من شأنها عند إعداد الميزانية.

التكاليف "الخفية" للذكاء الاصطناعي

يكشف هذا التحليل المفصل للتكاليف أن اقتصاديات الذكاء الاصطناعي أكثر تعقيدًا بكثير مما تبدو عليه في البداية. فارتفاع تكاليف الاستدلال المتغيرة يعيق انتشاره على نطاق واسع في العمليات التجارية الحساسة للسعر، نظرًا لعدم إمكانية التنبؤ بهذه التكاليف وارتفاعها بشكل كبير مع الاستخدام. وتتردد الشركات في دمج الذكاء الاصطناعي في عملياتها الأساسية ذات الحجم الكبير حتى تنخفض تكاليف الاستدلال بشكل ملحوظ أو تظهر نماذج تسعير جديدة يمكن التنبؤ بها. ونتيجة لذلك، نجد أنجح التطبيقات المبكرة في مجالات ذات قيمة عالية وحجم منخفض، مثل اكتشاف الأدوية أو الهندسة المعقدة، بدلاً من أدوات الإنتاجية الموجهة للسوق الجماهيري.

تشمل التكاليف "الخفية" للذكاء الاصطناعي عدة جوانب: فتكلفة الأجهزة (وخاصة وحدات معالجة الرسومات) تعتمد بشكل أساسي على حجم النموذج وعدد المستخدمين، حيث تتراوح التكاليف النموذجية من 1.50 دولار إلى أكثر من 4.50 دولار لكل وحدة معالجة رسومات في الساعة للإيجار، بينما قد تصل تكلفة شراء وحدة معالجة رسومات إلى أكثر من 25,000 دولار إلى أكثر من 40,000 دولار. أما تكلفة الطاقة والتبريد فتعتمد على كثافة الحوسبة وكفاءة الأجهزة؛ وتشير التوقعات إلى تضاعف استهلاك الطاقة في مراكز البيانات العالمية إلى أكثر من 1,000 تيراواط/ساعة بحلول عام 2030. وتعتمد تكاليف البرامج وواجهات برمجة التطبيقات على عدد الطلبات (الرموز المميزة) ونوع النموذج؛ وتتراوح الأسعار من حوالي 0.25 دولار (Mistral 7B) إلى 30 دولارًا (GPT-4) لكل مليون رمز مميز. وبالنسبة للبيانات، اعتمادًا على الجودة والحجم والترخيص، قد تتجاوز تكلفة الحصول على مجموعات البيانات بسهولة 100,000 دولار. قد تتجاوز تكاليف الموظفين، المتأثرة بنقص المهارات والحاجة إلى التخصص، 500 ألف دولار لفريق صغير على مدى ستة أشهر. وأخيرًا، تُؤدي تكاليف الصيانة والإدارة، الناجمة عن تعقيد النظام والمتطلبات التنظيمية، إلى تكاليف تشغيل مستمرة يصعب تحديدها بدقة.

بين الضجة الإعلامية والحقيقة: أوجه القصور التقنية وحدود أنظمة الذكاء الاصطناعي الحالية

دراسة حالة جوجل جيميني: عندما تنهار الواجهة

على الرغم من الضجة الإعلامية الهائلة والاستثمارات الضخمة التي بلغت مليارات الدولارات، حتى كبرى شركات التكنولوجيا تواجه صعوبات تقنية كبيرة في تقديم منتجات ذكاء اصطناعي موثوقة. وتُعدّ مشاكل جوجل مع أنظمة الذكاء الاصطناعي "جيميني" و"إيماجن" مثالًا واضحًا على التحديات التي تواجه هذا القطاع. فعلى مدى أسابيع، أبلغ المستخدمون عن أعطال جوهرية تتجاوز بكثير مجرد أخطاء برمجية بسيطة. فعلى سبيل المثال، غالبًا ما تعجز تقنية توليد الصور في "إيماجن" عن إنشاء صور بالصيغ التي يرغب بها المستخدم، مثل نسبة العرض إلى الارتفاع الشائعة 16:9، وتنتج بدلًا من ذلك صورًا مربعة فقط. وفي حالات أكثر خطورة، يُفترض أن الصور تُولّد ولكن لا يمكن عرضها على الإطلاق، مما يجعل هذه الخاصية غير قابلة للاستخدام عمليًا.

تُعدّ هذه المشاكل الحالية جزءًا من نمط متكرر. ففي فبراير 2024، اضطرت جوجل إلى تعطيل عرض صور الأشخاص في نظام جيميني بشكل كامل بعد أن أنتج النظام صورًا تاريخيةً مُشوّهةً وغير دقيقة، مثل صور الجنود الألمان ذوي الملامح الآسيوية. كما تُنتقد جودة توليد النصوص باستمرار: إذ يشكو المستخدمون من عدم اتساق الاستجابات، والميل المفرط إلى حجب حتى الاستفسارات غير الضارة، وفي حالات متطرفة، حتى من إنتاج رسائل تحريضية. تُظهر هذه الحوادث أنه على الرغم من إمكانياتها الهائلة، لا تزال هذه التقنية بعيدةً عن الموثوقية المطلوبة للاستخدام الواسع النطاق في التطبيقات الحساسة.

