يتناول برنامج "الألعاب النارية"، الذي نشأ من ميتا، موضوع المصادر المفتوحة مقابل المصادر المغلقة: من سيفوز؟

مُنشئ الفيديو: Silicon Valley Vector
حررته: بيغي، بلوك بيتس

ملاحظة المحرر: مع اقتراب نماذج المصادر المفتوحة بسرعة من أحدث ما توصلت إليه نماذج المصادر المغلقة، واستمرار انخفاض أسعار الاستدلال، تتحول نقاشات الصناعة من "من يملك النموذج الأقوى" إلى "من يستطيع نشر النموذج في بيئة الإنتاج بتكلفة أقل". ومع ذلك، ومع تقارب قدرات النماذج وتزايد استهلاك الرموز المميزة، يبرز سؤال أكثر جوهرية: ما الذي ترغب المؤسسات حقًا في دفعه - مقابل استدعاءات نماذج أرخص، أم مقابل ذكاء مخصص قادر على إنجاز مهام محددة بكفاءة؟

في الآونة الأخيرة، أجرى تساو تشينغيون، مقدم برنامج "إحداثيات وادي السيليكون"، حوارًا مع تشين يوفي، المؤسس المشارك لشركة Fireworks AI. تُقدّم Fireworks، التي تتوسط بين نماذج الذكاء الاصطناعي وتطبيقات المؤسسات، خدماتٍ مفتوحة المصدر لاستنتاج النماذج، وتحسين الأداء، والتخصيص. وبدلًا من مجرد مناقشة إمكانية تفوق البرمجيات مفتوحة المصدر على البرمجيات مغلقة المصدر، تركز ملاحظات تشين يوفي على تطبيقات العالم الحقيقي: أين تذهب الرموز الرقمية، ولماذا تدفع المؤسسات مقابلها، وما الذي لا يزال ينقص النماذج للانتقال من مرحلة إثبات المفهوم إلى مرحلة الإنتاج؟

في هذا الحوار، قام تشين يوفي بتقسيم مسألة "المصدر المفتوح مقابل المصدر المغلق" إلى مجموعة من الأسئلة الهيكلية الأكثر جوهرية: هل يمكن تحويل نمو الرموز إلى إيرادات؟ هل يمكن للقدرات العامة أن تحل محل التراكم الرأسي؟ هل يمكن للنماذج منخفضة السعر أن تجتاز تقييم المؤسسات؟ وكيف يمكن لمنصات الاستدلال أن تكتسب قيمة بين موردي الخدمات السحابية وشركات التطبيقات؟

أولًا، يتباين نطاق استخدام نماذج المصادر المفتوحة وقيمتها التجارية. ففي الماضي، كان اللحاق بالركب من حيث القدرات وأسعار المكالمات المؤشرين الرئيسيين لتنافسية المصادر المفتوحة؛ أما اليوم، فتعالج منصة Fireworks ما يقارب 400-500 جيجابت من الرموز يوميًا، وقد توسع الاستخدام الفعلي لنماذج المصادر المفتوحة بسرعة. مع ذلك، قد يؤدي توفر حركة البيانات المجانية، والدعم الترويجي، وفروقات أسعار النماذج إلى مبالغة إحصائيات الرموز في تقدير بعض الطلبات. قد يستخدم العملاء بكثافة النماذج منخفضة التكلفة، لكنهم مع ذلك يخصصون أعلى ميزانياتهم للنماذج الأكثر فعالية من المصادر المغلقة. هذا يعني أن المرحلة التالية للمصادر المفتوحة لم تعد تقتصر على زيادة حركة البيانات فحسب، بل على إثبات قدرتها على الوصول إلى النماذج المتطورة أو حتى تجاوزها في المهام ذات القيمة العالية، وترجمة مزايا التكلفة إلى استعداد للدفع.

ثانيًا، بدأت النماذج العامة والنماذج المتخصصة في التطور باتجاهات مختلفة. ففي الماضي، كان أي تحديث لنموذج متطور كفيلًا بجعل مجموعة من النماذج المُحسّنة قديمة الطراز؛ أما الآن، فإن التطبيقات المتخصصة، كالقانون والرعاية الصحية والبرمجة، تُراكم تقييمات وبيانات وسير عمل أكثر تفصيلًا، وتتباعد أهداف تحسينها تدريجيًا عن أهداف المختبرات المتطورة. تحتاج النماذج العامة إلى رفع مستوى قدراتها، بينما تحتاج النماذج المتخصصة إلى تقديم نتائج مستقرة ضمن سيناريوهات محدودة. فالأولى قادرة على حل نطاق أوسع من المشكلات، بينما تُدرك الثانية بشكل أفضل كيف يُعرّف المستخدمون "الصحة". وهذا يعني أن عائق دخول الشركات المتخصصة إلى السوق لا يقتصر على امتلاك نموذج مُخصّص فحسب، بل يشمل أيضًا القدرة على ترجمة احتياجات الصناعة باستمرار إلى أنظمة تقييم، وتحديثها بشكل متكرر مع تحديث النموذج الأساسي.

ثالثًا، يتحول العائق الرئيسي أمام نشر الذكاء الاصطناعي في المؤسسات من توفير النماذج إلى قدرات التقييم. ففي الماضي، كان إثبات جدوى النماذج في المؤسسات يعتمد غالبًا على التجارب العملية والتقييم الشخصي؛ أما الآن، ومع دخول الذكاء الاصطناعي في عمليات الإنتاج مثل مراكز الاتصال والبحوث القانونية والمساعدة الطبية، لم يعد الاعتماد على "مظهره الجيد" كافيًا لدعم قرارات الشراء. يجب على المؤسسات معرفة المهام التي يكون فيها النموذج فعالًا، ومتى يفشل، ومقدار التغير في التكلفة والجودة عند التحول من البرمجيات المغلقة المصدر إلى البرمجيات مفتوحة المصدر. لذا، لم يعد التقييم أداة مساعدة، بل أصبح البنية التحتية التي تربط بين الشراء والتدريب ونشر النموذج في بيئة الإنتاج. فمن يستطيع تحديد المهام، ووضع توزيعات الاختبار، وتحديث المعايير باستمرار، هو من يتحكم فعليًا في اختيار النموذج.

