مفترق طرق الذكاء الاصطناعي: لماذا تقول وول ستريت "لا" لـ ChatGPT وكلود؟

المؤلف: جيف @IOSG

لماذا هناك حاجة إلى الذكاء الاصطناعي الخاص

في الأول من يوليو، أدلى أليكس كارب، الرئيس التنفيذي لشركة بالانتير، بتصريحٍ استمر 20 دقيقة على قناة CNBC، وصفته بعض وسائل الإعلام بأنه "انهيارٌ عقلي". ووفقًا لكارب، تدفع الشركات مبالغ رمزية إضافية للمختبرات المتطورة بينما تشاهد ملكيتها الفكرية تتسرب إلى موردي النماذج. وأشار إلى هذا التسريب بمصطلح "نقل ألفا"، الذي يحدث على مستوى البنية: فكل طلب يُرسل إلى نموذج مغلق المصدر يصل إلى خادم مزود الخدمة كنصٍ عادي. قبل أيامٍ قليلة من بث البرنامج، أعلنت بالانتير عن شراكة مع NVIDIA لتشغيل نماذج Nemotron مفتوحة المصدر في بيئات يتحكم بها العملاء، مصحوبةً بإعلانٍ من تسع نقاط حول سيادة الذكاء الاصطناعي. بعد بث برنامج CNBC، ارتفع سهم PLTR بنسبة 8%.

على مدى العشرين عامًا الماضية، اعتمدت الشركات برمجيات الحوسبة السحابية القائمة على الثقة على مستوى البروتوكول، وقد أثبتت هذه الاستراتيجية نجاحها. لا يرى كل مزود لبرمجيات SaaS سوى جزء من بيانات المؤسسة، ومعظمهم لا يملك حافزًا يُذكر لإعادة دمج بيانات العملاء في منتجاتهم الأساسية. فشركة Salesforce ترى قنوات المبيعات، وشركة Workday ترى الموارد البشرية، وشركة Jira ترى دورات التطوير، وشركة AWS توفر البنية التحتية للتخزين والحوسبة. مع ذلك، تدعو عمليات الذكاء الاصطناعي الحالية إلى تحميل جميع الأصول لمرة واحدة، بالإضافة إلى السياق المنظم الذي يربط بين مختلف الأقسام، سعيًا لتحقيق أقصى قدر من الإنتاجية. وبغض النظر عن حسن النية، يمكن لمزودي الخدمات الآن استخدام هذه البيانات لتطوير ميزات جديدة بدلًا من تركها مُهملة على الخوادم.

لا أحد يُبطئ من وتيرته؛ فقد بلغت إيرادات شركة أنثروبيك السنوية 47 مليار دولار في مايو، قفزة نوعية من 9 مليارات دولار في نهاية عام 2025، بينما تجاوز عدد مستخدمي أوبن إيه آي النشطين أسبوعيًا 900 مليون مستخدم في فبراير. وقد أكملت الشركتان جولات تمويل جديدة هذا الربيع، بتقييمات تقترب من تريليون دولار، ومن المتوقع طرح أسهمهما للاكتتاب العام بتقييمات أعلى. ولم تُؤثر سنوات من الادعاءات المتعلقة بالخصوصية والملكية الفكرية على زخم أيٍّ من الشركتين.

اتخذت بعض الشركات إجراءات بالفعل. ففي فبراير 2023، أي بعد أقل من ثلاثة أشهر من إطلاق ChatGPT، قيّدت بنوك وول ستريت الكبرى استخدامه. وفي مايو 2023، وبعد أن سرّب مهندس من سامسونج شفرة المصدر لشريحة إلى ChatGPT، حظرت الشركة الذكاء الاصطناعي التوليدي عبر شبكتها. واستجابةً لذلك، أطلقت OpenAI برنامج ChatGPT Enterprise في أغسطس من ذلك العام، متعهدةً بعدم استخدام البيانات التجارية للتدريب، إلى جانب بروتوكول عدم الاحتفاظ بالبيانات (ZDR)، والذي أصبح فيما بعد شرطًا أساسيًا لعمليات الشراء المؤسسية.

مع ذلك، لا تُقيّد العقود سوى حسابات الشركة. وقد وجدت شركة IBM أنه بحلول عام 2025، كان الذكاء الاصطناعي غير المصرح به (حيث يقوم الموظفون بتغذية أدوات الذكاء الاصطناعي غير المصرح بها ببيانات الشركة عبر حساباتهم الشخصية) متورطًا في خُمس حوادث اختراق البيانات، وأن الاستخدام المكثف للذكاء الاصطناعي غير المصرح به أضاف ما متوسطه 670 ألف دولار إلى تكاليف الاختراق. وفي استطلاع أجرته شركة التدريب الأمني "أناغرام" عام 2025، أشار أربعة موظفين إلى استعدادهم لانتهاك سياسات استخدام الذكاء الاصطناعي لإنجاز المهام بشكل أسرع.

