اقتصاد جديد للذكاء الاصطناعي مبني على الرموز — ولكننا نحسبها بشكل خاطئ

هناك تحول يحدث في الذكاء الاصطناعي يدركه معظم الناس ولكنهم لا يفهمونه بشكل كامل بعد: لقد انتقلنا من العدّ إلى الرموز.

في عصر الويب، قمنا بقياس الأنظمة بالطلبات في الثانية. كان ذلك نظيفًا و直forwardًا ومقبولًا بشكل عام. جاء طلب، خرج استجابة، ويمكنك تحسين البنية التحتية حول ذلك النموذج.

ذلك التمثيل قد انتهى.

في الذكاء الاصطناعي، الوحدة الأساسية لم تعد الطلب — إنها الرمز. كل استفسار، كل استجابة، وكل سلسلة من التفكير يتم تقسيمها إلى رموز، تمثل العمل الذي تقوم به النظام، والتكلفة التي تتحملها، والقيمة التي تُنشأ بشكل متزايد.

بشكل طبيعي، ركزت الصناعة على هذا التحول، وقدمت مقاييس مثل الرموز في الثانية، والتكلفة لكل رمز، وحتى الإيراد لكل رمز. يبدو أننا وجدنا أخيرًا طريقة لقياس أنظمة الذكاء الاصطناعي. لكن ذلك التمثيل غير كامل.

اختصار الصناعة: الرموز تساوي القيمة

هناك رواية متزايدة تقول إن الرموز هي العملة الجديدة للذكاء الاصطناعي — أن المزيد من الرموز يعني المزيد من الذكاء، وبالتالي المزيد من الإيراد. هذه فكرة مقنعة، ولكنها تبسط ما يحدث فعليًا داخل هذه الأنظمة.

ليست جميع الرموز متساوية. بعض الرموز تمثل عملًا حقيقيًا: تحليل البيانات، وتوليد معلومات، وتنفيذ سير عمل، ودعم قرارات تؤثر على النتائج التجارية. بينما تكون الرموز الأخرى أقل معنى — إنشاء محتوى غير رسمي، أو تجارب، أو حالات استخدام لا تصل إلى الإنتاج.

يمكنك رؤية ذلك بالفعل داخل الشركات. قد يولد فريق ما ملايين الرموز لدعم إنتاجية المطورين أو عمليات العملاء، مما يؤثر بشكل مباشر على الكفاءة والإيراد. بينما قد يولد فريق آخر نفس حجم الرموز في التجارب مع أدوات لا تتجاوز الاستكشاف الداخلي. على الورق، يبدو عدد الرموز متطابقًا. في الواقع، القيمة التجارية مختلفة تمامًا.

معاملة جميع الرموز على أنها وحدات قابلة للتبادل من القيمة يخلق نظرة مشوهة لما يفعله الذكاء الاصطناعي فعليًا داخل المنظمة. لا يتم بناء الشركات على حجم الرموز؛ إنها تبني على ما تمكن تلك الرموز من تحقيقه.

للفهم تلك الفروق، عليك النظر تحت السطح إلى كيفية عمل هذه الأنظمة.

لماذا الاستفسار الثاني أسرع من الأول

إذا كنت استخدمت أداة مثل ChatGPT، لاحظت على الأرجح أن الاستفسار الثاني أسرع من الأول. ذلك السلوك ليس بسبب أن النموذج أصبح أكثر ذكاء — إنما بسبب كيفية استعادة النظام للسياق من الاستفسارات السابقة.

أنظمة الذكاء الاصطناعي الحديثة لا تعالج كل طلب بشكل منفرد. إنها تبني السياق، وتخزين الاستفسارات والاستجابات السابقة في الذاكرة، غالبًا في ما يسمى بذاكرة KV. تلك الذاكرة تقع بالقرب من وحدة معالجة الرسومات حتى يمكن الوصول إليها بسرعة عند توليد استجابات متابعة.