الأسباب الهيكلية: معضلة "التحرك بسرعة وتدمير الأشياء"

غالباً ما تكمن جذور هذه العيوب التقنية في مشاكل هيكلية ضمن عمليات التطوير. وقد أدى الضغط التنافسي الهائل، لا سيما مع نجاح OpenAI، إلى تطوير منتجات متسرع في جوجل وغيرها من الشركات. وتُثبت عقلية "التحرك بسرعة وتجربة أشياء جديدة"، التي نشأت في بدايات عصر وسائل التواصل الاجتماعي، أنها إشكالية للغاية بالنسبة لأنظمة الذكاء الاصطناعي. فبينما قد يؤثر خطأ برمجي في تطبيق تقليدي على وظيفة واحدة فقط، يمكن أن تؤدي الأخطاء في نموذج الذكاء الاصطناعي إلى نتائج غير متوقعة أو ضارة أو محرجة تقوض ثقة المستخدم بشكل مباشر.

تتمثل مشكلة أخرى في غياب التنسيق الداخلي. فعلى سبيل المثال، بينما يتلقى تطبيق صور جوجل ميزات جديدة لتحرير الصور مدعومة بالذكاء الاصطناعي، لا يعمل توليد الصور الأساسي في نظام جيميني بشكل صحيح. وهذا يشير إلى عدم كفاية التنسيق بين الأقسام المختلفة. علاوة على ذلك، ترد تقارير عن ظروف عمل سيئة لدى المقاولين الفرعيين المسؤولين عن التكاليف "الخفية" للذكاء الاصطناعي، مثل مراقبة المحتوى وتحسينات النظام. ويمكن أن يؤدي ضغط الوقت وانخفاض الأجور في هذه المجالات إلى مزيد من التدهور في جودة تحسين النظام اليدوي.

يُعدّ تعامل جوجل مع هذه الأخطاء إشكاليًا للغاية. فبدلًا من التواصل الاستباقي بشأن المشكلات، غالبًا ما يُوهم المستخدمون بأن النظام يعمل بلا عيوب. هذا النقص في الشفافية، إلى جانب التسويق المكثف لميزات جديدة، غالبًا ما تكون مليئة بالأخطاء، يؤدي إلى إحباط كبير لدى المستخدمين وفقدان دائم للثقة. تُعلّم هذه التجارب السوق درسًا هامًا: الموثوقية والقدرة على التنبؤ أكثر قيمة للشركات من الأداء المتقطع. نموذج أقل قوة بقليل ولكنه موثوق بنسبة 99.99% أكثر فائدة بكثير للتطبيقات الحيوية للأعمال من نموذج متطور يُنتج أعطالًا خطيرة في 1% من الحالات.

الحدود الإبداعية لمبدعي الصور

إلى جانب الأخطاء الوظيفية، تصل القدرات الإبداعية لمولدات الصور الحالية التي تعمل بالذكاء الاصطناعي إلى حدود واضحة. فعلى الرغم من الجودة المذهلة للعديد من الصور المُولّدة، تفتقر هذه الأنظمة إلى فهم حقيقي للعالم الواقعي. ويتجلى ذلك في عدة جوانب، حيث لا يملك المستخدمون في الغالب سوى تحكم محدود في النتيجة النهائية. وحتى التعليمات (التوجيهات) المفصلة والدقيقة للغاية لا تؤدي دائمًا إلى الصورة المطلوبة، لأن النموذج يفسر التعليمات بطريقة غير قابلة للتنبؤ تمامًا.

تتجلى أوجه القصور بوضوح عند عرض مشاهد معقدة تضمّ العديد من الأشخاص أو الأشياء المتفاعلة. إذ يُعاني النموذج من صعوبة في تمثيل العلاقات المكانية والمنطقية بين العناصر بدقة. ومن أبرز المشاكل عدم قدرته على عرض الحروف والنصوص بشكل صحيح، حيث غالبًا ما تكون الكلمات في الصور المُولّدة بالذكاء الاصطناعي عبارة عن خليط غير مقروء من الأحرف، مما يستلزم معالجة يدوية لاحقة. كما تظهر قيود عند تصميم الصور، فبمجرد أن ينحرف النمط المطلوب كثيرًا عن الواقع التشريحي الذي دُرِّب عليه النموذج، تصبح النتائج مشوّهة وغير قابلة للاستخدام. تُبيّن هذه القيود الإبداعية أنه على الرغم من قدرة النماذج على إعادة تركيب الأنماط من بيانات التدريب، إلا أنها تفتقر إلى فهم مفاهيمي عميق.

الفجوة في عالم الشركات

إن مجموع هذه العيوب التقنية والقيود الإبداعية يترجم مباشرةً إلى 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 الأنظمة الحالية وجمود سير العمل فيها. لا يمكن دمج نظام ذكاء اصطناعي يقدم نتائج غير متسقة، أو يتعطل أحيانًا، أو ينتج عنه أخطاء غير متوقعة، في العمليات الحيوية للأعمال.

من المشاكل الشائعة التباين بين الحل التقني واحتياجات العمل الفعلية. غالبًا ما تفشل مشاريع الذكاء الاصطناعي لأنها تُحسّن وفقًا لمعايير خاطئة. على سبيل المثال، قد تُطوّر شركة لوجستية نموذج ذكاء اصطناعي يُحسّن المسارات لتحقيق أقصر مسافة إجمالية، بينما الهدف التشغيلي الحقيقي هو تقليل حالات التأخير في التسليم، وهو هدف يأخذ في الاعتبار عوامل مثل أنماط حركة المرور وفترات التسليم الزمنية، والتي يتجاهلها النموذج.