رابعًا، تتغير قيمة منصات الاستدلال من مجرد "بيع قوة حوسبة رخيصة" إلى تنظيم النماذج والأجهزة وسير العمل. في الماضي، كان يُفهم تحسين الاستدلال بشكل أساسي على أنه تقليل تكلفة وحدة المعالجة؛ أما الآن، فيمكن للتخزين المؤقت، وتقسيم المهام، وتوجيه النماذج، وإدارة السياق أن تُغير معدلات إنجاز المهام بشكل مباشر. لم تعد النماذج المختلفة بحاجة للتنافس على نفس الموقع، بل يمكنها العمل كمنفذين ومستشارين، على التوالي. وبالتالي، فإن منطق أعمال Fireworks صحيح: فبدلاً من بناء أجهزة ضخمة خاصة بها، تربط الشركة الإيرادات بالاستخدام الفعلي لنماذج العملاء من خلال التدريب والتخصيص والاستدلال المستمر. ومع ذلك، فإن المنافسين الرئيسيين على هذا المسار ليسوا شركات سحابية جديدة منفردة، بل مزودو خدمات سحابية كبار قادرون على التحكم في قوة الحوسبة والبرمجيات ونقاط وصول العملاء في آن واحد.

خامساً، قد لا يؤدي صعود نماذج المصادر المفتوحة بالضرورة إلى إضعاف الطلب على البنية التحتية؛ بل على العكس، قد يُقلل من قيمة طبقة النماذج ويدفع القيمة نحو الاستدلال وقوة الحوسبة. إن استمرار شركات التكنولوجيا العملاقة في زيادة الإنفاق الرأسمالي لا يقتصر على حساب العوائد قصيرة الأجل فحسب، بل يتعلق أيضاً بتقييم المخاطر طويلة الأجل المتمثلة في تفويت دورة الذكاء الاصطناعي. ومع ذلك، بالنسبة لشركات الحوسبة السحابية الجديدة التي تعتمد على التمويل الخارجي، ستظل تكاليف الديون وتأخير المشاريع وفترات الاسترداد تشكل قيوداً أكثر مباشرة. إن انخفاض تكلفة النماذج لا يعني بالضرورة أن بناء وتشغيل أنظمة الذكاء الاصطناعي سيصبح أسهل.

إذا أردنا تلخيص هذه المحادثة في حكم واحد، فسيكون هذا هو: إن اللحاق بنماذج المصادر المفتوحة ليس سوى البداية؛ ستدور المرحلة التالية من تسويق الذكاء الاصطناعي حول التقييم والتخصيص وكفاءة الاستدلال وسير عمل العملاء.

فيما يلي النص الأصلي (تم تعديله لتسهيل القراءة والفهم):

باختصار شديد

تلحق النماذج مفتوحة المصدر بسرعة بالنماذج مغلقة المصدر، لكن نمو الرموز لا يعادل نمو الإيرادات، ولا تزال ميزانيات الشركات تعطي الأولوية للنماذج الأفضل أداءً.

لا يمكن لتقنية التقطير إلا أن تساعد النماذج مفتوحة المصدر على تضييق الفجوة على المدى القصير؛ أما القدرة التنافسية على المدى الطويل فلا تزال تعتمد على التدريب المستقل وبيانات التقييم والمواهب وقوة الحوسبة.

• لم يعد تحديث النماذج العامة بالضرورة يقضي على النماذج الرأسية. فالعوائق في مجالات مثل القانون والرعاية الصحية تتحول من قدرات النموذج إلى التقييم والبيانات وسير العمل.

إن مفتاح نقل الذكاء الاصطناعي المؤسسي من مرحلة إثبات المفهوم (PoC) إلى مرحلة الإنتاج لا يكمن في زيادة عدد خيارات النموذج، ولكن في إنشاء نظام تقييم يمكنه قياس الجودة والتكلفة وحدود الفشل.

توسّع نطاق تحسين الاستدلال من مجرد تقليل تكلفة الرمز المميز الواحد إلى التخزين المؤقت، وتقسيم المهام، وتوجيه النماذج. يسمح تصميم النظام نفسه بتفوق مجموعات نماذج متعددة على نموذج واحد متطور.

تُعد النماذج المخصصة أكثر ملاءمة لمنصات SaaS الرأسية التي تغطي عددًا كبيرًا من العملاء المتشابهين، حيث تفتقر المؤسسات الفردية عادةً إلى توزيع البيانات على نطاق واسع بما فيه الكفاية وقدرات التقييم المستمر.

لا تكمن الميزة التنافسية لشركة Fireworks في امتلاكها لوحدات معالجة الرسومات، بل في ربط التدريب والتخصيص والاستدلال المستمر. ومع ذلك، لا يزال منافسوها الحقيقيون على المدى الطويل هم عمالقة الحوسبة السحابية القادرون على تغطية كامل البنية التكنولوجية.

إن اعتماد نماذج المصادر المفتوحة على نطاق واسع قد لا يقلل بالضرورة من الطلب على الأجهزة؛ بل من المرجح أن يؤدي إلى ضغط أقساط طبقة النموذج وإعادة توزيع قيمة الصناعة على قوة الحوسبة والبنية التحتية للاستدلال وسير العمل المؤسسي.

النقاط الرئيسية للمقابلة

ستواصل المصادر المفتوحة اللحاق بالركب، لكن التقطير ليس حلاً طويل الأمد.

يتألف فريق Fireworks في معظمه من كوادر من بيئة PyTorch التابعة لشركة Meta. وانطلاقًا من خبرتهم السابقة في تطوير أنظمة التشغيل وقواعد البيانات وغيرها من البرامج، لطالما آمن الفريق بأن البرامج القيّمة ستُطرح لها في نهاية المطاف حلول مفتوحة المصدر منافسة. وقد يتطور النموذج الأوسع نطاقًا على مسار مماثل، إلا أن هذه المرحلة من اللحاق بالركب تحدث بوتيرة أسرع مما توقعه تشين يوفي في البداية.