بإمكان الشركات على الأقل إنفاق المال للخروج من هذا المأزق، من خلال عقود ZDR ومستويات الخدمة التي لا تشمل التدريب، وإذا كنت جهة حكومية أو عميلاً لشركة بالانتير، فهناك خيارات نشر سيادية. مع ذلك، بالنسبة للمستخدمين العاديين مثلي ومثلك، تبقى أهمية الذكاء الاصطناعي الخاص بالخصوصية موضع نقاش حتى يتم استدعاءك للمحكمة.

أجبر أمر قضائي صدر في مايو 2025 شركة OpenAI على الاحتفاظ حتى بسجلات محادثات المستخدمين التي حذفوها، وفي نوفمبر من العام نفسه، أمر قاضٍ بتسليم 20 مليون سجل من هذه السجلات إلى محامي صحيفة نيويورك تايمز كدليل. ثم تلتها قضايا جنائية: فقد قُبلت سجلات ChatGPT الخاصة بالمتهم في قضية حريق باليسيدز كدليل، كما أشارت إفادة خطية في قضية قتل مزدوج في فلوريدا إلى أسئلة المشتبه به حول كيفية التخلص من جثة. واعترف سام ألتمان أيضًا في مقابلة أجريت معه في يوليو 2025 بأن محادثات ChatGPT غير محمية بالامتياز القانوني، وأنه في حال التقاضي، قد يُطلب من OpenAI تسليم سجلات محادثات المستخدمين.

الفكرة الأساسية هي أن الحاجة إلى المحادثات الخاصة لا تقتصر على المجرمين فقط. فحفظ المحادثات بين البشر والذكاء الاصطناعي، وإخضاعها لأوامر الاستدعاء، يمثل جانبًا من جوانب المراقبة يجهله معظم المستخدمين. وقد أظهر استطلاع رأي أجرته شركة كولموغوروف للمحاماة في أكتوبر 2025، وشمل 1000 مستخدم أمريكي للذكاء الاصطناعي، أن 50% منهم لم يكونوا على دراية بإمكانية استدعاء هذه المحادثات، بينما اعتقد ثلثاهم أن هذه المحادثات يجب أن تحظى بنفس الحماية التي تحظى بها الاستشارات مع المحامين أو الأطباء.

تتطور النماذج ذاتية الاستضافة أو مفتوحة المصدر التي تعمل في بيئات قابلة للتحقق بسرعة، لكن أفضلها لا تزال متأخرة عن أحدث النماذج مغلقة المصدر بنحو أربعة أشهر من حيث القدرات العامة. هذا يضع الشركات والأفراد المنخرطين في استغلال الرموز المميزة أمام خيارين: إما التضحية ببضعة أشهر من جودة النموذج مقابل هذه الخصوصية، أو الاستمرار في تحميل المواد الحساسة إلى خوادم أنثروبيك، حيث يحقق المنافسون مزايا إنتاجية بهذه الطريقة.

لا توجد حاليًا حلول مثالية في السوق. ويُبين تقريرٌ محاولات جهاتٍ مختلفة لتضييق الفجوة، ويُلاحظ مدى بُعد وصول أحدث المعلومات الاستخباراتية، في ظل خصوصية قابلة للإثبات، إلى الشركات والمستخدمين العاديين.

كيف يتم تحقيق الخصوصية حالياً

لا يُعدّ الذكاء الاصطناعي الخاص بالخصوصية مشروعًا واحدًا، ولكن جميع الآليات المتوفرة حاليًا في السوق تعالج نفس المشكلة: إرسال طلب عبر جهازك، ثمّ عبوره الشبكة، وصولًا إلى جهاز يُشغّل النموذج، ثمّ إرسال ردّ. يكمن الاختلاف بين الآليات في مكان وجود النصّ الأصلي على طول هذا المسار، ومن يمكنه قراءته هناك، وما يُستخدم للتحقّق من خصوصية الردّ.

الخصوصية على مستوى البروتوكول

في هذا المستوى، بالإضافة إليك، يمكن للآخرين قراءة نصك العادي، وما يحدث بعد ذلك يعتمد كلياً على وعد.

يُعدّ نظام الاحتفاظ بالبيانات التعاقدي الحل الأمثل للمؤسسات. يعرف مزود الخدمة هويتك، ويعالج طلبك، ويتعهد بعدم الاحتفاظ به، وهو ما يضمنه العقد والسمعة الطيبة.

تُخفي الخوادم الوكيلة المجهولة هويتك، لكنها لا تُشفّر ما تقوله؛ إذ لا يزال مزودو الخدمات يتعاملون مع النصوص غير المشفرة وفقًا لسياساتهم الخاصة. وتختلف الشروط باختلاف المزود؛ فعلى سبيل المثال، قد يتفاوض Duck.ai (منتج روبوت الدردشة الخاص بـ DuckDuckGo) على اتفاقيات حذف مع موردي النماذج، بينما تفترض Venice أن المستخدمين سيفترضون أن مزود الخدمة سيحتفظ بكل شيء، لكن لا يمكن لأي من الطرفين التحقق من ذلك.