تُفضي هذه التجارب إلى فهمٍ أعمق لطبيعة الأخطاء في أنظمة الذكاء الاصطناعي. ففي البرمجيات التقليدية، يُمكن عزل الخطأ وإصلاحه بتعديلٍ مُحدد في الكود. أما في نماذج الذكاء الاصطناعي، فإنّ "الخلل" -كإنتاج معلومات مُضللة أو محتوى مُتحيز- ليس مجرد سطر برمجي خاطئ، بل هو خاصية مُتأصلة ناتجة عن ملايين المُعاملات وتيرابايتات من بيانات التدريب. ويتطلب تصحيح هذا الخطأ المنهجي ليس فقط تحديد البيانات المُشكلة وتصحيحها، بل غالبًا إعادة تدريب كاملة للنموذج بتكلفة ملايين الدولارات. يُمثل هذا الشكل الجديد من "الديون التقنية" عبئًا هائلًا، غالبًا ما يُستهان به، على المؤسسات التي تستخدم أنظمة الذكاء الاصطناعي. فقد يُؤدي خطأ واحد مُنتشر إلى تكاليف كارثية وتشويه السمعة، ما يرفع التكلفة الإجمالية للملكية إلى ما يفوق التقديرات الأولية بكثير.

الأبعاد الأخلاقية والمجتمعية: المخاطر الخفية لعصر الذكاء الاصطناعي

التحيزات المنهجية: مرآة المجتمع

يُعدّ ميل الذكاء الاصطناعي، ليس فقط إلى إعادة إنتاج الأحكام المسبقة والصور النمطية المجتمعية، بل إلى تضخيمها في كثير من الأحيان، أحد أعمق وأصعب التحديات التي تواجهه. تتعلم نماذج الذكاء الاصطناعي من خلال التعرف على الأنماط في كميات هائلة من البيانات التي ينتجها البشر. ولأن هذه البيانات تشمل مجمل الثقافة والتاريخ والتواصل البشري، فإنها تعكس حتمًا تحيزاتها المتأصلة.

إن العواقب بعيدة المدى وواضحة في العديد من التطبيقات. فعندما يُطلب من مولدات الصور التي تعمل بالذكاء الاصطناعي تصوير "شخص ناجح"، فإنها تُنتج في الغالب صورًا لشباب بيض يرتدون ملابس رسمية، مما يُرسخ نظرة ضيقة ونمطية للنجاح. كما أن طلبات تصوير أفراد في مهن محددة تؤدي إلى تمثيل نمطي متطرف: فمطورو البرامج يُصوَّرون حصريًا تقريبًا على أنهم رجال، ومضيفات الطيران حصريًا تقريبًا على أنهن نساء، مما يُشوه واقع هذه المهن تشويهًا كبيرًا. وقد تُربط نماذج اللغة بشكل غير متناسب سمات سلبية بجماعات عرقية معينة، أو تُعزز الصور النمطية للجنسين في السياقات المهنية.

لطالما باءت محاولات المطورين "لتصحيح" هذه التحيزات بقواعد بسيطة بالفشل الذريع. وقد أدت محاولة خلق تنوع مصطنع إلى ظهور صورٍ عبثية تاريخيًا، مثل الجنود النازيين ذوي الخلفيات العرقية المتنوعة، مما يُبرز تعقيد المشكلة. تكشف هذه الحوادث حقيقةً جوهرية: "التحيز" ليس عيبًا تقنيًا يُمكن إصلاحه بسهولة، بل هو سمة متأصلة في الأنظمة المُدرَّبة على بيانات بشرية. لذا، يُرجَّح أن يكون البحث عن نموذج ذكاء اصطناعي واحد "غير متحيز" عالميًا مجرد وهم. لا يكمن الحل في القضاء المستحيل على التحيز، بل في الشفافية والتحكم. يجب أن تُتيح الأنظمة المستقبلية للمستخدمين فهم الميول الكامنة في النموذج وتكييف سلوكه مع سياقات محددة. وهذا يُنشئ حاجة دائمة للإشراف والتحكم البشري ("التدخل البشري")، وهو ما يتناقض مع رؤية الأتمتة الكاملة.

حماية البيانات والخصوصية: خط المواجهة الجديد

أدى تطوير نماذج اللغة الضخمة إلى ظهور بُعد جديد لمخاطر خصوصية البيانات. تُدرَّب هذه النماذج على كميات هائلة من البيانات من الإنترنت، والتي غالبًا ما تُجمع دون موافقة صريحة من المؤلفين أو أصحاب البيانات. ويشمل ذلك منشورات المدونات الشخصية، ومساهمات المنتديات، والمراسلات الخاصة، وغيرها من المعلومات الحساسة. وينتج عن هذه الممارسة تهديدان رئيسيان للخصوصية.

يتمثل الخطر الأول في "حفظ البيانات". فعلى الرغم من أن النماذج مصممة لتعلم الأنماط العامة، إلا أنها قد تحفظ دون قصد معلومات محددة وفريدة من بيانات التدريب الخاصة بها، وتعيد إنتاجها عند الحاجة. وهذا قد يؤدي إلى الكشف غير المقصود عن معلومات شخصية حساسة، مثل الأسماء والعناوين وأرقام الهواتف أو الأسرار التجارية السرية التي كانت مدرجة في مجموعة بيانات التدريب.

أما التهديد الثاني، والأكثر دقة، فهو ما يُعرف بـ"هجمات استنتاج العضوية". في هذه الهجمات، يحاول المهاجمون تحديد ما إذا كانت بيانات فرد معين جزءًا من مجموعة بيانات تدريب نموذج ما. فعلى سبيل المثال، قد تكشف هجمة ناجحة أن شخصًا ما قد كتب عن مرض معين في منتدى طبي، حتى لو لم يظهر النص الكامل. وهذا يُعد انتهاكًا خطيرًا للخصوصية، ويقوض الثقة في أمن أنظمة الذكاء الاصطناعي.