من جهة، لا تزال الإيرادات السنوية المتكررة لشركات نماذج المصادر المغلقة، مثل OpenAI وAnthropic، تنمو بوتيرة متسارعة؛ ومن جهة أخرى، تُسهم نماذج المصادر المفتوحة في الصين والولايات المتحدة في تضييق فجوة القدرات بسرعة، مما يُخفض أسعار الاستدلال بشكل كبير. إن العلاقة بين المصادر المفتوحة والمغلقة ليست علاقة محصلتها صفر، حيث ينمو أحد الطرفين ويتراجع الآخر حتمًا.

فيما يتعلق بتقطير بعض نماذج المصادر المفتوحة باستخدام مخرجات نماذج المصادر المغلقة، يعتقد تشن يوفي أنه على الرغم من أن هذا النهج قد يساعد النماذج على الوصول إلى مستوى عالٍ على المدى القصير، إلا أنه من غير المرجح أن يكون مسارًا موثوقًا به على المدى الطويل. إذ يمكن لموردي المصادر المغلقة تحديث واجهات برمجة التطبيقات وآليات الأمان تدريجيًا للحد من احتمالية استخراج عمليات الاستدلال والبيانات ذات الصلة.

مع ذلك، لا يعتمد تقدم نماذج المصادر المفتوحة كلياً على عملية التقطير. فما دام نظام التقييم يتحسن باستمرار، وتكاليف البيانات تتناقص، وتتوفر الكفاءات الكافية ووحدات معالجة الرسومات والقدرات الهندسية اللازمة، تستطيع فرق المصادر المفتوحة تدريب نماذج تنافسية بشكل مستقل. أما شركات مثل ميتا، بما تملكه من قوة حاسوبية وموارد بشرية، فلا مبرر لديها للحفاظ على فجوة كبيرة مع نماذج المصادر المغلقة المتطورة على المدى البعيد.

لا يعني هذا أن النماذج المغلقة المصدر ستفقد حصتها السوقية. يقارن تشن يوفي بين النظامين وبين أبل وأندرويد: فالأنظمة المفتوحة قد تستوعب نطاق استخدام أوسع، بينما تستطيع المنتجات المغلقة المصدر الرائدة باستمرار الاحتفاظ بالعملاء ذوي القيمة العالية والذين لا يكترثون كثيراً بالسعر، وذلك بالاعتماد على تجربة استخدام مستقرة، وشهرة العلامة التجارية، وثقة العملاء.

تميل عمليات الشراء المؤسسية إلى التحفظ. ويُجسّد المثل القائل "لا أحد يُفصل من عمله لشراء منتجات IBM" هذه العقلية في اتخاذ القرارات خير تجسيد. فما دام العملاء يعتقدون أن شراء النماذج الرائدة ذات المصادر المغلقة هو الخيار الأمثل، تستطيع شركات مثل OpenAI وAnthropic الحفاظ على ميزة تنافسية. وبالمقارنة مع الفجوات التقنية قصيرة الأجل، قد يكون تغيير تصورات المستخدمين وتطوير قدرات دخول السوق أكثر صعوبة.

يتوقع تشن يوفي استمرار نمو الإيرادات السنوية المتكررة للشركات التي تعتمد نموذج المصادر المغلقة، إلا أن هذا الرقم قد لا يعكس بشكل كامل فوائدها الاقتصادية النهائية. فعلى سبيل المثال، قد يتعين تقاسم جزء من الإيرادات مع مزودي الخدمات السحابية، كما أن زيادة الإيرادات السنوية المتكررة لا تُترجم بالضرورة إلى زيادة متناسبة في الإيرادات والأرباح المحاسبية. ولا يمكن تحديد ما إذا كانت القدرة التفاوضية لنماذج المصادر المغلقة قد تراجعت إلا بعد أن تفصح الشركات المعنية عن معلومات مالية أكثر شمولاً.

على المدى البعيد، قد يحقق المصدر المفتوح انتشارًا أوسع، بينما سيستمر المصدر المغلق في السيطرة على الطلب لتحقيق أرباح أعلى. ولا يقتصر ما يحدد الحدود التجارية لكليهما على إمكانيات النموذج فحسب، بل يشمل أيضًا العلامة التجارية، وقنوات التوزيع، وثقة العملاء، وأساليب توزيع الإيرادات.

تتجه الرموز الرقمية نحو المصادر المفتوحة، لكن الإيرادات لا تزال تتبع الأداء.

بحسب تشين يوفي، تعالج منصة فايروركس حاليًا ما يقارب 40 إلى 50 تريليون رمز يوميًا. واستنادًا إلى المعلومات المتاحة للعموم التي ذكرها، يتجاوز هذا الرقم حجم حركة بيانات واجهة برمجة التطبيقات (API) الخاصة بالشركات التي كشفت عنها شركتا جيميني وأوبن إيه آي.

تستمد المنصة متطلباتها الرئيسية من مجالات البرمجة والرعاية الصحية والعمل التعاوني والبحث المعمق. ومن بين هذه المجالات، يتم إعادة تعريف عدد متزايد من المهام التي لم تكن تُعتبر في الأصل برمجة، على أنها "مشكلات برمجية".

تُعدّ برامج المكتب مثل باوربوينت وإكسل أمثلة نموذجية. عندما يتمكن النموذج من تشغيل هذه البرامج عبر التعليمات البرمجية أو الأدوات المنظمة، يُمكن نقل أساليب توليد التعليمات البرمجية الحالية، واستدعاء الأدوات، والتعلم المعزز إلى بيئات العمل المكتبية. كما تقوم العديد من شركات البرمجيات كخدمة (SaaS) المتخصصة بتغليف أدوات القطاع في بيئات يُمكن للنماذج استخدامها، ثم تستخدم التعلم المعزز لتعريف النماذج بسير العمل المحدد.