يعمل كل جزء من مسار البيانات بين الأجهزة باستخدام بروتوكول TLS، الذي يُشفّر فقط مسار البيانات؛ إذ يمكن للمُستقبِل قراءة جميع المعلومات. تستخدم خوادم الترحيل عادةً بروتوكول OHTTP غير المُدرك (RFC 9458) لفصل حق المعرفة هذا، تمامًا كما لو كان صديقًا يُمرّر رسالة. يعرف الصديق من مرّرها لكنه لا يستطيع قراءة محتواها؛ بينما يستطيع المُستقبِل قراءة المحتوى لكنه لا يعرف من كتبه. أصبح OHTTP معيارًا معتمدًا من قِبل IETF في يناير 2024، وتُشغّل العديد من الشركات الآن حركة بيانات الإنتاج على خوادم ترحيل OHTTP مُستأجرة من Cloudflare وFastly.

هذا هو أيضًا الحد الأقصى للخصوصية الممكن تحقيقه عند الوصول إلى نماذج مغلقة المصدر، وذلك بسبب مشكلة رياضية. تبلغ التكلفة الحالية للتدريب على مستوى الشركات الرائدة مليارات الدولارات، وتستند تقييمات هذه المختبرات التي تقارب تريليون دولار إلى حصرية أوزان النماذج. تحدد مدة فجوة قدرات النموذج مدةَ هذه الحصرية؛ لذا، تحافظ المختبرات على ملفات الأوزان كأسرار دولة.

أجرت ميتا هذه التجربة بشكل غير مباشر. كان نموذج LLaMA، الذي أُطلق في فبراير 2023، متاحًا في البداية للباحثين فقط، ولكن في غضون أسبوع، سُرّبت بياناته إلى موقع 4chan في شكل بيانات أولية. بعد أسبوع، سمح ملف llama.cpp بتشغيل أصغر نموذج بحجم 7 بايت محليًا على جهاز MacBook، وبعد ثلاثة أيام، حسّنت جامعة ستانفورد مساعد الدردشة Alpaca على نفس النموذج بأقل من 600 دولار. خفّض هذا التسريب تكاليف تشغيل Llama إلى تكلفة الكهرباء فقط، مما سمح لأي شخص يمتلك الملف بتشغيله في المنزل. في يوليو 2023، أتاحت ميتا رسميًا Llama 2 كمصدر مفتوح بترخيص تجاري استثنى شرطًا يتعلق بـ 700 مليون مستخدم نشط شهريًا. تم تشغيل البيانات، وتبع ذلك ارتفاع في سعرها.

نظريًا، يمكن للمختبرات المتطورة تقديم إثبات (دليل عن بُعد) للاستدلال على نماذج مغلقة المصدر، لكن هذا الإثبات لا يُثبت سوى أي جزء من الكود قرأ الطلب، ولا يُثبت ما فعله هذا الكود به. لتحديد ما إذا كان الخادم قد احتفظ بالبيانات، نحتاج إلى تدقيق كود الخدمة وإعادة بنائه إلى قيمة التجزئة التي أبلغ عنها الجهاز. مع ذلك، بمجرد تسليم كود الخدمة، يتخلى المختبر أيضًا عن تقنيات المعالجة الدفعية والتخزين المؤقت التي تدعم هوامش الربح، وستنتقل هذه التقنيات إلى كل جيل لاحق من النماذج. تستطيع شركتا آبل وميتا تقديم دليل عن بُعد لحزم الخدمات التي تدعم آيفون وواتساب لأن أرباحهما تأتي من الأجهزة والإعلانات، ولا يتطلب الكشف العلني عن كود الخدمة أي تكلفة تقريبًا.

لهذا السبب لا تصل أوزان ورموز الخدمة الخاصة بالنماذج الرائدة إلى المشغلين الخارجيين. فبدون هؤلاء المشغلين، لا يوجد توثيق من طرف ثالث؛ وبدون هذا التوثيق، لا تتوفر الخصوصية القابلة للتحقق إلا في النماذج مفتوحة المصدر.
 

الخصوصية على المستوى الهيكلي

كل آلية في هذه الفئة تستبدل وعود الثقة بإثباتات مادية أو تشفيرية أو فيزيائية، ولكن كل منها يتكبد تكاليف مختلفة لترقيات الخصوصية، ويرجع ذلك أساسًا إلى أنها لا تستطيع تشغيل سوى نماذج مفتوحة المصدر.

تقوم بيئة التنفيذ الموثوقة (TEE) للحوسبة السرية بتشغيل الاستدلال داخل معقل الأجهزة (حجرة مغلقة على الشريحة لا يمكن حتى لمشغل الآلة فتحها)؛ وستوقع الشريحة على شهادة توضح بالتفصيل أي نموذج وجزء من التعليمات البرمجية تم تشغيله.

لا يتم إغلاق الطلب إلا عند نقطة النهاية. ويبقى هناك دور على طول المسار الذي يتوسطه الخادم الوكيل، قادر على قراءة النص العادي، والبروتوكول وحده هو الذي يمنع الخادم الوكيل من تسجيل محتوى المرحل أو تسريبه.