آلة التضليل

من أبرز المخاطر المباشرة للذكاء الاصطناعي التوليدي قدرته على توليد ونشر معلومات مضللة على نطاق غير مسبوق. فبضغطة زر، تستطيع نماذج اللغة الضخمة إنتاج نصوص تبدو مقنعة ظاهريًا، لكنها في الواقع ملفقة تمامًا، تُعرف باسم "الهلوسات". ورغم أن هذا قد يُفضي إلى نتائج مثيرة للاهتمام عند استخدام استعلامات غير ضارة، إلا أنه يتحول إلى سلاح فتاك عند استخدامه لأغراض خبيثة.

تُمكّن هذه التقنية من إنشاء مقالات إخبارية زائفة، ونصوص دعائية، وتقييمات منتجات مُلفّقة، ورسائل بريد إلكتروني تصيدية مُخصصة، يصعب تمييزها عن المحتوى المكتوب بشريًا. وبالاقتران مع الصور ومقاطع الفيديو المُولّدة بالذكاء الاصطناعي (التزييف العميق)، يُشكّل هذا ترسانة من الأدوات القادرة على التلاعب بالرأي العام، وتقويض الثقة في المؤسسات، وتعريض العمليات الديمقراطية للخطر. إن القدرة على توليد المعلومات المُضللة ليست خللًا في التقنية، بل هي إحدى قدراتها الأساسية، مما يجعل التنظيم والرقابة مسؤولية مجتمعية مُلحة.

حقوق النشر والملكية الفكرية: حقل ألغام قانوني

أثارت طريقة تدريب نماذج الذكاء الاصطناعي موجة من الدعاوى القضائية المتعلقة بحقوق النشر. ولأن هذه النماذج تُدرَّب على بيانات من مختلف أنحاء الإنترنت، فإن ذلك يشمل حتمًا أعمالًا محمية بحقوق النشر، مثل الكتب والمقالات والصور والبرامج، غالبًا دون إذن أصحاب الحقوق. وقد نتج عن ذلك العديد من الدعاوى القضائية من المؤلفين والفنانين والناشرين. ولا يزال السؤال القانوني المحوري حول ما إذا كان تدريب نماذج الذكاء الاصطناعي يندرج تحت مبدأ "الاستخدام العادل" دون إجابة، ومن المرجح أن يُبقي المحاكم مشغولة لسنوات قادمة.

في الوقت نفسه، لا يزال الوضع القانوني للمحتوى المُنشأ بواسطة الذكاء الاصطناعي غير واضح. من هو مؤلف الصورة أو النص الذي أنشأه الذكاء الاصطناعي؟ هل هو المستخدم الذي أدخل البيانات المطلوبة؟ أم الشركة التي طورت النموذج؟ أم هل يمكن لنظام غير بشري أن يكون مؤلفًا؟ يخلق هذا الغموض فراغًا قانونيًا ويُشكّل مخاطر كبيرة على الشركات التي ترغب في استخدام المحتوى المُنشأ بواسطة الذكاء الاصطناعي تجاريًا. وتُعدّ الدعاوى القضائية بتهمة انتهاك حقوق النشر احتمالًا واردًا إذا ما أعاد العمل المُنشأ، دون قصد، إنتاج عناصر من بيانات التدريب.

تمثل هذه المخاطر القانونية ومخاطر حماية البيانات نوعًا من "المسؤولية الكامنة" لقطاع الذكاء الاصطناعي بأكمله. ولا تعكس التقييمات الحالية للشركات الرائدة في مجال الذكاء الاصطناعي هذا الخطر المنهجي إلا بشكل طفيف. وقد يُرسي حكم قضائي تاريخي ضد شركة كبرى في مجال الذكاء الاصطناعي - سواءً بسبب انتهاك جسيم لحقوق النشر أو اختراق خطير للبيانات - سابقةً قانونية. وقد يُجبر هذا الحكم الشركات على إعادة تدريب نماذجها من الصفر باستخدام بيانات مرخصة ونظيفة، مما يُكبّدها تكاليف باهظة ويُقلل من قيمة أصولها الأكثر قيمة. أو قد تُفرض غرامات باهظة بموجب قوانين حماية البيانات مثل اللائحة العامة لحماية البيانات (GDPR). ويُشكل هذا الغموض القانوني غير المُحدد كميًا تهديدًا كبيرًا لربحية واستقرار القطاع على المدى الطويل.

تتمتع شركة Xpert.Digital بمعرفة متعمقة في مختلف القطاعات، مما يُمكّننا من تطوير استراتيجيات مُصممة خصيصًا لتتوافق بدقة مع متطلبات وتحديات قطاع السوق الخاص بكم. ومن خلال التحليل المستمر لاتجاهات السوق ومتابعة تطورات القطاع، نستطيع اتخاذ إجراءات استباقية وتقديم حلول مبتكرة. إن الجمع بين الخبرة والكفاءة يُولّد قيمة مضافة ويمنح عملاءنا ميزة تنافسية حاسمة.

