مشكلة تريليون دولار للذكاء الاصطناعي

مع دخولنا عام 2025، تقف ngành الذكاء الاصطناعي عند نقطة انعطاف حاسمة. في حين أن الصناعة لا تزال تجذب مستويات غير مسبوقة من الاستثمار والانتباه – خاصة داخل منظومة الذكاء الاصطناعي التوليدي – تشير بعض الديناميات السوقية الكامنة إلى أننا ننتقل نحو تغيير كبير في منظومة الذكاء الاصطناعي في العام القادم.

استنادًا إلى خبرتي في قيادة شركة بدء تشغيل الذكاء الاصطناعي ومشاهدتي للتطور السريع للصناعة، أعتقد أن هذا العام سيعزز العديد من التغييرات الأساسية: من نماذج المفاهيم الكبيرة (LCMs) المتوقعة أن تظهر كمنافسين جديين لنماذج اللغة الكبيرة (LLMs)، وارتفاع الأجهزة المتخصصة للذكاء الاصطناعي، إلى شركات التكنولوجيا الكبيرة التي تبدأ في بناء البنية التحتية للذكاء الاصطناعي والتي ستوفر لهم في النهاية الفرصة لمواجهة شركات بدء تشغيل مثل OpenAI وAnthropic – ومن الممكن أن تؤمن احتكار الذكاء الاصطناعي بعد كل شيء.

التحدي الفريد لشركات الذكاء الاصطناعي: لا البرمجيات ولا الأجهزة

ال vấnة الأساسية تكمن في كيفية عمل شركات الذكاء الاصطناعي في منطقة وسطية غير مسبوقة بين شركات البرمجيات التقليدية وشركات الأجهزة. على عكس شركات البرمجيات النقية التي تستثمر بشكل رئيسي في رأس المال البشري مع نفقات تشغيل منخفضة نسبيًا، أو شركات الأجهزة التي تقوم باستثمارات رأس المال طويلة الأجل مع مسارات واضحة للعائد، تواجه شركات الذكاء الاصطناعي مزيجًا فريدًا من التحديات التي تجعل نماذج التمويل الحالية غير آمنة.

تتطلب هذه الشركات مصاريف كبيرة مسبقًا لاستثمار في مجموعات GPU والبنية التحتية، حيث تنفق 100-200 مليون دولار سنويًا على موارد الحوسبة وحدها. ومع ذلك، على عكس شركات الأجهزة، لا يمكنها تحمل هذه الاستثمارات على مدى فترات طويلة. بدلاً من ذلك، تعمل على دورات مضغوطة مدتها عامان بين جولات التمويل، حيث تحتاج في كل مرة إلى إظهار نمو أسي واداء حدي để تبرر تقييم القيمة التالي.

مشكلة تمييز نماذج اللغة الكبيرة

يضاف إلى هذا التحدي الهيكلي اتجاه مثير للقلق: التلاشي السريع لقدرات نماذج اللغة الكبيرة (LLMs). أظهرت الشركات الناشئة، مثل شركة Mistral AI، أن النماذج المفتوحة المصدر يمكن أن تحقق أداءً قابلاً للمقارنة مع نظيراتها المغلقة المصدر، ولكن التمايز التقني الذي برر في السابق التقييمات المالية المرتفعة يصبح أكثر صعوبة في الحفاظ عليه.

باختصار، في حين أن كل نموذج لغة جديد يفتخر بأداء مثير للإعجاب بناءً على المعايير القياسية، فإن التحول الكبير في هيكل النموذج الأساسي لا يحدث.

الlimitations الحالية في هذا المجال تنبع من ثلاثة مجالات حرجة: توافر البيانات، حيث نفذنا من المواد التدريبية عالية الجودة (كما أكدها إيلون ماسك مؤخرًا)؛ طرق الترتيب، حيث تتبنى جميعها نهجًا مشابهًا لتعليقات الإنسان التي طورتها OpenAI؛ و الهيكل الحسابي، حيث تعتمد على مجموعة محدودة من أجهزة GPU المتخصصة.

ما يظهر هو نمط حيث يأتي المكاسب بشكل متزايد من الكفاءة بدلاً من الحجم. تركز الشركات على ضغط المزيد من المعرفة في أقل عدد من الرموز وتطوير أفضل نماذج هندسية، مثل أنظمة الاسترجاع مثل RAGs (الاسترجاع المعزز بالتوليد). في الأساس، نحن نقترب من هضبة طبيعية حيث يؤدي رمي المزيد من الموارد في المشكلة عائدات متضائلة.

