ملخص مؤتمر غولدمان ساكس في وادي السيليكون: وكلاء الذكاء الاصطناعي، وسير العمل، ونماذج العالم

بقلم: لي جيا، صحيفة وول ستريت جورنال

يدخل الذكاء الاصطناعي مرحلة جديدة من "القدرة على الإجابة" إلى "القدرة على التنفيذ".

وفقًا لمكتب تداول الرياح، يُظهر أحدث تقرير صادر عن غولدمان ساكس أن تسويق الذكاء الاصطناعي يتحول من "الاشتراك حسب المقعد" إلى فرض رسوم بناءً على الاستهلاك وحجم المعاملات والنتائج؛ وفي الوقت نفسه، تنتقل الوكلاء من كونها أدوات مساعدة إلى منفذي سير العمل، وتتحول قيمة الصناعة من النموذج نفسه إلى البيانات الخاصة وسياق الأعمال والخبرة في المجال.

هذا يعني أن المنافسة في صناعة الذكاء الاصطناعي تتحول من "من يمتلك نموذجًا أقوى" إلى "من يستطيع إتقان سير العمل حقًا". تظل قدرة النموذج مهمة، لكن القدرة على دخول بيئات الإنتاج المؤسسية، وفهم سياق الأعمال، وإكمال المهام بشكل موثوق ستصبح عائقًا تنافسيًا أكثر أهمية.

يستند هذا الاستنتاج إلى دراسة ميدانية أجرتها غولدمان ساكس مؤخرًا حول سلسلة صناعة الذكاء الاصطناعي في وادي السيليكون. ففي الفترة من 18 إلى 19 أغسطس، زارت غولدمان ساكس شركات ناشئة في مجال الذكاء الاصطناعي، وشركات رأس مال استثماري رائدة، وباحثين من جامعة ستانفورد، وجامعة كاليفورنيا في بيركلي، وجامعة سان فرانسيسكو، وذلك للعام الثالث على التوالي. وتعتقد غولدمان ساكس أنه مع تسارع وتيرة تطبيق الذكاء الاصطناعي، سيتغير توزيع القيمة بين النماذج المتطورة، والنماذج مفتوحة المصدر، ونماذج العالم، وبرامج المؤسسات، والبيانات الاحتكارية.

تنفيذ الوكلاء: ما تفتقر إليه المؤسسات حقًا ليس القدرة، بل "القدرة على التحكم"

إذا كان الذكاء الاصطناعي في الماضي يحل مشكلة "مساعدة الناس على إنجاز المهام"، فإن الوكلاء يحاولون الآن حل مشكلة "إنجاز المهام بأنفسهم". ومع ذلك، خلال النشر واسع النطاق في المؤسسات، قد لا تكون العقبة الأكبر هي قدرة النموذج، بل كيفية تقسيم المسؤوليات وما إذا كان من الممكن التحكم في عملية التنفيذ بأكملها.

يستشهد التقرير بباحثين من جامعة ستانفورد يشيرون إلى أن معظم المؤسسات لا تزال تعتمد على الإشراف البشري. وخاصة في مجالات مثل القانون، وإدارة المخاطر، والتأمين، والتدقيق، إذا ارتكب نموذج ما خطأً، فإن تحديد من يتحمل المسؤولية، وكيفية تتبع العملية، وإمكانية تصحيح الخطأ في الوقت المناسب، قد يكون بنفس أهمية كفاءة النموذج نفسه.

لذا، فإنّ سير العمل الذي يُرجّح أن يُصبح مؤتمتاً في البداية يتّسم عادةً بثلاث خصائص: حدود قرار واضحة، ونتائج قابلة للتحقق، وأخطاء قابلة للتصحيح. وتُعدّ معالجة الفواتير مثالاً نموذجياً على ذلك. إذ يتولّى الذكاء الاصطناعي مسؤولية استخراج البيانات وإجراء عمليات التحقق، بينما تُراجع الحالات ذات الثقة المنخفضة من قِبل البشر، ثم تُستكمل من خلال عملية تخطيط موارد المؤسسات (ERP) قابلة للتصحيح.