الطلب الأول مكلف لأنها تهيئ ذلك الحالة — تخصيص الذاكرة، ومعالجة الإدخال، وإنشاء السياق. الطلبات اللاحقة تستفيد من ذلك الحالة، مما يقلل من التأخير ويعزز الاستجابة.

تزداد أهمية ذلك الديناميكية مع توسع نوافذ السياق من آلاف إلى مئات الآلاف — أو حتى ملايين الرموز. كلما احتفظ النظام بالسياق، زادت الضغوط على الذاكرة والبنية التحتية، مما يجعل من القرار حول ما يتم تخزينه أو ضغطه أو إهماله أمرًا حرجًا.

من منظور المستخدم، يبدو النظام أسرع. من منظور البنية التحتية، إنها معادلة معقدة بين الذاكرة والتأخير والتكلفة.

هنا يحدث العمل الحقيقي — ليس فقط في النموذج نفسه، ولكن في النظام المحيط به.

القيود النهائية: الطاقة

بمجرد أن تتجاوز أداء النموذج، تتغير المحادثة بسرعة.

الفرق بين الفرق التي تعمل على الذكاء الاصطناعي في المقايسة لا يسأل في المقام الأول عن أفضل نموذج. إنه يسأل عن كيفية استدامته.

بنية تحتية الذكاء الاصطناعي تدفع ضد الحدود المادية — توافر الطاقة، وسعة التبريد، وسرعة نقل الذاكرة. يتم إعادة تصميم مراكز البيانات حول تلك القيود، والمنظمات التي تنشر أنظمة الذكاء الاصطناعي على نطاق واسع تبدأ في العمل مثل خدمات المرافق أكثر من الشركات البرمجية التقليدية.

نحن نرى ذلك بالفعل في الشركات الكبيرة التي تبني بنية تحتية للذكاء الاصطناعي، حيث تصبح الطاقة والتبريد — وليس قدرة النموذج — العوائق الرئيسية.

أحمال العمل للذكاء الاصطناعي لا تتوسع بشكل نظيف أو قابل للتنبؤ. إنها تزيد الطلب عبر الحوسبة والذاكرة والشبكات في نفس الوقت. توليد المزيد من الرموز ليس مجرد إضافة المزيد من وحدات معالجة الرسومات — إنها مسألة ما إذا كانت البنية التحتية الأساسية قادرة على دعم الحمل الحراري والطاقة المطلوبة لتشغيل تلك الأنظمة بكفاءة.

تتجاوز تكلفة توليد رمز ما الحوسبة. تشمل الكهرباء، والتبريد، والبنية التحتية المادية، والقدرة على الحفاظ على الأداء تحت الحمل دون انخفاض.

معظم مناقشات “التكلفة لكل رمز” لا تعكس تمامًا هذه الواقعية. على نطاق واسع، تصبح الطاقة الميزانية، وليس مجرد بند آخر.

المستقبل ليس أنظمة أكبر — إنها أنظمة أفضل

خلال السنوات القليلة الماضية، ركزت الصناعة على مقارنات النماذج، والنظر إلى البنود، والترتيب، والتحسينات المتتالية في القدرة.

ذلك التركيز يبدأ في التغيير.

في بيئات الإنتاج، الأداء أقل حول النموذج الذي تختاره وأكثر حول كيفية استخدامه. المنظمات تتحرك نحو أنظمة من النماذج — دمج النماذج الكبيرة والصغيرة، وتوجيه المهام بذكاء، وضبط التكلفة والتأخير والإنتاجية عبر سير العمل بأكمله.

بدلاً من إرسال كل طلب إلى نموذج كبير واحد، تقسم الأنظمة الأحمال إلى مكونات أصغر. يمكن التعامل مع المهام البسيطة بواسطة نماذج أكثر كفاءة، في حين يتم حجز التفكير المعقد أكثر لمنظومات أكبر. يتم إعادة استخدام السياق حيثما أمكن، وتطبيق استراتيجيات التخزين بشكل حثيث.

