.DeepSeek الانحرافات: لماذا البنية التحتية الأصلية للذكاء الاصطناعي، وليس النماذج، ستحدد نجاح الشركات

تخيل محاولة قيادة سيارة فيراري على طرقات متضررة. مهما كانت سرعة السيارة، فإن إمكانياتها الكاملة تذهب هباءً بدون أساس قوي يدعمها. هذا المثال يلخص المشهد الحالي للذكاء الاصطناعي في الشركات. غالبًا ما تنتظر الشركات نماذج جديدة مثل DeepSeek-R1 أو OpenAI o1 بينما تهمل أهمية البنية التحتية لاستخراج القيمة منها. بدلاً من التركيز فقط على من يبني النماذج الأكثر تقدمًا، تحتاج الشركات إلى البدء في الاستثمار في بنية تحتية قوية ومتنوعة وأمنية تمكنها من العمل بشكل فعال مع أي نموذج للذكاء الاصطناعي، والتكيف مع التقدم التكنولوجي، وحماية بياناتها.

مع إصدار DeepSeek، نموذج لغة كبير متقدم للغاية مع أصول مثيرة للجدل، تهيمن على الصناعة حاليًا两个 سؤالان:

• هل DeepSeek حقيقي أم مجرد دخان وأضواء؟
• هل استثمرنا أكثر من اللازم في شركات مثل OpenAI وNVIDIA؟

التعليقات على تويتر بطريقة مهزومة تشير إلى أن DeepSeek يفعل ما تفعله التكنولوجيا الصينية أفضل من غيرها: “قريب جدًا من الجودة، ولكن بأقل تكلفة”. البعض يقول إنها تبدو слишком جيدة لدرجة أنها لا تصدق. بعد شهر من إطلاقها، انخفض سوق NVIDIA (NVDA ) بما يقرب من 600 مليار دولار، ويقترح موقع Axios أن هذا قد يكون حدثًا على مستوى الانقراض لشركات رأس المال الاستثماري. أصوات كبيرة تتساءل عما إذا كان هناك حاجة لالتزام مشروع Stargate باستثمار 500 مليار دولار في البنية التحتية المادية للذكاء الاصطناعي، بعد أسبوع فقط من الإعلان عنه.

والآن، أعلنت شركة Alibaba عن نموذج يزعم أنه يتفوق على DeepSeek!

نماذج الذكاء الاصطناعي هي جزء فقط من المعادلة. إنها الكائن الجديد الملمع، وليست الحزمة الكاملة للشركات. ما يفتقر إليه هو البنية التحتية الأصلية للذكاء الاصطناعي.

النموذج الأساسي هو مجرد تكنولوجيا – تحتاج إلى أدوات قادرة على التفاعل مع الذكاء الاصطناعي لتحويله إلى مورد أعمال قوي. مع تطور الذكاء الاصطناعي بسرعة البرق، قد يصبح النموذج الذي تتبناه اليوم عفا عليه الزمن غدًا. ما تحتاجه الشركات حقًا ليس فقط “الأفضل” أو “الأحدث” نموذج للذكاء الاصطناعي، ولكن الأدوات والبنية التحتية للتعامل بسلاسة مع نماذج جديدة واستخدامها بشكل فعال.

ما إذا كان DeepSeek يمثل 혁신ًا مدمرًا أو هype مبالغًا فيه ليس السؤال الحقيقي. بدلاً من ذلك، يجب على المنظمات وضع شكوكها جانبًا وسؤال نفسها عما إذا كانت لديها البنية التحتية الصحيحة للذكاء الاصطناعي للبقاء قوية مع تحسن النماذج وتغييرها. وهل يمكنها التبديل بسهولة بين النماذج لتحقيق أهدافها التجارية دون إعادة هندسة كل شيء؟

النماذج مقابل البنية التحتية مقابل التطبيقات

للفهم أفضل لدور البنية التحتية، ضع في اعتبارك المكونات الثلاث لاستخدام الذكاء الاصطناعي:

1. النماذج: هذه هي محركات الذكاء الاصطناعي – نماذج اللغة الكبيرة مثل ChatGPT وGemini وDeepSeek. تقوم هذه النماذج بأداء مهام مثل فهم اللغة وتصنيف البيانات والتنبؤات والمزيد.
2. البنية التحتية: هذا هو الأساس الذي تعمل عليه نماذج الذكاء الاصطناعي. يتضمن الأدوات والتكنولوجيا والخدمات المدارة اللازمة لإدماج النماذج وإدارتها وتوسيع نطاقها مع التوجيه حسب الاحتياجات التجارية. هذا يشمل عادةً التكنولوجيا التي تركز على الحوسبة والبيانات وتنسيق التكامل. تقدم شركات مثل Amazon وGoogle البنية التحتية لتشغيل النماذج وأدوات للتكامل في حزمة تكنولوجيا الشركة.
3. التطبيقات / الحالات الاستخدامية: هذه هي التطبيقات التي يرىها المستخدمون النهائيون والتي تستخدم نماذج الذكاء الاصطناعي لتحقيق نتيجة تجارية. هناك مئات من العروض التي تدخل السوق من الشركات الراسخة التي تثبت الذكاء الاصطناعي على التطبيقات الحالية (مثل Adobe وMicrosoft Office مع Copilot) ومنافسيها الأصليين للذكاء الاصطناعي (Numeric وClay وCaptions).