للمزيد من المعلومات، انقر هنا:

• استفد من خبرة Xpert.Digital في 5 مجالات في باقة واحدة - ابتداءً من 500 يورو شهريًا فقط

استراتيجيات التحسين: مسارات نحو نماذج ذكاء اصطناعي أكثر كفاءة وفعالية من حيث التكلفة

أساسيات تحسين التكاليف على مستوى التطبيق

نظراً للتكاليف التشغيلية والتطويرية الباهظة لأنظمة الذكاء الاصطناعي، أصبح تحسين الأداء عنصراً أساسياً لضمان الجدوى الاقتصادية. ولحسن الحظ، توجد العديد من الاستراتيجيات على مستوى التطبيقات التي يمكن للشركات تطبيقها لخفض التكاليف بشكل ملحوظ دون المساس بالأداء بشكل كبير.

يُعدّ التحسين الفوري أحد أبسط الطرق وأكثرها فعالية. فبما أن تكلفة العديد من خدمات الذكاء الاصطناعي تعتمد بشكل مباشر على عدد رموز الإدخال والإخراج المُعالجة، فإن صياغة تعليمات أقصر وأكثر دقة يُمكن أن تُؤدي إلى وفورات كبيرة. ومن خلال إزالة الكلمات غير الضرورية وهيكلة الطلبات بوضوح، يُمكن تقليل رموز الإدخال، وبالتالي التكاليف، بنسبة تصل إلى 35%.

تتمثل إحدى الاستراتيجيات الأساسية الأخرى في اختيار النموذج المناسب للمهمة المطلوبة. فليس كل تطبيق يتطلب أقوى النماذج وأغلاها. بالنسبة للمهام البسيطة كتصنيف النصوص، واستخراج البيانات، أو أنظمة الإجابة على الأسئلة القياسية، غالبًا ما تكون النماذج الأصغر حجمًا والأكثر تخصصًا كافية تمامًا وأكثر فعالية من حيث التكلفة. قد يكون فرق التكلفة كبيرًا: فبينما يكلف نموذج متميز مثل GPT-4 حوالي 30 دولارًا لكل مليون رمز إخراج، يكلف نموذج أصغر حجمًا ومفتوح المصدر مثل Mistral 7B 0.25 دولارًا فقط لكل مليون رمز. من خلال اتخاذ خيارات ذكية للنماذج بناءً على المهمة، يمكن للمؤسسات تحقيق وفورات هائلة في التكاليف، غالبًا دون أي فرق ملحوظ في الأداء بالنسبة للمستخدم النهائي.

ثمة تقنية ثالثة فعّالة تتمثل في التخزين المؤقت الدلالي. فبدلاً من توليد استجابة جديدة من نموذج الذكاء الاصطناعي لكل طلب، يقوم نظام التخزين المؤقت بتخزين إجابات الأسئلة المتكررة أو المتشابهة دلالياً. وتشير الدراسات إلى أن ما يصل إلى 31% من طلبات إدارة دورة حياة المنتج (LLM) تتكرر في محتواها. ومن خلال تطبيق التخزين المؤقت الدلالي، تستطيع الشركات تقليل عدد استدعاءات واجهة برمجة التطبيقات (API) المكلفة بنسبة تصل إلى 70%، مما يخفض التكاليف ويزيد من سرعة الاستجابة.

ذو صلة بهذا الموضوع:

• هل انتهى عصر تدريب الذكاء الاصطناعي؟ استراتيجيات الذكاء الاصطناعي في مرحلة انتقالية: نهج "المخطط" بدلاً من كميات هائلة من البيانات - مستقبل الذكاء الاصطناعي في الشركات

تحليل فني معمق: تحديد كمية النموذج

بالنسبة للشركات التي تُشغّل نماذجها الخاصة أو تُعدّلها، تُتيح الأساليب التقنية الأكثر تطورًا إمكانات تحسين أكبر. ومن أكثر هذه الأساليب فعاليةً تقنية تكميم النموذج، وهي عملية ضغط تُقلّل من دقة الأوزان العددية التي تُكوّن الشبكة العصبية. عادةً، تُحوّل الأوزان من تنسيق الفاصلة العائمة عالي الدقة 32 بت (FP32) إلى تنسيق عدد صحيح منخفض الدقة 8 بت (INT8).

يُحقق هذا التخفيض في حجم البيانات ميزتين أساسيتين. أولاً، يُقلل بشكل كبير من متطلبات ذاكرة النموذج، غالبًا بمقدار أربعة أضعاف. وهذا يسمح بتشغيل نماذج أكبر على أجهزة أقل تكلفة بذاكرة أقل. ثانيًا، يُسرّع التكميم عملية الاستدلال - أي الوقت الذي يستغرقه النموذج للوصول إلى استجابة - بمقدار ضعفين إلى ثلاثة أضعاف. ويعود ذلك إلى إمكانية إجراء العمليات الحسابية على الأعداد الصحيحة بكفاءة أعلى بكثير على الأجهزة الحديثة مقارنةً بالأعداد العشرية. أما الجانب السلبي للتكميم فهو احتمال حدوث انخفاض طفيف في الدقة، يُعرف باسم "خطأ التكميم". وتوجد طرق مختلفة للحفاظ على الدقة، مثل التكميم بعد التدريب (PTQ)، الذي يُطبق على نموذج مُدرّب مسبقًا، والتدريب المُراعي للتكميم (QAT)، الذي يُحاكي التكميم أثناء عملية التدريب.