تعمل تقنية التشفير من طرف إلى طرف (E2EE) على عزل نقاط الوصول القابلة للقراءة. يقوم جهاز المستخدم بتشفير الرسالة باستخدام مفتاح الشبكة المعزولة، وتحمل كل نقطة وصول بينهما مغلفًا مختومًا لا يمكن فتحه إلا من قبل الشبكة المعزولة.

تقع مسؤولية الثقة على عاتق العميل. فالبرنامج المسؤول عن تشفير الطلب والتحقق من المصادقة يملك أيضاً القدرة على إلغاء هذا الضمان. لذا، يتطلب التشفير التام بين الأطراف القابل للتحقق وجود بيئة آمنة مثبتة وبرنامج عميل مفتوح المصدر وقابل للتكرار.

بالمقارنة مع بساطة بيئة التنفيذ الموثوقة (TEE)، تكمن تكلفة التشفير التام بين الأطراف (E2EE) في العبء الهندسي، مما يُبطئ التكامل الوظيفي. يحوّل التشفير التام بين الأطراف الخادم الوسيط إلى وسيط غير مرئي، لذا يجب إعادة بناء جميع الوظائف التي تعتمد على قراءة النص العادي حول مفتاح العميل أو إعادة بنائها داخليًا فقط ضمن البيئة الآمنة.

يُزيل التشفير المتماثل الكامل (FHE) ومتغيراته (MPC) الطرف الموثوق به تمامًا. يُجري الخادم عمليات حسابية على النص المشفر في صندوق مُغلق لا يمكنه فتحه أبدًا؛ المفتاح موجود فقط في يديك، بينما يقوم الحوسبة متعددة الأطراف (MPC) بتقسيم النص المشفر إلى أجزاء سرية موزعة بين عدة أطراف، محققًا نفس النتيجة ما لم يتآمر جميع المشاركين.

تكمن التكلفة في السرعة. لا يقوم التشفير المتجانس الكامل (FHE) في الأصل إلا بعمليتي الجمع والضرب، لذا يجب إعادة بناء الخطوات غير الخطية اللازمة لتشغيل المحول بتكلفة عالية. تتراوح تكلفة الاستدلال على النص المشفر بين 10,000 و100,000 ضعف تكلفة الاستدلال على النص الأصلي، حيث تستغرق كل وحدة رمزية في النماذج الصغيرة من ثوانٍ إلى دقائق، بينما في ظل ظروف غير مشفرة، لا تستغرق سوى أجزاء من الثانية.

من المتوقع أن تعمل الرقائق المصممة خصيصًا للحوسبة المشفرة على تضييق الفجوة، لكن النموذج الأولي الأول لن يكتمل عرضه التوضيحي حتى أوائل عام 2026، وستستغرق الإصدارات التجارية بضع سنوات أخرى.

يُلغي الاستدلال المحلي هذا المسار مباشرةً. يعمل النموذج على أجهزتك الخاصة، دون الحاجة إلى وسيط أو خادم أو مزود خدمة أو متطلبات تحقق.

تتمثل التكاليف الواضحة في التكلفة وقدرات النموذج. يحقق نموذج gpt-oss-120b نصف أداء نموذج GLM-5.2 تقريبًا في مؤشر التحليل الاصطناعي، لكن حجمه يبلغ 65 جيجابايت، متجاوزًا بذلك سعة ذاكرة الوصول العشوائي للفيديو (VRAM) المجمعة لبطاقتي رسومات ألعاب رائدتين في السوق. ولا يمكن تشغيل نموذج GLM-5.2 كامل الدقة إلا على عقدة مركز بيانات تضم 8 بطاقات، بتكلفة تتجاوز 300 ألف دولار أمريكي لوحدات معالجة الرسومات فقط.

مع ذلك، وبغض النظر عن هذه القيود الهيكلية، فإن تكلفة وضع الاستدلال في بيئات معزولة آخذة في التناقص. في الاستدلال أحادي البطاقة، تُظهر معايير الأداء التي قدمها مزود خدمة الحوسبة السحابية "فالا" أن متوسط فقدان الإنتاجية لوضع البيئة المعزولة H100 يقل عن 7%، ويكاد يكون معدومًا في النماذج الكبيرة لأن التكلفة الرئيسية تكمن في نقل البيانات إلى الشريحة، وليس في الحوسبة داخلها. في الاستدلال متعدد البطاقات، يدعم معالج الرسوميات "بلاكويل" من الجيل التالي من إنفيديا الآن التشفير المباشر لحركة البيانات بين الشرائح، بينما لا يستطيع معالج H100 الأقدم تحقيق التأثير نفسه إلا من خلال التوجيه عبر وحدة المعالجة المركزية المضيفة بسبع عرض النطاق الترددي. تُظهر معايير الأداء الخاصة بإنفيديا على "بلاكويل" أن فقدان الإنتاجية لنموذج 397B في وضع البيئة المعزولة يقل عن 8%. مع هذه التطورات، لم يعد فقدان أداء استدلال الخصوصية قيدًا حاسمًا.