يصنف تشن يوفي الاحتياجات الحالية بشكل عام إلى نوعين: البرمجة والبحث المعمق. وستجمع التطبيقات القطاعية المختلفة بين هذين النوعين لتشكيل وكلاء متخصصين في سيناريوهات مثل القانون والرعاية الصحية والعمل المكتبي.

وهو متفائل بشكل خاص بشأن منتجات المكاتب التعاونية التي تستهدف المستخدمين غير التقنيين. ففي السابق، كانت معظم موارد الصناعة تُستثمر في احتياجات مجالات العلوم والتكنولوجيا والهندسة والرياضيات، مثل الرياضيات والبرمجة، ولكن من المرجح أن تنمو احتياجات شريحة واسعة من العاملين في مجال المعرفة، مثل إنشاء العروض التقديمية ومعالجة المستندات وإنشاء مقاطع الفيديو، بوتيرة أسرع.

كان تطور الأنظمة الآلية المُشغّلة بالحاسوب أبطأ مما كان متوقعًا. قبل ما يزيد قليلاً عن عام، كان يُعتقد أن هذه المنتجات ستتجاوز واجهات برمجة التطبيقات المعقدة، مما يسمح للمستخدمين بالتفاعل المباشر مع الحواسيب كما لو كانوا بشرًا. مع ذلك، في الواقع، سعت الشركات، في محاولة لخفض التكاليف، إلى تحويل المزيد من سير العمل إلى النصوص البسيطة. نماذج النصوص أرخص وأسهل في دمجها في العمليات الحالية. وبينما قد تكتسب الأنظمة الآلية المُشغّلة بالحاسوب مزيدًا من الانتشار مع انخفاض تكاليف الآلات الافتراضية وتحسن بيئات التشغيل، لا تزال مسارات التحسين المحددة قيد البحث.

مع ذلك، لا يعكس نمو قيمة الرموز بالضرورة قيمتها التجارية. فغالباً ما تتأثر تصنيفات توجيه النماذج العامة بالحصص المجانية والأنشطة الترويجية، وقد يتوافق العدد نفسه من الرموز مع أسعار مختلفة تماماً. ويختلف حجم البيانات التي تولدها النماذج منخفضة السعر عن حجم البيانات التي تولدها النماذج المتطورة باهظة الثمن من حيث الإيرادات.

يعتقد تشن يوفي أن الإيرادات مؤشر أفضل لاختيار العميل الحقيقي من عدد الرموز المميزة. فعندما لا تكون الشركات حساسة للسعر، ستوجه ميزانياتها نحو النماذج الأفضل أداءً. لذا، عندما تساعد شركة فايروركس عملاءها على تخصيص النماذج، فإن هدفها الأساسي عادةً ليس تحقيق "فعالية التكلفة"، بل الوصول إلى مستوى النماذج الرائدة المغلقة المصدر أو حتى تجاوزها في مهام محددة.

يُظهر سوق البرمجة أيضًا تباينًا بين الاستخدام والإيرادات. من المرجح أن يستمر استهلاك الرموز في النمو، ولكن إذا استمر انخفاض أسعار النماذج الشائعة الاستخدام، فإن انخفاض الأسعار سيحفز المزيد من الطلبات، ولكنه لن يؤدي بالضرورة إلى زيادة إيرادات السوق بالتوازي. وكما أن توفر الكهرباء على نطاق واسع لا يعني أن جميع الأرباح تذهب إلى شركات توليد الطاقة، فإن نمو استخدام الذكاء الاصطناعي لا يُجيب بشكل مباشر على سؤال أين تكمن القيمة الحقيقية للصناعة.

في المستقبل القريب، قد يستمر استخدام نماذج المصادر المفتوحة في الازدياد، لكن قدرة الإنفاق المرتبط بها على التوسع بالتوازي تعتمد على مدى استعداد الشركات لاستثمار مواردها في التخصيص. فإذا تمكنت المزيد من الشركات من تمكين نماذج المصادر المفتوحة المُخصصة لمنافسة نماذج المصادر المغلقة في مهام محددة، فسيزداد اعتمادها على المصادر المفتوحة من حيث حجم البيانات والإيرادات؛ أما إذا استمرت تكاليف التخصيص ومعدلات الفشل والقدرات التنظيمية في تشكيل عوائق، فستظل نماذج المصادر المغلقة هي الخيار الأمثل لتلبية معظم الاحتياجات ذات القيمة العالية.

ترفع النماذج ذات الأغراض العامة الحد الأعلى للقدرات، بينما تتراكم حواجز المهام في النماذج الرأسية.

كلما تم إصدار نموذج جديد متطور، يطرح السوق سؤالاً جديداً: هل سيفقد النموذج الذي تستثمر الشركات بياناته وأمواله لتحسينه قيمته بسرعة؟

صرح تشن يوفي بأنه في حين تم استبدال العديد من النماذج المخصصة بالفعل بنماذج أساسية من الجيل الجديد في عام 2025، إلا أن هذا الوضع انخفض بشكل ملحوظ بحلول عام 2026. ويرى أن هذه علامة إيجابية على أن القيمة التجارية للنماذج العمودية تستقر تدريجياً.

والسبب هو أن النماذج العامة والتطبيقات المتخصصة تُحسّن في اتجاهات مختلفة. تحتاج المختبرات الرائدة إلى إثبات قدرة النماذج على حل مشاكل رياضية وعلمية وتطوير الأدوية الأكثر تعقيدًا؛ بينما تركز الشركات المتخصصة في مجالات مثل القانون والرعاية الصحية على احتياجات المستخدمين المحددة، ومعدلات إنجاز المهام، ودقة الاستشهادات، وموثوقية سير العمل.

"إن تطوير وكيل جيد لسوق رأسي محدد وحل فرضية ريمان هما مهمتان مختلفتان تمامًا."