وهذا يعني أيضاً أن مزودي خدمات المعلومات الذين يتمتعون بمحتوى جدير بالثقة، ونماذج نطاق معتمدة، وعلاقات تنظيمية ناضجة هم الأكثر عرضة للدخول إلى بيئات الإنتاج المؤسسية أولاً.

منافسة النماذج: تقسيم العمل بين النماذج المتطورة والنماذج مفتوحة المصدر

فيما يتعلق بالنقاش حول "المصدر المفتوح أو المصدر المغلق"، فإن الإشارات التي أصدرتها شركة جولدمان ساكس خلال هذا التحقيق تشير إلى أنه ليس خيارًا ثنائيًا، بل قد تتوافق النماذج المختلفة مع مستويات مختلفة من سير العمل.

يرى أنصار النماذج المتطورة أن تقييم أداء المؤسسات غالبًا ما يقلل من شأن قدرات النماذج. ففي بيئات الإنتاج الحقيقية، قد تتجاوز الخسائر التجارية الناجمة عن انخفاض دقة النموذج بكثير الوفورات في تكاليف الاستدلال. ولذلك، فرغم أن العديد من الشركات المتخصصة في الذكاء الاصطناعي تدّعي تبني استراتيجية متعددة النماذج، إلا أنها لا تزال تعتمد بشكل كبير على النماذج المتطورة في بيئات الإنتاج الأساسية لديها.

من وجهة نظر أخرى، لا تتطلب غالبية عمليات المؤسسات ذكاءً متطورًا. ومع استمرار تحسن أداء النماذج مفتوحة المصدر، يتزايد استعداد العملاء للتضحية ببعض الأداء مقابل خفض تكاليف الاستدلال. وتتوقع إحدى شركات رأس المال المخاطر أن نحو 90% من رموز الاستدلال ستُستخدم في النماذج مفتوحة المصدر خلال الـ 12 إلى 18 شهرًا القادمة.

وهذا يعني أن سوق نماذج الذكاء الاصطناعي في المستقبل قد يشكل تقسيمًا أوضح للعمل: ستكون النماذج المتطورة مسؤولة عن المهام المعقدة عالية القيمة وعالية الموثوقية، بينما ستتعامل نماذج المصادر المفتوحة مع المهام المعيارية واسعة النطاق ومعظم استهلاك الرموز.

نماذج عالمية: قوة الحوسبة في مجال الذكاء الاصطناعي قد تشهد منحنى نمو ثانٍ

في الأشهر الثمانية عشر الماضية، حوّل الباحثون تركيزهم بشكل متزايد من نماذج التعلم القائمة على القانون إلى "نماذج العالم".

على عكس نماذج التعلم الموجه بالتعلم التي تعتمد بشكل أساسي على بيانات الإنترنت للتدريب، تحتاج نماذج العالم إلى فهم البيئات والعلاقات السببية والقوانين الفيزيائية والتفاعلات الديناميكية في العالم الحقيقي، مع استقاء البيانات بشكل أكبر من الأنظمة الفيزيائية والصناعات المحددة وسيناريوهات التشغيل الفعلية. وهذا يعني أن أهمية البيانات الخاصة قد تزداد بشكل أكبر.

ترى غولدمان ساكس أن نطاق المشكلات المتعلقة بمجالات مثل الفيزياء والصناعة والعلوم والروبوتات أوسع بكثير من مجرد توليد النصوص، وأن هذه العمليات تتطلب في كثير من الأحيان استثمارات أكبر في القدرة الحاسوبية. ومع ازدياد اندماج الذكاء الاصطناعي في العالم المادي انطلاقاً من العالم الرقمي، قد يشهد الطلب على القدرة الحاسوبية في تدريب النماذج والمحاكاة والاستدلال نمواً ملحوظاً.

تتوقع شركة غولدمان ساكس أن الطلب على قوة الحوسبة قد ينمو بنحو 24 ضعفًا في السنوات الخمس المقبلة، ومن المتوقع أن يستمر التوتر بين العرض والطلب لفترة أطول، مما يفيد شركات الحوسبة السحابية والبنية التحتية للحوسبة مثل مايكروسوفت وأوراكل وكوروييف بشكل مباشر.