في حين أن النماذج والتطبيقات غالبًا ما تحظى باهتمام كبير، تعمل البنية التحتية بquietly لتمكين كل شيء من العمل معًا بسلاسة وتوفر الأساس لطريقة عمل النماذج والتطبيقات في المستقبل. إنها تضمن أن الشركات يمكنها التبديل بين النماذج وتحقيق القيمة الحقيقية للذكاء الاصطناعي – بدون كسر البنك أو تعطيل العمليات.

لماذا البنية التحتية الأصلية للذكاء الاصطناعي مهمة للغاية

كل نموذج للغة كبير يتفوق في مهام مختلفة. على سبيل المثال، ChatGPT جيد للغاية في الذكاء الاصطناعي المحادثاتي، بينما يتم تصميم Med-PaLM للاجابة على أسئلة طبية. مناظر الذكاء الاصطناعي مشتعلة لدرجة أن النموذج الأفضل أداء اليوم قد يغيب عنه المنافس الأفضل والأرخص غدًا.

بدون بنية تحتية مرنة، قد تجد الشركات نفسها محاصرة في نموذج واحد، غير قادرة على التبديل بدون إعادة بناء حزمتها التكنولوجية بالكامل. هذا موقف مكلف وغير فعال. من خلال الاستثمار في بنية تحتية غير معتمدة على النموذج، يمكن للشركات دمج أفضل الأدوات لاحتياجاتها – سواء كان ذلك الانتقال من ChatGPT إلى DeepSeek أو تبني نموذج جديد يُطرح الشهر القادم.

النموذج الذي يعتبر حديقة اليوم قد يصبح عفا عليه الزمن في غضون أسابيع. فكّر في التطورات المادية مثل وحدات معالجة الرسومات – الشركات لن تحل محل نظام الحوسبة بالكامل لآخر وحدة معالجة رسومات؛ بدلاً من ذلك، ستحافظ على أنظمة يمكنها التكيف مع وحدات معالجة رسومات أحدث بسلاسة. نماذج الذكاء الاصطناعي تتطلب نفس المرونة. البنية التحتية المناسبة تضمن أن الشركات يمكنها ترقية أو تبديل نماذجها بدون إعادة هندسة سير العمل بالكامل.

معظم أدوات الشركات الحالية لم تُبنَ مع الذكاء الاصطناعي في الاعتبار. معظم أدوات البيانات – مثل تلك الموجودة في حزمة التحليلات التقليدية – مصممة للتعامل اليدوي مع البيانات من خلال الكود. إعادة بناء الذكاء الاصطناعي في هذه الأدوات الحالية غالبًا ما يخلق عدم كفاءة ويحد من إمكانات النماذج المتقدمة.

أدوات الذكاء الاصطناعي الأصلي، من ناحية أخرى، تم بناؤها خصيصًا للتفاعل بسلاسة مع نماذج الذكاء الاصطناعي. إنها تبسط العمليات وتقلل الاعتماد على المستخدمين الفنيين وتستفيد من قدرة الذكاء الاصطناعي على معالجة البيانات واستخراج معلومات قابلة للتنفيذ. يمكن لحلول الذكاء الاصطناعي الأصلي أن تجرد البيانات المعقدة وتجعلها قابلة للاستخدام من قبل الذكاء الاصطناعي لأغراض الاستعلام أو التصور.

الركائز الأساسية لنجاح البنية التحتية للذكاء الاصطناعي

لضمان استعداد أعمالك للمستقبل، أعد ترتيب هذه العناصر الأساسية للبنية التحتية للذكاء الاصطناعي:

طبقة التمثيل البياني للبيانات

فكر في الذكاء الاصطناعي كـ “طفل خارق”. إنه قوي للغاية ولكنه يحتاج إلى حدود واضحة ووصول محدد إلى بياناتك. تعمل طبقة التمثيل البياني للبيانات الأصلي كبوابة خاضعة للرقابة، مما يضمن أن نماذج اللغة الكبيرة تصل فقط إلى المعلومات ذات الصلة وتتبع بروتوكولات الأمان المناسبة. يمكنها أيضًا تمكين الوصول المنتظم إلى البيانات الوصفية والسياق بغض النظر عن النماذج التي تستخدمها.

الوضوح والثقة

مخرجات الذكاء الاصطناعي يمكن أن تشعر وكأنها صناديق سوداء – مفيدة، ولكن من الصعب الثقة بها. على سبيل المثال، إذا قام نموذجك بتلخيص ستة أشهر من شكاوى العملاء، تحتاج إلى فهم ليس فقط كيف تم التوصل إلى هذه النتيجة، ولكن أيضًا النقاط المحددة من البيانات التي أبلغت عن هذه النتيجة.