لنأخذ شركة هارفي، المتخصصة في الذكاء الاصطناعي القانوني، كمثال. لا تكمن ميزتها في النموذج الأساسي الذي تستخدمه فحسب، بل أيضاً في تقسيمها للمهام القانونية، ونظام التقييم، ومعالجة البيانات، وعمليات المنتج. وينطبق الأمر نفسه على المجال الطبي؛ إذ تحتاج المنتجات المختلفة إلى وضع معايير محددة بناءً على أساليب عمل الأطباء، ومصادر البيانات، ومتطلبات الدقة.

لا تصبح هذه التقييمات والبيانات غير صالحة تلقائيًا مع إصدار نماذج جديدة. فبعد ترقية النموذج الأساسي، يمكن للشركات المتخصصة في قطاعات محددة نقل بيئات التدريب الحالية لديها إلى النموذج الجديد دون الحاجة إلى إعادة فهم القطاع بأكمله. ومع ازدياد دقة التقييمات ونضج عمليات تنظيف البيانات، تُشكّل النماذج المتخصصة قدرةً تتراكم باستمرار حول مهام محددة.

نظرياً، يمكن لشركات النمذجة المتطورة تركيز مواردها على دخول الأسواق القانونية أو الطبية، والتفوق على المنتجات الحالية في مجال واحد. مع ذلك، قد لا يتوافق هذا النهج مع أهدافها التجارية. فشركات النمذجة العامة تحتاج إلى خدمة قاعدة عملاء واسعة، وقد لا يكون الاستثمار المكثف في قطاع واحد كافياً لدعم حجم السوق والقيمة السوقية التي تطمح إليها.

شبّه تشن يوفي النموذج العام بسلسلة مطاعم تسعى لتلبية أذواق متنوعة، بينما يُشبه النموذج المتخصص مطعمًا يركز على عدد محدود من الأطباق. ولا يُشترط على النموذج المتخصص حل جميع المشاكل؛ فما دام أفضل بكثير من الحل العام في المهمة المستهدفة، فإنه قادر على إنشاء مساحة مستقلة مدفوعة الأجر.

هذه القدرة غير المتوازنة والمتخصصة للغاية هي ما يسميه "الذكاء المجزأ". قد لا يتمكن النموذج القانوني من حل فرضية ريمان، ولكنه قد يتفوق على النماذج الأكبر حجماً والأكثر عمومية في أنواع معينة من المهام القانونية. بالنسبة للشركات، غالباً ما تكون القدرة على إنجاز المهمة بكفاءة أهم من القدرات الأوسع للنموذج.

لا تُناسب النماذج المُخصصة جميع الشركات. ويعتقد تشن يوفي أن أنسب العملاء هم شركات البرمجيات كخدمة (SaaS) المتخصصة في قطاعات محددة والتي تخدم عددًا كبيرًا من المؤسسات المتشابهة، بدلاً من المستشفيات الفردية أو مكاتب المحاماة أو شركات المستخدم النهائي.

تستطيع منصات البرمجيات كخدمة (SaaS) المتخصصة الوصول إلى شريحة واسعة من العملاء، وفهم الاحتياجات المشتركة لمختلف المؤسسات، وإنشاء أنظمة تقييم شاملة تغطي نطاقًا أوسع من الحالات. عادةً ما تفتقر المؤسسات الفردية إلى توزيع بيانات واسع النطاق وقدرات تقييم مستمرة كافية. بدلاً من تدريب النماذج بشكل مستقل، يُفضّل دمج العمليات الداخلية في مهارات أو أدوات أو وكلاء، ثم الاستعانة بنماذج أساسية خارجية لإنجاز المهام.

في مشاريع التعلم المعزز المخصصة، تُعدّ وحدات معالجة الرسومات (GPUs) العامل الرئيسي في التكلفة، لكن البيانات وبيئة التدريب لا تقل أهمية. يجب على الفرق التحقق من وجود أي تلاعب في نظام المكافآت - أي استغلال ثغرات التقييم للحصول على درجات عالية دون إكمال المهمة فعليًا - مع ضمان بيئة تدريب مستقرة قابلة للتوسع.

لا يشترط بالضرورة أن تضم بيئة التدريب الأولية مئات الآلاف من المسارات. فقد ذكر تشن يوفي أن ألف بيئة تدريب كافية لبدء التعلم المعزز، حيث يقوم النموذج باستكشاف وتوليد عدد كبير من المسارات بشكل متكرر أثناء التدريب. وبافتراض أن كل خطوة تدريب تُنفذ 128 مرة في بيئة واحدة، فإن ألف نقطة بيانات أولية يمكن أن تولد ما يقارب 128,000 مسار تدريبي.

لا تزال النماذج المُخصصة بحاجة إلى إعادة تصميم بعد نشرها. عند إصدار نموذج أساسي جديد مفتوح المصدر، يمكن للمنصة نقل نظام التدريب والتقييم الأصلي إلى النموذج الجديد. طالما أن معايير التقييم وبيئة المهام ثابتة، فإن عملية النقل نفسها لا تستغرق وقتًا طويلاً بالضرورة؛ ما يُولّد عبء عمل مستمرًا حقًا هو عندما يُضيف العملاء سيناريوهات جديدة، وسير عمل، ومهامًا أكثر تحديًا.

لذلك، فإن الأصول الأساسية للشركة المتخصصة في قطاع معين ليست أوزان جيل معين من النماذج، بل البيانات والتقييمات وسير العمل التي يمكن ترحيلها بشكل متكرر مع تحديث النموذج الأساسي.

إن الذكاء الاصطناعي المؤسسي عالق في مرحلة إثبات المفهوم (PoC) ليس لأنه يفتقر إلى نموذج، ولكن لأنه يفتقر إلى التقييم.

عندما تختار الشركات بين نماذج المصادر المفتوحة ونماذج المصادر المغلقة، فإن اعتبارها الأساسي ليس فقط الأداء والسعر، ولكن أيضًا الثقة.