بسبب وتيرة الابتكار غير المسبوقة في العامين الماضيين، يحدث تلاشي قدرات LLMs بسرعة أكبر مما توقع أي شخص، مما يخلق سباقًا ضد الوقت للشركات التي جمعت الأموال.

استنادًا إلى أحدث اتجاهات البحث، فإن الجبهة التالية لمواجهة هذه القضية هي ظهور نماذج المفاهيم الكبيرة (LCMs) كهيكل جديد ثوري يتنافس مع LLMs في مجالهم الأساسي، وهو فهم اللغة الطبيعية (NLP).

من الناحية الفنية، ستتمتع LCMs بعدة مزايا، بما في ذلك إمكانية الأداء الأفضل بعدد أقل من التكرارات و khảية تحقيق نتائج مشابهة بفرق أقل. أعتقد أن هذه النماذج LCMs الجديدة سوف يتم تطويرها وتسويقها بواسطة فرق انشقاق، المشهورة بـ “مخترقي التكنولوجيا الكبيرة” الذين يؤسسون شركات بدء تشغيل جديدة لقيادة هذه الثورة.

اختلاف جدول زمني الربحية

أدى ضغط دورات الابتكار إلى مشكلة حرجة أخرى: عدم تطابق الجدول الزمني للوصول إلى السوق والربحية المستدامة. في حين نشهد سرعة غير مسبوقة في تطبيق تطبيقات الذكاء الاصطناعي – مع وكلاء صوت الذكاء الاصطناعي، على سبيل المثال، الانتقال من概念 إلى منتجات توليد الإيرادات في أشهر فقط – يخفي هذا التطبيق السريع مشكلة أعمق.

فكر في هذا: شركة بدء تشغيل الذكاء الاصطناعي تقدر ب 20 مليار دولار اليوم سوف تحتاج إلى توليد حوالي مليار دولار في الإيرادات السنوية في غضون 4-5 سنوات لتبرير الخروج العام عند ضربة معقولة. هذا يتطلب ليس فقط التميز التكنولوجي ولكن أيضًا تحولًا جذريًا في نموذج العمل كله، من التركيز على البحث والتطوير إلى التركيز على المبيعات، مع الحفاظ على وتيرة الابتكار وإدارة التكاليف الهائلة للبنية التحتية.

في هذا السياق، الشركات الناشئة الجديدة التي سوف تظهر في عام 2025 سوف تكون في وضع أفضل لجمع التمويل، مع تقييمات أولية أقل تجعلها أهدافًا أكثر جاذبية للمستثمرين.

نقص الأجهزة وبدائل جديدة

لنلق نظرة أقرب على البنية التحتية بشكل خاص. اليوم، كل مجموعة جديدة من GPU يتم شراؤها قبل بنائها من قبل اللاعبين الكبار، مما يضطر اللاعبين الصغار إلى الالتزام بعقود طويلة الأجل مع مزودي الخدمات السحابية أو المخاطرة بالخروج من السوق تمامًا.

ولكن ما يثير الاهتمام حقًا هو أن هناك تحولًا مثيرًا في منظومة الأجهزة التي لا تزال مخفية إلى حد كبير. هيكل GPU الحالي، الذي يسمى GPGPU (GPU للغرض العام)، غير فعال للغاية لما تحتاجه الشركات في الإنتاج. إنه مثل استخدام كمبيوتر فائق لتشغيل تطبيق حاسوب.

هذا هو السبب في أنني أعتقد أن الأجهزة المتخصصة للذكاء الاصطناعي سوف تكون التغيير الكبير التالي في صناعتنا. الشركات، مثل Groq وCerebras (CBRS ) ، تبني أجهزة محددة للإستدلال التي تُشغل بأقل تكلفة بخمس مرات من GPUs التقليدية. نعم، هناك تكلفة هندسية أعلى في البداية لتحسين نماذجك لهذه المنصات، ولكن للمؤسسات التي تعمل حمولة إستدلال كبيرة، المكاسب في الكفاءة واضحة.

كثافة البيانات وارتفاع النماذج الأصغر والأكثر ذكاء

الانتقال إلى الجبهة التالية للابتكار في الذكاء الاصطناعي سوف يتطلب ليس فقط قوة حسابية أكبر – خاصة لنماذج كبيرة مثل LCMs – ولكن أيضًا مجموعات بيانات أكثر ثراء وشمولا.