في الواقع، لا تُضيف البيئة المعزولة نفسها أي تكلفة تشغيلية إضافية تقريبًا للمشغل. يأتي كل جهاز H100 بعد عام 2023 مزودًا بوضع البيئة المعزولة، وتتمثل التكلفة الإضافية في انخفاض الإنتاجية الناتج عن التشفير، وليس في رقائق إضافية. حاليًا، لا يزال سعر استئجار وحدات H100 السرية على Azure هو 8.90 دولارًا أمريكيًا في الساعة، بينما يبلغ 6.98 دولارًا أمريكيًا بدون البيئة المعزولة، وهو ما يمثل زيادة بنسبة 27% مقارنةً بمرافق الحوسبة السحابية التقليدية. من ناحية أخرى، يقوم مشغلون مثل Phala، المتخصصون في البيئات المعزولة، بتأجير أجهزة H100 في الوضع السري بدءًا من 3.80 دولارًا أمريكيًا في الساعة، وهو أقل من النطاق السعري الذي يتراوح بين 3.99 دولارًا أمريكيًا و4.29 دولارًا أمريكيًا لبطاقات SXM القياسية من Lambda. في حلول واجهة برمجة التطبيقات المستضافة، تُقدم NEAR AI نقاط نهاية مع شهادة بسعر 0.15 دولارًا أمريكيًا لكل مليون رمز مُدخل و0.55 دولارًا أمريكيًا للإخراج لـ gpt-oss-120b، وهو سعر مُقارن بمسارات النص العادي على Amazon Bedrock وTogether وGroq. حتى بالنسبة للنماذج التي تتطلب التوازي متعدد الرقاقات، فإن أسعار NEAR AI على GLM 5.2 مطابقة لأسعار Fireworks، وعلى Kimi K2.6 الأكبر حجمًا، تكون المدخلات أرخص بنسبة 15٪ والمخرجات أرخص بنسبة 4٪.

على الرغم من أن مزودي استنتاج الخصوصية الجدد هؤلاء قد يحرقون الأرباح للاستحواذ على حصة سوقية (ينطبق هذا على أي شركة في السوق تتطلع إلى النمو)، فإن الاتجاه الهيكلي هو أن تكلفة الخصوصية تتناقص لكل من المستهلكين والمشغلين.

كيف تفوز نماذج المصادر المفتوحة

على الرغم من انخفاض تكلفة الأداء، لا تزال هناك فجوة واضحة بين أحدث النماذج وأفضل نماذج المصادر المفتوحة المتاحة. ولا يزال على أي جهة تسعى لتحقيق أقصى إنتاجية أن تثق في مختبرات الأبحاث المتطورة لضمان عدم سرقة ملكيتها الفكرية.

لا تزال الفجوة قائمة، لكن مختبرات AIA التابعة لشركة Bridgewater وشركة Thinking Machines قدمت حالة في 30 يونيو: نموذج مفتوح تم ضبطه بدقة باستخدام تعليقات الخبراء تفوق في الوقت نفسه على نموذج متطور من حيث الدقة والتكلفة.

في هذه الدراسة، قام الفريق بضبط نموذج Qwen3-235B بدقة على منصة Tinker (خدمة واجهة برمجة التطبيقات المُستضافة من Thinking Machines لضبط النماذج). في البداية، حصلوا على بيانات الشرح من المورّد، ودربوا النموذج في الجولة الأولى باستخدام هذه البيانات، ثم أرسلوا العينات المتباينة إلى فريق الاستثمار في الشركة لإعادة شرحها. استخدم التدريب التعلم المعزز (GRPO) مع ثلاثة تعديلات: التجميع بالتناوب (حيث تتناوب كل مهمة على إنتاج دفعة بيانات)، وخسارة CISPO (التي تحد من مدى تأثير إجابة واحدة على النموذج)، والتقطير على السياسة (الذي يعتمد على نقطة التفتيش المثلى الحالية لضمان عدم تعلم النموذج من نسخ أضعف).

استُمدت جميع المهام من سير العمل اليومي لموظفي الاستثمار: تحديد أهمية مقال إخباري لكبار مسؤولي الاستثمار، وما إذا كانت وثيقة صادرة عن البنك المركزي تشير إلى تغييرات مستقبلية في أسعار الفائدة، ونقطة البداية في استخدام العبارات النموذجية في المستندات أو رسائل البريد الإلكتروني. تم حساب النتائج من مجموعة اختبار مستقلة، حيث بلغ متوسط أداء النماذج المتطورة حوالي 50% في الإجابات على الأسئلة البسيطة، ولم تتجاوز 78.2% في الإجابات على أسئلة الخبراء، وهو أقل من عتبة الـ 80% التي حددها موظفو الاستثمار. أما نموذج Qwen المُعدّل، فقد حقق 84.7%، وهو ما يعني، وفقًا للنص الأصلي، أنه ارتكب أخطاءً أقل بنسبة 29.8% من النموذج الأمثل المتطور، مع انخفاض تكاليف الاستدلال بمقدار 13.8 مرة.