بما أن عقود الشركات عادةً ما تستمر من سنة إلى سنتين، يحتاج المشترون إلى تقييم ما إذا كان مزود الخدمة ونظامه البيئي قادرين على تلبية احتياجات العمل على المدى الطويل. قد تكون نماذج المصادر المفتوحة أرخص وأكثر مرونة، لكن موردي المصادر المغلقة لا يزالون يتمتعون بميزة في التواصل مع العلامة التجارية، وقصص النجاح، والاعتراف بالسوق.

يرى تشن يوفي أن أبرز نقاط ضعف نماذج المصادر المفتوحة ومزودي خدماتها لا تكمن في التكنولوجيا، بل في القدرة على دخول السوق. تستطيع شركات نماذج المصادر المغلقة تعزيز وعي المستخدمين باستمرار من خلال عروض القدرات الجديدة ونتائج الأبحاث، بينما يفتقر نظام المصادر المفتوحة إلى نظام موحد للتسويق والتواصل مع العملاء.

تتغير أساليب النشر أيضاً. ففي البداية، ركزت المؤسسات بشكل أكبر على عمليات النشر المحلية، ولكن الآن تنتقل المزيد من أحمال العمل إلى الحوسبة السحابية. وطالما أن مزودي الخدمات قادرون على بناء الثقة في مجالات مثل الأمن والسحابات الخاصة الافتراضية، فإن خدمات الحوسبة السحابية متعددة المستأجرين تُعد عموماً أكثر فعالية من حيث التكلفة مقارنةً بوحدات معالجة الرسومات المخصصة للمؤسسات.

قد لا تتمكن مؤسسة واحدة من الحفاظ على معدلات استخدام عالية لمجموعة من وحدات معالجة الرسومات، لكن المنصة قادرة على تجميع احتياجات مختلف العملاء وتحسين كفاءة استخدام الأجهزة. ومع ازدياد تكاليف الاستدلال كنسبة مئوية من نفقات تشغيل المؤسسة، تبرز مزايا التكلفة للبنية التحتية المشتركة بشكل أوضح.

يُعدّ غياب التقييم الدقيق أحد أكبر العقبات التي تواجه الشركات عند الانتقال من مرحلة إثبات المفهوم إلى مرحلة الإنتاج. فحتى عندما تُطبّق الشركات الذكاء الاصطناعي في مجالات مهمة كمراكز الاتصال، فإنها لا تزال تقيّم فعالية نماذجها بالتجربة والخطأ بدلاً من وضع معايير اختبار قابلة للتكرار.

بدون التقييم، لا تستطيع الشركات مقارنة نماذج المصادر المفتوحة بنماذج المصادر المغلقة بشكل موثوق، ولا يمكنها تحديد ما إذا كانت تحديثات النماذج تُحسّن أعمالها فعلاً. لذلك، يعتقد تشن يوفي أن الكفاءات القادرة على تصميم أنظمة تقييم الذكاء الاصطناعي لا تزال نادرة. من شأن نظام تقييم موثوق أن يساعد الشركات على استبدال نماذجها وتوفير نفقات طويلة الأجل تتجاوز بكثير تكاليف إنشائها الأولية.

لا يختلف هذا جوهريًا عن اختبار الوحدات في شركات البرمجيات التقليدية. ففي الماضي، كانت شركات البرمجيات كخدمة (SaaS) تُجري مجموعة من الاختبارات قبل تسليم البرمجيات؛ أما الآن، فتحتاج شركات الذكاء الاصطناعي المتخصصة إلى وضع مجموعة من التقييمات للتأكد من استيفاء البرنامج للمعايير المطلوبة قبل طرحه للإنتاج. ويتحول تركيز العمل في هذا القطاع من "كتابة الاختبارات" جزئيًا إلى "كتابة التقييمات"، لكن يبقى الهدف الأساسي هو تحويل جودة المنتج إلى قدرات تنظيمية قابلة للقياس والتراكم.

يمكن أن يُشكّل تطور شركات البيانات الخارجية مؤشراً على مدى تطبيق الذكاء الاصطناعي في المؤسسات. فإذا استمر تركيز عملائها في عدد قليل من المختبرات المتطورة، فهذا يدل على أن مجال بناء قدرات الذكاء الاصطناعي المستقلة لدى المؤسسات العادية لا يزال محدوداً؛ أما إذا تنوعت مصادر الإيرادات تدريجياً، فقد يعني ذلك أن المزيد من المؤسسات بدأت بشراء البيانات، وبناء أنظمة تقييم، وتدريب نماذجها الخاصة.

إن ما تفتقر إليه الشركات حقًا ليس المزيد من النماذج، بل مجموعة من المعايير التي يمكنها تحديد ما هو صحيح، وتحديد ما هو خاطئ، ودعم قرارات الشراء.

ينتقل تحسين الاستدلال من تقليل تكاليف الرموز إلى جدولة النظام.

يُعدّ تحسين الاستدلال النشاط الأساسي لشركة فايروركس. ويعتقد تشين يوفي أن هناك مجالاً واسعاً للتحسين في هذا المجال، إذ غالباً ما يختلف أداء النموذج عند إصداره لأول مرة اختلافاً كبيراً عن أدائه بعد التحسين طويل الأمد.

تهدف المنصة إلى تقصير دورة التحسين هذه، لضمان وصول النماذج الجديدة إلى أقرب حالة ممكنة من حالتها المثلى عند نشرها. إلى جانب وقت تشغيل النموذج نفسه، يؤثر التخزين المؤقت والجدولة والبنية التحتية الداعمة على التكلفة النهائية. تتضمن العديد من عمليات التحسين قدراً كبيراً من العمل الهندسي المجزأ، مما يجعل تحسين الاستدلال مهمة كثيفة العمالة.