تحليل فني معمق: استخلاص المعرفة

تُعدّ تقنية تقطير المعرفة إحدى تقنيات التحسين المتقدمة الأخرى. تعتمد هذه الطريقة على نموذج "المعلم والمتعلم". يُستخدم نموذج "المعلم" الضخم والمعقد والمكلف (مثل GPT-4) لتدريب نموذج "المتعلم" الأصغر حجمًا والأكثر كفاءة. يكمن جوهر هذه التقنية في أن نموذج المتعلم لا يقتصر على تقليد الإجابات النهائية للمعلم (الأهداف الصعبة)، بل يُدرَّب أيضًا على محاكاة عمليات التفكير الداخلية وتوزيعات الاحتمالات لنموذج المعلم (الأهداف المرنة).

من خلال فهم "كيفية" وصول نموذج المعلم إلى استنتاجاته، يستطيع نموذج الطالب تحقيق أداء مماثل في مهام محددة، ولكن بجزء بسيط من موارد الحوسبة والتكاليف. تُعد هذه التقنية مفيدة بشكل خاص لتخصيص نماذج عامة قوية ولكنها كثيفة الموارد لتناسب حالات استخدام محددة، وتحسينها للاستخدام على أجهزة أقل تكلفة أو في تطبيقات الوقت الفعلي.

بنى وتقنيات متقدمة أخرى

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

• التوليد المعزز بالاسترجاع (RAG): بدلاً من تخزين المعرفة مباشرةً في النموذج، الأمر الذي يتطلب تدريباً مكلفاً، يصل النموذج إلى قواعد بيانات المعرفة الخارجية حسب الحاجة. هذا يُحسّن حداثة ودقة الإجابات ويقلل الحاجة إلى إعادة التدريب المستمر.
• التكيف منخفض الرتبة (LoRA): طريقة فعالة لضبط النموذج بدقة، حيث يتم تعديل مجموعة فرعية صغيرة فقط من معلمات النموذج، بدلاً من ملايين المعلمات. وهذا من شأنه أن يقلل تكاليف الضبط الدقيق بنسبة تتراوح بين 70% و90%.
• التقليم ومزيج الخبراء (MoE): يتضمن التقليم إزالة المعلمات الزائدة أو غير المهمة من النموذج المدرب لتقليل حجمه. أما بنى مزيج الخبراء فتقسم النموذج إلى وحدات "خبير" متخصصة، وتُفعّل الأجزاء ذات الصلة فقط مع كل طلب، مما يقلل بشكل كبير من الحمل الحسابي.

يشير انتشار استراتيجيات التحسين هذه إلى نضجٍ ملحوظ في صناعة الذكاء الاصطناعي. فقد تحوّل التركيز من مجرد السعي لتحقيق أعلى أداء في الاختبارات المعيارية إلى تحقيق الجدوى الاقتصادية. ولم تعد الميزة التنافسية تكمن فقط في أكبر نموذج، بل بشكل متزايد في النموذج الأكثر كفاءة لمهمة معينة. وهذا قد يفتح المجال أمام لاعبين جدد متخصصين في "كفاءة الذكاء الاصطناعي"، يتحدّون السوق ليس بقوة الأداء فحسب، بل من خلال نسبة سعر إلى أداء فائقة.

في الوقت نفسه، تُنشئ استراتيجيات التحسين هذه شكلاً جديداً من التبعية. فتقنيات مثل تقطير المعرفة والضبط الدقيق تجعل منظومة النماذج الأصغر والأكثر كفاءة تعتمد بشكل أساسي على وجود عدد قليل من "نماذج المعلم" باهظة الثمن من شركات مثل OpenAI وGoogle وAnthropic. وبدلاً من تعزيز سوق لا مركزية، قد يُرسّخ هذا بنية إقطاعية يتحكم فيها عدد قليل من "الأسياد" بمصدر المعرفة، بينما يدفع عدد كبير من "التابعين" مقابل الوصول إليها ويطورون خدمات تابعة لها.

استراتيجيات تحسين عمليات الذكاء الاصطناعي

تشمل استراتيجيات التحسين التشغيلي الرئيسية للذكاء الاصطناعي التحسين الفوري، الذي يتضمن صياغة تعليمات أقصر وأكثر دقة لتقليل تكاليف الاستدلال، مما قد يؤدي إلى خفض التكاليف بنسبة تصل إلى 35%، وهو أمر بسيط نسبيًا. يعتمد اختيار النموذج على استخدام نماذج أصغر حجمًا وأقل تكلفة للمهام البسيطة أثناء الاستدلال، مما قد يحقق وفورات تزيد عن 90% مع مستوى مماثل من التعقيد في التنفيذ. يُمكّن التخزين المؤقت الدلالي من إعادة استخدام الاستجابات للاستعلامات المتشابهة، ويقلل من استدعاءات واجهة برمجة التطبيقات بنسبة تصل إلى 70% تقريبًا، ويتطلب جهدًا متوسطًا. يقلل التكميم من الدقة العددية لأوزان النموذج، مما يحسن سرعة الاستدلال واستخدام الذاكرة بمعامل يتراوح بين 2 و4، ولكنه ينطوي على تعقيد تقني كبير. يصف تقطير المعرفة تدريب نموذج صغير بواسطة نموذج "معلم" كبير، مما يقلل حجم النموذج بشكل كبير مع الحفاظ على أداء مماثل، وهذا النهج معقد للغاية. يستخدم RAG (التوليد المعزز بالاسترجاع) قواعد بيانات معرفية خارجية في وقت التشغيل، ويتجنب إعادة التدريب المكلفة، ويتميز بتعقيد متوسط ​​إلى عالٍ. وأخيرًا، يوفر LoRA (محولات الرتبة المنخفضة) ضبطًا دقيقًا فعالًا للمعلمات أثناء التدريب ويمكنه تقليل تكاليف التدريب بنسبة 70-90٪، ولكنه يرتبط أيضًا بتعقيد عالٍ.