من المثير للاهتمام أن النماذج الأصغر والأكثر كفاءة بدأت في تحدي النماذج الأكبر من خلال الاستفادة من كيفية تدريبها بكثافة على البيانات المتاحة. على سبيل المثال، تعمل نماذج مثل Microsoft’s (MSFT ) FeeFree أو Google’s Gema2B مع معلمات أقل – غالبًا حول 2 إلى 3 مليار – وتحقق مستويات أداء قابلة للمقارنة مع نماذج أكبر بكثير مع 8 مليارات معلمة.

تكون هذه النماذج الأصغر منافسة بسبب كثافة البيانات العالية، مما يجعلها قوية尽管 حجمها الصغير. هذا التحول نحو نماذج مضغوطة ولكن قوية يتوافق مع المزايا الاستراتيجية التي تتمتع بها شركات مثل Microsoft وGoogle: الوصول إلى مجموعات بيانات ضخمة ومتنوعة من خلال منصات مثل Bing وGoogle Search.

يكشف هذا الديناميك عن حربين حرجتين في تطور الذكاء الاصطناعي: واحدة على القوة الحاسوبية وواحدة على البيانات. في حين أن الموارد الحاسوبية ضرورية لتحقيق التطور، أصبحت كثافة البيانات مساوية في الأهمية، إن لم تكن أكثر أهمية. الشركات التي تملك وصولاً إلى مجموعات بيانات ضخمة تتمتع بميزة فريدة لتدريب نماذج أصغر بكفاءة ومتانة غير مسبوقة، مما يعزز سيطرتهم على منظومة الذكاء الاصطناعي المتطورة.

من سيفوز بحرب الذكاء الاصطناعي؟

في هذا السياق، الجميع يحب أن يتساءل من هو الأفضل في المناظر الحالية للذكاء الاصطناعي للخروج منتصرًا. ها هي بعض الأفكار.

الشركات التكنولوجية الكبيرة كانت تشتري كل مجموعة GPU جديدة قبل بنائها، مما يخلق بيئة نادرة لللاعبين الصغار. طلب Oracle ل 100,000+ GPU والحركات المماثلة من Meta وMicrosoft تظهر هذا الاتجاه.

بعد استثمار مئات المليارات في مبادرات الذكاء الاصطناعي، هذه الشركات تحتاج إلى آلاف من مهندسي ومحققين الذكاء الاصطناعي المتخصصين. هذا يخلق طلبًا غير مسبوق على المواهب يمكن إشباعه فقط من خلال عمليات الاستحواذ الاستراتيجية – مما يؤدي احتمالًا إلى امتصاص العديد من الشركات الناشئة في الأشهر القادمة.

في حين أن عام 2025 سوف ينفق على أبحاث وتطوير البنية التحتية على نطاق واسع لهؤلاء الممثلين، فإنهم سوف يكونون في وضع مهاجم مثل hiç لم يكونوا به من قبل بحلول عام 2026، بفضل الموارد التي لا مثيل لها.

هذا لا يعني أن الشركات الصغيرة للذكاء الاصطناعي محكوم عليها بالهلاك – بالعكس. سوف تواصل الصناعة الابتكار وتوليد القيمة. بعض الابتكارات الرئيسية في القطاع، مثل LCMs، سوف يقودها ممثلو الصغار الناشئين في العام القادم، إلى جانب Meta وGoogle/Alphabet (GOOG ) وOpenAI مع Anthropic، جميعهم يعملون على مشاريع مثيرة في الوقت الحالي.

然而، من المحتمل أن نشهد إعادة هيكلة أساسية لكيفية تمويل شركات الذكاء الاصطناعي وتقييمها. مع أن رأس المال الاستثماري يصبح أكثر تمييزًا، سوف تحتاج الشركات إلى إظهار مسارات واضحة إلى اقتصاديات الوحدة المستدامة – وهو تحد خاص لأعمال مفتوحة المصدر التي تتنافس مع بديلات مملوكة مملوكة.

对于 شركات الذكاء الاصطناعي مفتوحة المصدر بشكل خاص، قد يتطلب المسار الأمامي التركيز على تطبيقات رأسية محددة حيث توفر شفافيتها وقدرات التخصيص ميزات واضحة على الحلول المملوكة.