يجب أن تتضمن البنية التحتية الأصلة للذكاء الاصطناعي أدوات توفر الوضوح والمنطق – مما يسمح للأشخاص بمتابعة مخرجات النموذج إلى مصادرها، وفهم سبب مخرجاتها. هذا يعزز الثقة وضمان نتائج متكررة وثابتة.

الطبقة الدلالية

تنظم البيانات بحيث يمكن للبشر والذكاء الاصطناعي التفاعل معها بطرق直观. إنها تجرد التعقيد الفني للبيانات الخام وتقدم معلومات أعمال ذات معنى كسياق للنماذج اللغة الكبيرة عند الإجابة على أسئلة أعمال. يمكن لطبقة دلالية مغذية جيدًا أن تقلل بشكل كبير من هلوسات النماذج اللغة الكبيرة.

على سبيل المثال، يمكن لتطبيق نموذج اللغة الكبيرة مع طبقة دلالية قوية ليس فقط تحليل معدل انحراف العملاء، ولكن أيضًا شرح سبب مغادرة العملاء، بناءً على مشاعر العلامات في تقييمات العملاء.

المرونة والقدرة على التكيف

تحتاج بنيتك التحتية إلى تمكين المرونة – مما يسمح للمنظمات بالتبديل بين النماذج أو الأدوات بناءً على الاحتياجات المتطورة. يمكن أن توفر منصات مع архيتكتشر موديولار أو خطوط أنابيب هذه المرونة. تسمح هذه الأدوات للشركات باختبار وتحديث نماذج متعددة في نفس الوقت وتنمية الحلول التي تظهر أفضل عائد على الاستثمار.

طبقات الحوكمة للمساءلة في الذكاء الاصطناعي

حوكمة الذكاء الاصطناعي هي العمود الفقري لاستخدام الذكاء الاصطناعي المسؤول. تحتاج الشركات إلى طبقات حوكمة قوية لضمان استخدام النماذج بطريقة أخلاقية وأمنية وضمن الإرشادات التنظيمية. تدير حوكمة الذكاء الاصطناعي ثلاثة أشياء.

• مراقبة الوصول: من يمكنه استخدام النموذج وما البيانات التي يمكنه الوصول إليها؟
• الشفافية: كيف يتم توليد الإخراجات ويمكن مراجعة توصيات الذكاء الاصطناعي؟
• تخفيف المخاطر: منع الذكاء الاصطناعي من اتخاذ قرارات غير مخولة أو استخدام البيانات الحساسة بشكل غير صحيح.

تخيل سيناريو حيث يتم منح نموذج مفتوح المصدر مثل DeepSeek الوصول إلى مكتبات الوثائق في SharePoint. بدون حوكمة في مكانها، يمكن لـDeepSeek الإجابة على أسئلة قد تشمل بيانات شركة حساسة، مما قد يؤدي إلى انتهاكات أو تحليلات خاطئة تضر بالأعمال. تقلل طبقات الحوكمة من هذا الخطر، مما يضمن أن يتم نشر الذكاء الاصطناعي بشكل استراتيجي وأمنيًا في جميع أنحاء المنظمة.

لماذا البنية التحتية مهمة بشكل خاص الآن

لنعد إلى DeepSeek. بينما يبقى تأثيره على المدى الطويل غير مؤكد، من الواضح أن المنافسة العالمية للذكاء الاصطناعي تزداد حرارة. لا يمكن للشركات التي تعمل في هذا المجال أن تعتمد بعد الآن على افتراضات أن بلدًا أو بائعًا أو تكنولوجيا معينة ستحافظ على السيادة للأبد.

بدون بنية تحتية قوية:

• تكون الشركات أكثر عرضة للعثور على نفسها مع نماذج قديمة أو غير فعالة.
• يصبح التحول بين الأدوات عملية استهلاكية للوقت والاستهلاك.
• تفتقر الفرق إلى القدرة على مراجعة وثقة وفهم إخراجات أنظمة الذكاء الاصطناعي بوضوح.

البنية التحتية لا تجعل تبني الذكاء الاصطناعي أسهل فحسب، بل také تفك قوته الكاملة.

ابنِ الطرق بدلاً من شراء المحركات

نماذج مثل DeepSeek وChatGPT أو Gemini قد تلقى عناوين الرئيسية، ولكنها جزء فقط من لغز الذكاء الاصطناعي الأكبر. يعتمد نجاح الشركات الحقيقي في هذا العصر على بنية تحتية قوية ومستقبلية للذكاء الاصطناعي تمكنها من التكيف والمرونة.

لا تُلهِك ب “فيراري” نماذج الذكاء الاصطناعي. ركز على بناء “الطرقات” – البنية التحتية – لضمان نجاح شركتك الآن وفي المستقبل.

لبدء استغلال الذكاء الاصطناعي مع بنية تحتية مرنة ومتنوعة ومصممة حسب احتياجات أعمالك، حان الوقت للعمل. ابقَ متقدمًا على المنحنى واكفئ من أن تكون منظمتك مستعدة لما يأتي التكنولوجيا الذكاء الاصطناعي في المستقبل.