ديناميكيات السوق وتوقعاتها: الاندماج والمنافسة ومستقبل الذكاء الاصطناعي

تدفق رأس المال الاستثماري: عامل مسرّع للاندماج

يشهد قطاع الذكاء الاصطناعي حاليًا تدفقًا غير مسبوق لرأس المال الاستثماري، مما يُحدث تأثيرًا دائمًا على ديناميكيات السوق. ففي النصف الأول من عام 2025 وحده، تدفقت 49.2 مليار دولار من رأس المال الاستثماري إلى الذكاء الاصطناعي التوليدي على مستوى العالم، متجاوزةً بذلك إجمالي الاستثمارات لعام 2024 بأكمله. وفي وادي السيليكون، مركز الابتكار التكنولوجي، تُشكل استثمارات الذكاء الاصطناعي حاليًا 93% من إجمالي الاستثمارات في الشركات الناشئة سريعة النمو.

مع ذلك، لا يؤدي هذا التدفق الهائل لرأس المال إلى تنويع واسع النطاق في السوق. بل على العكس، يتركز المال بشكل متزايد في عدد قليل من الشركات الراسخة بالفعل، وذلك من خلال جولات تمويل ضخمة. تهيمن صفقات مثل جولة التمويل البالغة 40 مليار دولار لشركة OpenAI، واستثمار 14.3 مليار دولار في Scale AI، وجولة التمويل البالغة 10 مليارات دولار لشركة xAI على المشهد. وبينما تضاعف متوسط ​​حجم صفقات المراحل المتأخرة ثلاث مرات، انخفض التمويل المخصص للشركات الناشئة في مراحلها المبكرة. لهذا التطور عواقب وخيمة: فبدلاً من أن يكون رأس المال الاستثماري في قطاع الذكاء الاصطناعي محركاً للابتكار اللامركزي، فإنه يُسرّع من مركزية السلطة والموارد بين عمالقة التكنولوجيا الراسخين وشركائهم المقربين.

يُفاقم الهيكل التكاليفي الباهظ لتطوير الذكاء الاصطناعي هذا التوجه. فمنذ البداية، تعتمد الشركات الناشئة على البنية التحتية السحابية والأجهزة باهظة الثمن لشركات 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 صورة مدفوعات مقابل قوة الحوسبة. وبالتالي، لا يُنشئ رأس المال الاستثماري منافسين مستقلين، بل يُموّل عملاء عمالقة التكنولوجيا، مما يُعزز منظومتهم ومكانتهم في السوق. وغالبًا ما تستحوذ الشركات الكبرى في نهاية المطاف على أنجح الشركات الناشئة، مما يُسرّع من تركيز السوق. وهكذا، تتطور منظومة الشركات الناشئة في مجال الذكاء الاصطناعي لتصبح بمثابة قناة فعلية للبحث والتطوير واستقطاب المواهب لصالح "السبعة الكبار". ولا يبدو أن الهدف النهائي هو سوق مزدهر يضم العديد من اللاعبين، بل احتكار قلة مُحكم تسيطر فيه بضع شركات على البنية التحتية الأساسية للذكاء الاصطناعي.

موجة عمليات الاندماج والاستحواذ ومعركة العمالقة

بالتوازي مع تركز رأس المال الاستثماري، تجتاح السوق موجة هائلة من عمليات الاندماج والاستحواذ. وقد ارتفع حجم معاملات الاندماج والاستحواذ العالمية إلى 2.6 تريليون دولار أمريكي بحلول عام 2025، مدفوعًا بالاستحواذ الاستراتيجي على الخبرات في مجال الذكاء الاصطناعي. وتُعدّ "السبعة الرائعة" محور هذا التطور، حيث تستغل احتياطياتها المالية الضخمة للاستحواذ استراتيجيًا على الشركات الناشئة الواعدة، والتقنيات المتطورة، ومجموعات المواهب المتميزة.

بالنسبة لهذه الشركات، لا يُعدّ الهيمنة على مجال الذكاء الاصطناعي خيارًا، بل ضرورة استراتيجية. فنماذج 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 كلٌّ من هذه الشركات العملاقة إلى احتكار عالمي لهذا النموذج الجديد لضمان قيمتها السوقية وأهميتها المستقبلية. وتؤدي هذه المنافسة الشرسة بين الشركات العملاقة إلى سوق استحواذ عدوانية تجعل من الصعب على الشركات المستقلة البقاء والتوسع.

التوقعات الاقتصادية: بين معجزة الإنتاجية وخيبة الأمل

تتسم التوقعات الاقتصادية طويلة الأجل لتأثير الذكاء الاصطناعي بتناقض كبير. فمن جهة، هناك تنبؤات متفائلة تبشر بعصر جديد من نمو الإنتاجية. وتشير التقديرات إلى أن الذكاء الاصطناعي قد يزيد الناتج المحلي الإجمالي بنسبة 1.5% بحلول عام 2035، ويعزز النمو الاقتصادي العالمي بشكل ملحوظ، لا سيما في أوائل العقد الثالث من القرن الحالي. بل إن بعض التحليلات تتوقع أن تُدرّ تقنيات الذكاء الاصطناعي أكثر من 15 تريليون دولار من الإيرادات العالمية الإضافية بحلول عام 2030.