بالمقارنة مع واجهات برمجة التطبيقات (APIs) الخاصة بمطوري النماذج، تُقدّم منصة Fireworks عددًا كبيرًا من النماذج الأساسية والمخصصة في آنٍ واحد، مما يسمح بمراقبة أنماط حركة البيانات وأحمال العمل الأكثر تنوعًا. يجب على موردي النماذج أولًا ضمان تقديم نماذجهم بثبات لمجموعة واسعة من المستخدمين، بينما تستطيع منصات الطرف الثالث إجراء تحسينات أكثر تفصيلًا لخصائص طلبات عملاء محددين.

لا يقتصر توجيه النماذج على خفض التكاليف فحسب. ففي تجربة مشتركة بين شركتي Fireworks وHarvey، استخدم النظام نموذجًا واحدًا لتنفيذ المهام وآخر كمستشار، حيث قام بتقسيم المهام ذات السياق الطويل إلى عدة مهام فرعية أقصر. ونظرًا لأن أداء النموذج الأكبر قد يتراجع مع ازدياد طول السياق، فإن تقسيم العمل بشكل مناسب قد يؤدي إلى تجاوز أداء النظام الإجمالي لأداء استخدام أقوى نموذج بمفرده.

شبّه تشن يوفي هذه العملية بتحسين أداء وحدة المعالجة المركزية. يحتاج المطورون إلى فهم خصائص المعالج، ثم تقسيم البرنامج إلى مهام مناسبة له. وبالمثل، في أنظمة الذكاء الاصطناعي، يمكن اعتبار النموذج الأساسي بمثابة معالج نصوص: يحتاج الفريق أولاً إلى فهم حدود قدرات النماذج المختلفة، ثم تصميم إطار العمل الخاص بالمهام، وأخيراً وضع النموذج المناسب في المكان المناسب.

لا يمكن تحسين أداء الأجهزة بالنظر إلى مقاييس فردية مثل وحدة معالجة الرسومات (GPU) وذاكرة الوصول العشوائي عالية التردد (HBM) ووحدة المعالجة المركزية (CPU) والشبكة. عادةً ما تُصمم النماذج مع مراعاة نسبة الحساب إلى الذاكرة للأجهزة الحالية أثناء التدريب الأولي. لذلك، يُعد نقل نموذج من وحدة معالجة رسومات NVIDIA إلى وحدة معالجة رسومات AMD ذات قدرات مماثلة أمرًا سهلاً نسبيًا، بينما قد يتطلب نقله إلى شريحة ASIC ذات بنية مختلفة جهدًا كبيرًا.

لا يعتمد نجاح أي جهاز جديد على مدى تشابه مواصفاته مع مواصفات Nvidia فحسب، بل يعتمد أيضًا على حجم العرض، وبيئة البرمجيات، وما إذا كانت الحوافز الاقتصادية قادرة على تشجيع المطورين على تحسين نماذجهم لتتوافق معه. حتى لو كان تكوين الجهاز مشابهًا لتكوين Nvidia، فسيكون من الصعب بناء بيئة برمجية متكاملة إذا لم يتمكن المطورون من تحقيق عوائد كافية من استخدامه.

في نهاية المطاف، لا يتعلق تحسين منصة الاستدلال فقط بالسرعة التي يعمل بها النموذج، ولكن يتعلق الأمر بالتوافق بين النموذج والمهمة والأجهزة.

لا تمتلك شركة Fireworks الأجهزة، لكنها تربط بين التدريب والاستدلال.

رداً على توسع مزودي خدمات الذكاء الاصطناعي السحابية ليشملوا طبقة البرمجيات، لا تخطط شركة فايروركس حالياً لبناء أجهزتها الخاصة أو الاستثمار بكثافة في وحدات معالجة الرسومات. ويصف تشن يوفي نموذج الشركة بأنه أقرب إلى نموذج "مالك العقار": حيث تستحوذ على قوة الحوسبة من مزودي البنية التحتية وتركز على برمجيات الحوسبة وخدمات الاستدلال وتخصيص النماذج.

يكمن الفرق بين منصة Fireworks ومنصات الذكاء الاصطناعي السحابية التقليدية في أن معظم حركة البيانات على المنصة لا تأتي من نماذج أساسية غير معدلة، بل من نماذج مخصصة. ويعتقد تشن يوفي أن المنافسة في مجال استنتاج النماذج الأساسية ستشتد، وأن الأرباح ستأتي على الأرجح من النماذج الخاصة التي تقدم نتائج أفضل للعملاء.

تدمج شركة Fireworks التدريب والاستدلال في نموذج أعمال واحد. فهي تساعد عملاءها على تدريب النماذج، وتسعى إلى تحقيق نمو مستدام في حركة الاستدلال بعد إطلاق النماذج. وبالمقارنة مع مزودي الخدمات الذين يتقاضون رسومًا للتدريب أو الاستشارات فقط، فإن هيكل الإيرادات هذا يضمن توافقًا أفضل بين الفوائد طويلة الأجل للمنصة وعملائها: فكلما زادت القيمة التي يحققها العملاء من خلال نماذجهم، زادت إيرادات Fireworks من الاستدلال المستمر.

بعض مزودي خدمات التعلم المعزز لا يقدمون سوى التدريب أو الاستشارات، وقد لا يرتبط دخلهم بشكل مباشر بفعالية النموذج بعد نشره. أما شركة Fireworks، فتعتمد في عملها على تحسين أداء النموذج من خلال التدريب، ثم جني ثمار هذا التحسين من خلال عمليات الاستدلال اللاحقة. فهي لا تبيع مشاريع تدريب لمرة واحدة، بل توفر القدرة على تمكين نماذج عملائها من الاستخدام المستمر.

المنافسون الحقيقيون القادرون على تغطية سلسلة القيمة بأكملها ليسوا شركات سحابية جديدة منفردة، بل مزودو خدمات سحابية كبار مثل AWS ومايكروسوفت أزور وجوجل كلاود. فهم يمتلكون القدرة الحاسوبية والقدرة على بناء خدمات التعلم المعزز، ومنصات الاستدلال، وأدوات التطوير.