https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

تُظهر هذه الحالة أن النماذج مفتوحة المصدر قد تتفوق من حيث الدقة والتكلفة، لكن عملية التدريب لا تزال غير سرية. فالتعليقات التوضيحية للخبراء المستخدمة في هذه العملية هي بيانات مملوكة لشركة بريدج ووتر، تمر عبر خدمة تينكر الخارجية، لتصل إلى نفس مستوى الثقة الذي يتمتع به بروتوكول ZDR. كما استأجر الصندوق قوة حاسوبية، وتم تشغيل عملية التدريب بالكامل على أجهزة لم يتحكم بها مطلقًا. لا يملك المشترون الراغبون في تطبيق هذه الصيغة دون افتراض الثقة سوى خيارات محدودة للغاية اليوم. يُتيح استئجار مجموعات وحدات معالجة الرسومات (GPU) فقط إمكانية قراءة عملية التدريب لمشغلي الحوسبة السحابية. بينما يحل شراء مجموعة وحدات معالجة الرسومات مشكلة استضافة البيانات، إلا أن التكاليف ترتفع بشكل كبير.

لقد وصل للتوّ مسار المصادقة. في مارس، أطلقت شركتا Workshop Labs وTinfoil منصة Silo، وهي عبارة عن حزمة برمجية لما بعد التدريب تعمل ضمن بيئات Tinfoil المعزولة على عقدة واحدة ذات 8 بطاقات، حيث يتحكم العميل بالمفاتيح بشكل كامل. تشير المقالة إلى أن تكلفة البيئة المعزولة تضيف 11 دقيقة إلى جلسة تدريب مدتها ساعتان، ويمكن لهذه الحزمة استيعاب نموذج يحتوي على تريليون مُعامل (Kimi K2 Thinking) عن طريق تجميد الأوزان الأساسية وتدريب مُهايئات صغيرة عليها فقط. يكمن التحدي في أن التعلم المعزز يتطلب نقل البيانات ذهابًا وإيابًا بين المكونات، وهذا تحديدًا هو مصدر تكاليف البيئة المعزولة.

بعد أقل من شهر من إصدار Silo، استحوذت شركة Thinking Machines على Workshop Labs، وأصبحت جميع المكونات اللازمة لتشغيل حلقة التعلم المعزز التالية على غرار Bridgewater في المنطقة المعزولة تحت إدارة نفس الشركة.

الخصوصية في طبقة تسخير البيانات

هناك مشكلة أخرى تتجاوز جميع آليات الاستدلال الخاصة. تُدير كل آلية من هذه الآليات المسار من المُدخل إلى النموذج، بينما يفتح كل استدعاء لأداة خارجية يبدأه وكيل مسارًا لا يمكن لطبقة الاستدلال الوصول إليه أساسًا. يُفاقم التوجه الحديث نحو هندسة البنية التحتية هذه المشكلة؛ فكل أداة ومخزن ذاكرة ومصدر بيانات مُحيط بالنموذج يُعد وجهة أخرى تقرأ حصتها من سير العمل كنص عادي. تقرأ خوادم التقويم الجداول، وتقرأ خوادم قواعد البيانات الاستعلامات. لا يزال الوكيل المحلي بالكامل بحاجة إلى إرسال مصطلحات البحث كنص عادي إلى محرك البحث إذا أراد أي شيء خارج مجموعة التدريب، لأن الخادم لا يستطيع قراءة النص العادي وبالتالي لا يستطيع الإجابة على الأسئلة.

لا تزال الحلول الشائعة تعتمد افتراضيًا على طبقة البروتوكول. تستخدم شركات مثل Runlayer وMintMCP بوابة مركزية للتحكم في جميع بيانات الأدوات، حيث تخفي المعلومات الشخصية (PII) قبل إرسال الطلبات. كما تحدد البوابة الخوادم المسموح لها باستقبال البيانات، وتحظر الخوادم غير الموثوقة، وتسجل وجهة ومحتوى كل طلب للرجوع إليه لاحقًا. حتى مع وجود عمليات تدقيق مستقلة لهذه الضوابط (SOC 2)، لا تزال خوادم الأدوات بحاجة إلى قراءة الاستعلامات النصية للاستجابة، ويعتمد احتفاظها بنسخ من البيانات على سياسات الاحتفاظ الخاصة بها، والتي تتضاعف مع كل أداة في النظام. علاوة على ذلك، تُعد البوابة نفسها جهة قراءة إضافية تعتمد على الثقة على طول مسار البيانات، بدلًا من التحقق.

تستهدف الحلول الهيكلية الطبقة الوسطى. على سبيل المثال، يستضيف Phala خادم MCP مباشرةً ضمن بيئة تنفيذ موثوقة (TEE)، مما يغطي المحافظ الإلكترونية، وتنفيذ التعليمات البرمجية، ومصادر البيانات، ويتيح للمستخدمين التحقق من بيانات الخصوصية من خلال شهادة بدلاً من الاعتماد على المشغل. مع ذلك، لا تزال الأدوات المستضافة في بيئة التنفيذ الموثوقة بحاجة إلى إرسال استعلامات بنص عادي إلى مزودي الخدمة؛ إذ أن البيئة الآمنة لا تؤمن سوى الوسيط، وليس الوجهة.