من جهة أخرى، تبرز حقيقة قاتمة. فكما سبق تحليله، لا ترى 95% من الشركات حاليًا أي عائد استثمار ملموس من استثماراتها في الذكاء الاصطناعي. وفي دورة غارتنر للضجيج الإعلامي، وهي نموذج مؤثر لتقييم التقنيات الجديدة، دخل الذكاء الاصطناعي التوليدي بالفعل "مرحلة خيبة الأمل". في هذه المرحلة، يتلاشى الحماس الأولي ليحل محله إدراك أن التطبيق معقد، وأن الفوائد غالبًا ما تكون غير واضحة، وأن التحديات أكبر من المتوقع. هذا التباين بين الإمكانات طويلة الأجل والصعوبات قصيرة الأجل سيؤثر على التنمية الاقتصادية في السنوات القادمة.

ذو صلة بهذا الموضوع:

• كفاءة الذكاء الاصطناعي بدون استراتيجية للذكاء الاصطناعي كشرط أساسي؟ لماذا لا ينبغي للشركات الاعتماد بشكل أعمى على الذكاء الاصطناعي؟

الفقاعة والاحتكار: الوجه المزدوج لثورة الذكاء الاصطناعي

يكشف تحليل الأبعاد المختلفة لازدهار الذكاء الاصطناعي عن صورة شاملة معقدة ومتناقضة. يقف الذكاء الاصطناعي اليوم عند مفترق طرق حاسم. فالمسار الحالي القائم على التوسع المفرط - نماذج أكبر فأكبر تستهلك كميات هائلة من البيانات والطاقة - يثبت أنه غير مستدام اقتصاديًا وبيئيًا. المستقبل للشركات التي تتقن التمييز بين الضجة الإعلامية والواقع، وتركز على خلق قيمة تجارية ملموسة من خلال أنظمة ذكاء اصطناعي تتسم بالكفاءة والموثوقية والمسؤولية الأخلاقية.

تتسم ديناميكيات التوحيد أيضاً ببعد جيوسياسي. إذ تتعزز هيمنة الولايات المتحدة في قطاع الذكاء الاصطناعي من خلال تركيز رأس المال والمواهب. فمن بين 39 شركة ناشئة عالمية رائدة في مجال الذكاء الاصطناعي، تتخذ 29 منها من الولايات المتحدة مقراً لها، ما يمثل ثلثي استثمارات رأس المال المخاطر العالمية في هذا القطاع. ويتزايد صعوبة مواكبة أوروبا وغيرها من المناطق لتطوير النماذج الأساسية. ويخلق هذا تبعيات تكنولوجية واقتصادية جديدة، ويجعل السيطرة على الذكاء الاصطناعي عاملاً جيوسياسياً رئيسياً، يُضاهي السيطرة على أنظمة الطاقة أو الأنظمة المالية.

يختتم التقرير بالاعتراف بمفارقة جوهرية: صناعة الذكاء الاصطناعي هي في آنٍ واحد فقاعة مضاربة على مستوى التطبيقات، حيث تعمل معظم الشركات بخسارة، وتحول جذري احتكاري على مستوى البنية التحتية، حيث تجني قلة من الشركات أرباحًا طائلة. ويتمثل التحدي الاستراتيجي الرئيسي لصناع القرار في عالم الأعمال والسياسة خلال السنوات القادمة في فهم هذه الطبيعة المزدوجة لثورة الذكاء الاصطناعي وإدارتها. لم يعد الأمر مجرد تبني تقنية جديدة، بل إعادة تعريف القواعد الاقتصادية والاجتماعية والجيوسياسية للعبة في عصر الذكاء الاصطناعي.

☑️ لغة أعمالنا هي الإنجليزية أو الألمانية

☑️ جديد: مراسلات بلغتك الأم!

 

يسعدني أنا وفريقي أن نكون متاحين لكم بصفتنا مستشاركم الشخصي.

يمكنكم التواصل معي عبر ملء نموذج الاتصال هنا wolfenstein@xpert.digital:أو الاتصال بي مباشرةً على الرقم +49 7348 4088 965. عنوان بريدي الإلكتروني هو

أتطلع إلى مشروعنا المشترك.

 

 

☑️ دعم الشركات الصغيرة والمتوسطة في مجالات الاستراتيجية والاستشارات والتخطيط والتنفيذ

☑️ إنشاء أو إعادة تنظيم الاستراتيجية الرقمية والتحول الرقمي

☑️ توسيع وتحسين عمليات المبيعات الدولية

☑️ منصات التداول العالمية والرقمية بين الشركات

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

مجالات التركيز الصناعية: الأعمال التجارية بين الشركات، والتحول الرقمي (من الذكاء الاصطناعي إلى الواقع الممتد)، والهندسة الميكانيكية، والخدمات اللوجستية، والطاقات المتجددة، والصناعة

للمزيد من المعلومات، انقر هنا:

• مركز أعمال الخبراء

مركز متخصص يقدم رؤى وخبرات:

• منصة معرفية تغطي الاقتصادات العالمية والإقليمية والابتكار والاتجاهات الخاصة بكل صناعة
• مجموعة من التحليلات والرؤى والمعلومات الأساسية من مجالات تركيزنا الرئيسية
• مكانٌ للخبرة والمعلومات حول التطورات الحالية في مجال الأعمال والتكنولوجيا
• مركز للشركات التي تسعى للحصول على معلومات حول الأسواق والتحول الرقمي والابتكارات الصناعية