تلك القرارات غالبًا ما تؤثر على الأداء والتكلفة أكثر من تغيير النموذج من واحد إلى آخر. في ذلك السياق، الرموز لا تزال وحدة العمل، ولكن النظام الذي يولد ويدارها يصبح الفارق الحقيقي.

الطبقة الأكثر إهمالا في أنظمة الذكاء الاصطناعي

غالبًا ما يُوصف الذكاء الاصطناعي بالنماذج من جهة والتطبيقات من جهة أخرى، ولكن الطبقة بينهما هي حيث يعيش معظم التعقيد والفرصة.

تلك الطبقة لا تنقل الطلبات فقط — إنها تشكلها. تحدد كيفية تدفق المرور، وكيفية تطبيق القرارات، وكيفية سلوك الأنظمة تحت الظروف الحقيقية.

لا يمكن التعامل مع التوصيل والأمان على أنهما vấnتان منفصلتان هنا. نفس الطبقة التي توجيه الطلبات وإدارة السياق هي أيضًا حيث يتم تطبيق السياسات، وتخفيف المخاطر، وتأسيس الثقة.

كلما نمت التعقيدات، انهارت حلول النقاط. ما هو مطلوب هو منصة موحدة يمكنها تنسيق تلك الوظائف في الوقت الفعلي، بدلاً من خياطتها معًا بعد ذلك.

هنا يتم اتخاذ القرارات. هنا يتم التحكم في التكلفة، وتحسين الأداء، وتطبيق قرارات الأمان في الوقت الفعلي. كلما نمت أنظمة الذكاء الاصطناعي، أصبحت تلك الطبقة أكثر أهمية. إنها الفرق بين نظام يعمل جيدًا في العرض التوضيحي ونظام يعمل بشكل موثوق وفعّال في الإنتاج. ذلك التحول له آثار حقيقية على كيفية تصميم المنظمات وتشغيل أنظمة الذكاء الاصطناعي.

ما يعنيه ذلك للمنظمات

كما تنتقل المنظمات الذكاء الاصطناعي إلى الإنتاج، السؤال ليس فقط عن النموذج الذي يجب استخدامه — إنما عن كيفية تصميم النظام حولها ليعمل.

ذلك يعني التفكير وراء مقاييس الرموز وقياسات أداء النموذج، والتركيز على كيفية توجيه الطلبات، وكيفية إدارة السياق، وكيفية تطبيق السياسات عبر سير العمل بأكمله.

معظم المنظمات لا تزال تجميع تلك القطع — ويتحلل ذلك النهج تحت ضغط الإنتاج الحقيقي.

نحن نحسب الشيء الخطأ

الرموز توفر تمثيلًا مفيدًا. توفر للصناعة طريقة لقياس شيء كان يبدو غير ملموس، ولكنها ليست الصورة الكاملة.

الآن، تتجه الصناعة نحو ما هو أسهل في القياس — عدد الرموز، والمدى، ومقاييس التكلفة — بدلاً من ما يهم أكثر. بدون السياق، يمكن أن تكون تلك الأرقام مضللة.

المرحلة القادمة من الذكاء الاصطناعي لن تحدد من يولد أكبر عدد من الرموز. سوف تحدد من يفهم ما تمثل تلك الرموز، ومن يمكنه بناء أنظمة تحولها إلى نتائج معنوية، وفعالة، ومتوسعة.

لأن الرموز في النهاية ليست المنتج. إنها مجرد ناتج عن إنشاء الذكاء.

ف AI لن تحدد من يولد أكبر عدد من الرموز. سوف تحدد من يفهم ما تمثل تلك الرموز، ومن يمكنه بناء أنظمة تحولها إلى نتائج معنوية، وفعالة، ومتوسعة. لأن في النهاية، الرموز ليست المنتج. إنها مجرد ناتج عن إنشاء الذكاء.