لم تتعلم سوى وجهات قليلة الاستجابة دون قراءة البيانات، ولكن فقط للاستعلامات المنظمة. توفر آبل استرجاع المعلومات الخاصة لأجهزة آيفون، مما يسمح بمطابقة أرقام المتصلين مع قواعد بيانات المكالمات المزعجة دون الكشف عن الرقم، وتستخدم مايكروسوفت نفس الآلية لكلمات المرور في متصفح إيدج. يتيح التشفير القابل للاستعلام في مونغو دي بي للعملاء تشفير الحقول قبل مغادرتها، مما يمكّن الخادم من إجراء مطابقة التساوي والنطاق بناءً على النص المشفر فقط.

مع ذلك، بالنسبة لعمليات البحث المفتوحة، لا تزال أفضل الإجابات اليوم تعتمد على الثقة؛ إذ لم يظهر بعد بحث مشفر قابل للتحقق. يعد متصفح Brave بعدم الاحتفاظ بأي بيانات على فهرسه الخاص الذي يضم 40 مليار صفحة (بدلاً من فهرس جوجل)، ولكنه لا يزال يندرج ضمن طبقة البروتوكول. بنى Exa فهرسًا عصبيًا يُضمّن كلمات المستخدم الرئيسية دلاليًا، ويُطابق النتائج بناءً على الدلالات، لكن خطوة التضمين هذه لا تزال تبدأ من نص عادي على خوادم Exa. حققت ورقة Tiptoe الصادرة عن معهد ماساتشوستس للتكنولوجيا عام 2023 تصنيفًا على 360 مليون صفحة ويب دون الكشف عن الاستعلامات، لكن كل عملية بحث تستهلك قدرًا كبيرًا من قوة الحوسبة للخادم، وتختلف جودة التصنيف عن عمليات البحث غير المشفرة. تُقلل ورقة Wally الصادرة عن شركة Apple عام 2024 تكاليف الاتصال بما يصل إلى 31 ضعفًا عن طريق إخفاء الاستعلامات الحقيقية بين استعلامات وهمية، لكن هذه الحسابات لا تصبح رخيصة إلا عند ملايين الاستعلامات المتزامنة، وهو نطاق لا يمتلكه أي نظام بحث خاص حاليًا.

البحث المشفر ممكن؛ لكنه لم يصل بعد إلى مستوى مجدٍ تجارياً من حيث الأداء والسعر.

أوتلوك

يتزايد الطلب على الذكاء الاصطناعي الخاص. تجاوزت شركة Venice AI مؤخرًا 3.5 مليون مستخدم مسجل، وبلغ معدل معالجة البيانات الشهرية 1.3 تريليون رمز، وأتمت جولة تمويل جديدة من الفئة (أ) بقيمة مليار دولار. تُعدّ Proton منافسها المباشر، حيث تجاوز عدد مستخدمي تطبيق الدردشة Lumo التابع لها 10 ملايين مستخدم خلال عام واحد من إطلاقه. أما من حيث البنية التحتية، فتُشغّل Phala حاليًا ما بين 2 و3 مليارات رمز يوميًا على OpenRouter. بينما تقوم Duck.ai بتوجيه gpt-oss-120b وGemma إلى بيئة Tinfoil الآمنة، مما يوفر خصوصية قابلة للتحقق تتجاوز وكلاء المستخدمين. هذا فضلًا عن الاستضافة الذاتية، التي تُعدّ على الأرجح القناة الأكبر للاستدلال الخاص، حيث تعمل النماذج على أجهزة المستخدم نفسه، دون ترك أي أثر للاستخدام.

مع ذلك، لا يزال الذكاء الاصطناعي الخاص بالخصوصية يشغل حيزًا ضئيلاً ضمن الموجة الأوسع للذكاء الاصطناعي السائد، ولن تُسد هذه الفجوة إلا عندما تُلبّي المختبرات المتطورة هذا الطلب بشكلٍ مُتعمّد. في مايو، عالجت جوجل 320 تريليون رمز مميز عبر جميع منتجاتها، ما يعني أن الإنتاجية الشهرية لمنصة فينيسيا تُعادل تقريبًا 18 دقيقة لجوجل. في نوفمبر الماضي، أطلقت جوجل خدمة الحوسبة الخاصة بالذكاء الاصطناعي (PAC)، التي تُشغّل بعض الميزات المُعتمدة على منصة جيميني في بيئات معزولة ومُغلقة من وحدات معالجة Tensor Processing Unit (TPU)، معزولة عن الشركة نفسها، وقد خضع تصميمها لتدقيق مستقل من قِبل مجموعة NCC. لكن المشكلة تكمن في أن خدمة PAC لا تُغطي سوى عدد قليل من ميزات هواتف بيكسل، مثل التوصيات الشخصية والملخصات الصوتية، وليس تطبيقات جيميني التي يستخدمها مئات الملايين. جوجل على استعداد لتسليم التصاميم للمدققين لأن هذه الميزات تُدرّ ربحًا من خلال الأجهزة والإعلانات، وليس من خلال بيع الرموز المميزة.