تتنافس شركة Fireworks مع مزودي الخدمات السحابية، وتعتمد في الوقت نفسه على بنيتهم التحتية وتتعاون معها. وتتمتع الشركة حاليًا بشراكة وثيقة مع Azure، مما يتيح للعملاء شراء خدمات Fireworks باستخدام رصيد Azure. كما تتعاون أيضًا مع AWS وGoogle Cloud.

يعتقد تشن يوفي أن قدرات Fireworks الحالية في تحسين الاستدلال لا تزال متفوقة على الخدمات المماثلة من مزودي الخدمات السحابية، لكن الأداء المتميز ليس العائق الأكبر. والأهم من ذلك، أنها تُكمل دورة عمليات التعلم الآلي بالكامل، بدءًا من التدريب والنشر والتقييم وصولًا إلى الاستدلال، مما يوفر للمطورين تجربة سلسة. بالمقارنة مع شركات الحوسبة السحابية الناشئة، تغطي Fireworks سلسلة أطول؛ وبالمقارنة مع عمالقة الحوسبة السحابية، فهي بحاجة إلى الحفاظ على مزاياها في التخصص وسرعة التنفيذ.

حتى لو تمكن الذكاء الاصطناعي من أتمتة تطوير النواة والاستدلال والتحسين بعد التدريب في المستقبل، فمن المرجح أن يظل فهم احتياجات العملاء مهمة يصعب الاستغناء عنها تمامًا. قد يتمكن النظام من حل مسائل رياضية معقدة، لكنه قد لا يستطيع فهم عمليات الشركة وقيودها ومعايير تقييمها من العدم. تعتمد القيمة طويلة الأجل لـ Fireworks في نهاية المطاف على قدرتها على ترجمة احتياجات العملاء إلى نماذج وتقييمات ومنتجات عملية.

لا تزال ميزة نماذج الضغط مفتوحة المصدر تعتمد على قوة الحوسبة كقيد نهائي.

خلال العامين المقبلين، سيظل التحدي الأكبر الذي يواجه شركة فايروركس هو القدرة الحاسوبية. فقدرة الشركة على الحصول على موارد حاسوبية كافية بسعر معقول ستحدّ بشكل مباشر من نمو إيراداتها. ويلخص تشن يوفي الوضع الحالي لشركة فايروركس بأنه "مقيد بالقدرة الحاسوبية"، ويتوقع أن يستمر هذا الوضع في السوق ككل لمدة عام على الأقل.

وقد أثر ذلك أيضاً على وجهة نظره بشأن الإنفاق الرأسمالي لشركات التكنولوجيا العملاقة على الذكاء الاصطناعي. عادةً ما يحكم السوق على ما إذا كانت شركات مثل جوجل وميتا تستثمر بشكل مفرط بناءً على العائد على الاستثمار؛ ولكن بالنسبة لهذه الشركات، قد يكون هناك خطر آخر أكبر: إذا حقق الذكاء الاصطناعي في نهاية المطاف عوائد عالية للغاية، وفاتتها هذه الجولة من المنافسة بسبب تقليص استثماراتها، فقد تفقد مكانتها في السوق بشكل دائم.

لذا، حتى مع الإفراط في الاستثمار على المدى القصير، قد يقتصر الثمن على الضغط على البيانات المالية والحاجة إلى استيعاب انخفاض القيمة خلال السنوات القليلة المقبلة. بالنسبة لشركات التكنولوجيا العملاقة التي تتمتع بتدفقات نقدية وقدرات تمويلية طويلة الأجل، لا يُشكل هذا عادةً خطرًا على بقائها؛ إلا أن تفويت دورات التكنولوجيا الرئيسية قد يُشكل خطرًا حقيقيًا.

يختلف الوضع بالنسبة لشركات الحوسبة السحابية الجديدة، إذ يتعين عليها حساب عوائد المشاريع وتكاليف التمويل وفترات الاسترداد بدقة أكبر. ويقترح تشن يوفي التركيز على التصنيفات الائتمانية وتمديدات المشاريع وقدرات إعادة التمويل للشركات المعنية. فإذا عجز أي من المشاركين عن مواصلة الاقتراض بسبب مشاكل ائتمانية واضطر إلى إعادة هيكلة ديونه خلال الأشهر الثلاثة إلى الستة القادمة، فإن توفر الأموال في السوق للاستحواذ على هذه الأموال سيكون مؤشراً رئيسياً على قدرات تمويل البنية التحتية للذكاء الاصطناعي.

يشكك تشن يوفي في الرواية السائدة في السوق بأن "تقارب نماذج المصادر المفتوحة مع نماذج المصادر المغلقة سيؤدي إلى انخفاض الطلب على الأجهزة". ويرى أن تحسين قدرات نماذج المصادر المفتوحة يُضعف في المقام الأول قدرة طبقة النماذج على تحديد الأسعار المرتفعة. وإذا بقي الإنفاق الإجمالي على الذكاء الاصطناعي دون تغيير، فقد تنتقل القيمة فعلياً إلى الشركات التي توفر قوة الحوسبة والبنية التحتية.

مع ذلك، يبقى السؤال مطروحًا حول ما إذا كانت النفقات الرأسمالية على الذكاء الاصطناعي ستُحقق عوائد كافية في نهاية المطاف. فغالبًا ما تستغرق مشاريع القدرة الحاسوبية عدة سنوات لاسترداد استثماراتها، ويصعب التنبؤ بديناميكيات العرض والطلب بعد عام من الآن. ومن المؤشرات الواضحة حاليًا أن شركة فايروركس والعديد من عملائها ما زالوا يسعون إلى الحصول على المزيد من القدرة الحاسوبية.

لن يتحدد التنافس بين نماذج المصادر المفتوحة ونماذج المصادر المغلقة بناءً على تصنيفات النماذج فقط. فمع استمرار تقلص فجوة القدرات، ستعتمد قيمة الصناعة بشكل أكبر على من يستطيع تحديد المهام، والتحقق من الفعالية، ونشر النماذج في بيئة الإنتاج بتكلفة معقولة.