الحلول المستضافة الحالية ليست مثالية أيضاً. فالمستخدمون الذين يسعون إلى أعلى مستويات الخصوصية عبر التشفير التام بين الأطراف (E2EE) مُضطرون للانتظار حتى يتم إعادة بناء الميزات الجديدة في أماكن لا يستطيع مزودو الخدمة الوصول إليها. ولا تزال أنظمة الحماية الخاصة تعتمد على بروتوكولات طبقة الخدمة. كما أن التدريب اللاحق بأسعار معقولة يتطلب الاعتماد على موردين خارجيين لتحقيق أفضل نتائج الضبط الدقيق. صحيح أن الاستضافة الذاتية تُغني تماماً عن جميع مزودي الخدمة، إلا أن تشغيل أقوى نماذج المصادر المفتوحة محلياً قد يُكلف أكثر من تكلفة المبنى الذي يستضيفها.

بغض النظر عن العيوب، أصبح الذكاء الاصطناعي الخاص خيارًا حقيقيًا وميسور التكلفة، والفجوات المتبقية تتقلص. بالنسبة للمستخدمين العاديين، تُعدّ المحادثات الخاصة المفتوحة على منصتي Lumo وVenice، مع ضمان عدم تسجيل البيانات، مجانية تمامًا، بينما توفر اشتراكات Venice أو Tinfoil، التي تتراوح أسعارها بين 18 و20 دولارًا، نفس المحادثات في بيئات معزولة، بتكلفة لا تتجاوز اشتراك ChatGPT. أما بالنسبة لسير العمل المؤسسي، فقد أصبحت نقاط النهاية المزودة بمصادقة أرخص من استخدام النصوص العادية. يمكن لنقاط النهاية، مثل واجهة برمجة تطبيقات التشفير التام بين الأطراف (E2EE) من NEAR، الآن إدخال سياق مشفر إلى البيئات المعزولة، مع إمكانية تشغيل الذاكرة وتحميل الملفات والتعليمات المخصصة على أساس التشفير التام بين الأطراف. وفيما يتعلق بالتدريب اللاحق مع المصادقة، ستوسع وحدة Vera Rubin NVL72 القادمة من NVIDIA نطاق الحوسبة السرية من عقد Blackwell ذات 8 بطاقات إلى رفوف ذات 72 بطاقة، مما يجعل حلقات التعلم المعزز المتطورة أكثر جدوى دون الكشف عن الملكية الفكرية.

مع ذلك، تكمن القيمة الحقيقية وراء مستويات ضغط الأسعار هذه. فالخصوصية متاحة مجانًا تقريبًا حيثما وُجدت، لكنها لم تشمل سير العمل الآلي السائد. يمتلك المشغلون الذين يركزون على تأجير وبيع البيئات المعزولة ميزةً تنافسيةً على الرقائق القياسية، لا ميزةً حصرية، بينما تتنافس بوابات طبقة البروتوكول جنبًا إلى جنب مع البرمجيات الوسيطة التقليدية. يكمن الجانب القابل للدفاع في النصف الآخر من هذا التقرير الذي لا يزال دون حل: حلقات التدريب المحصورة في البيئات المعزولة، واستدعاءات الأدوات المغلقة من البداية إلى النهاية، وفهارس البحث عن المصطلحات غير المرئية. من يحقق أحد هذه الأمور أولًا سيبيع منتجًا لا يمكن لأي حرب أسعار أن تجعله سلعةً. ينبغي لرأس المال الساعي وراء الذكاء الاصطناعي الخاص بالخصوصية أن يستثمر في سد الثغرات، لا في تلك الميزة التنافسية.

إذن، هل نثق أم نتحقق؟ بالنسبة للمهام التي تتطلب تنفيذًا مكثفًا وتفاعلًا مكثفًا مع الوكلاء، اختر الثقة، لأن كل استدعاء لأداة ما يُرسل بطبيعته نصًا عاديًا إلى وجهات لا يمكن للبيئات المعزولة تأمينها، وتستحق النماذج المتطورة ثمنها في مثل هذه الحالات. أما بالنسبة للتفكير الاستراتيجي الذي يميز شركة عن منافسيها، فاختر التحقق. فالاستراتيجية والتخطيط والحكم المستخلصة من سنوات من الخبرة المهنية هي تحديدًا تلك الميزة التنافسية الفريدة. يكمن الحل في تحسين نماذج المصادر المفتوحة باستخدام هذه الرؤى الخاصة ضمن حدود سيطرة الشركة. في المجالات التي تكمن فيها الميزة التنافسية للشركة، تفوقت النماذج المفتوحة المُحسّنة من قبل الخبراء بالفعل على النماذج المتطورة من حيث الدقة والتكلفة، وتتطور البنية التحتية اللازمة لبنائها في بيئات الخصوصية تدريجيًا.