الهزة الأولية: DeepSeek ووهم الكفاءة
أحدث ظهور DeepSeek AI الصيني في وقت سابق من هذا العام صدمة في مشهد الاستثمار التكنولوجي. أثار نهجه الذي بدا رائدًا، والذي يعد بذكاء اصطناعي قوي بتكاليف حسابية أقل بكثير، تكهنات فورية. سرعان ما تشكلت رواية: ربما كان التوسع المستمر والمكلف للبنية التحتية للذكاء الاصطناعي، الذي يتميز بعمليات شراء ضخمة للرقائق والأنظمة المتخصصة، على وشك التباطؤ. تفاعل السوق، مما يعكس الاعتقاد بأن حقبة جديدة من الذكاء الاصطناعي الفعال من حيث التكلفة قد تحد بشكل كبير من طفرة الإنفاق المتوقعة.
ومع ذلك، فإن الرؤى المستخلصة من تجمع رفيع المستوى حديث للعقول الصناعية ترسم صورة مختلفة تمامًا. أشار مؤتمر للذكاء الاصطناعي التوليدي عقدته Bloomberg Intelligence في نيويورك إلى أن التفسير الأولي، الذي ركز فقط على وفورات التكلفة المحتملة، قد أغفل القصة الأكبر. بعيدًا عن الإشارة إلى تباطؤ الإنفاق، أكد الحدث على جوع لا يشبع تقريبًا لقدرة أكبر للذكاء الاصطناعي. لم يكن الإجماع يدور حول التقليص؛ بل كان يدور حول كيفية إطعام شهية متزايدة بشكل كبير للأنظمة الذكية، حتى مع التمني اليائس بأن تكون القائمة أقل تكلفة.
أصوات من الميدان: تعطش لا يرتوي للسعة
دارت المناقشات طوال الحدث الذي استمر يومًا كاملاً، والذي جمع المطورين والاستراتيجيين والمستثمرين، باستمرار حول موضوع الطلب المتصاعد الذي يدفع استثمارات ضخمة. لخص Mandeep Singh، كبير محللي التكنولوجيا في Bloomberg Intelligence وأحد منظمي الحدث، الشعور السائد بإيجاز. وبالتأمل في العديد من الحلقات النقاشية ومناقشات الخبراء، لاحظ لازمة عالمية: لم يشعر أي شخص مشارك بأنه يمتلك سعة كافية للذكاء الاصطناعي. كان الشعور الغالب هو الحاجة إلى المزيد، وليس امتلاك الكثير.
بشكل حاسم، أضاف Singh، أن شبح ‘فقاعة البنية التحتية’، وهو خوف شائع في قطاعات التكنولوجيا سريعة التوسع، كان غائبًا بشكل ملحوظ عن المحادثة. ظل التركيز ثابتًا على التحدي الأساسي الذي يواجه الصناعة بأكملها. وصفه Anurag Rana، زميل Singh وكبير محللي Bloomberg Intelligence لخدمات تكنولوجيا المعلومات والبرمجيات، بأنه السؤال الأهم: ‘أين نحن في دورة [بناء البنية التحتية للذكاء الاصطناعي] تلك؟’
مع الاعتراف بأن تحديد المرحلة الدقيقة لهذا البناء الضخم لا يزال بعيد المنال (‘لا أحد يعرف’ على وجه اليقين، اعترف Rana)، فإن ظاهرة DeepSeek غيرت وجهات النظر بلا شك. لقد ضخت جرعة قوية من الأمل في إمكانية التعامل مع أعباء عمل الذكاء الاصطناعي الكبيرة بشكل أكثر اقتصادا. لاحظ Rana: ‘لقد هز DeepSeek الكثير من الناس’. كان المعنى واضحًا: إذا كان بإمكان نماذج الذكاء الاصطناعي المتطورة أن تعمل بكفاءة على أجهزة أقل تطلبًا، فربما يمكن إعادة تقييم المشاريع العملاقة، مثل المبادرات التي تبلغ قيمتها مئات المليارات من الدولارات والتي يشاع أنها مخطط لها من قبل اتحادات تضم لاعبين رئيسيين في مجال التكنولوجيا، أو تغيير حجمها بشكل مختلف.
الحلم، الذي تردد صداه في جميع أنحاء الصناعة وفقًا لـ Rana، هو أن تتبع تكاليف تشغيل الذكاء الاصطناعي، وخاصة inference (المرحلة التي تولد فيها النماذج المدربة تنبؤات أو محتوى)، المسار الهبوطي الدراماتيكي الذي شهدته مساحة تخزين الحوسبة السحابية على مدار العقد الماضي. وأشار إلى كيف تحسنت اقتصاديات تخزين كميات هائلة من البيانات على منصات مثل Amazon Web Services (AWS) بشكل كبير على مدى ثماني سنوات تقريبًا. قال: ‘هذا الانخفاض في منحنى التكلفة… كانت الاقتصاديات جيدة’. ‘وهذا ما يأمله الجميع، أنه على جانب inference… إذا انخفض المنحنى إلى هذا المستوى، يا إلهي، فإن معدل تبني الذكاء الاصطناعي… سيكون مذهلاً’. وافق Singh على ذلك، مشيرًا إلى أن وصول DeepSeek قد ‘غير عقلية الجميع بشأن تحقيق الكفاءة’ بشكل أساسي.
كان هذا التوق إلى الكفاءة واضحًا طوال جلسات المؤتمر. بينما تعمقت العديد من الحلقات النقاشية في الجوانب العملية لنقل مشاريع الذكاء الاصطناعي للمؤسسات من المراحل المفاهيمية إلى الإنتاج المباشر، أكدت مناقشة موازية باستمرار على الحاجة الماسة لخفض التكاليف المرتبطة بنشر وتشغيل نماذج الذكاء الاصطناعي هذه. الهدف واضح: إضفاء الطابع الديمقراطي على الوصول عن طريق جعل الذكاء الاصطناعي قابلاً للتطبيق اقتصاديًا لمجموعة أوسع من التطبيقات والمستخدمين. اقترح Shawn Edwards، كبير مسؤولي التكنولوجيا في Bloomberg، أن DeepSeek لم يكن بالضرورة مفاجأة كاملة، بل كان توضيحًا قويًا لرغبة عالمية. وعلق قائلاً: ‘ما جعلني أفكر فيه هو أنه سيكون رائعًا لو أمكنك التلويح بعصا سحرية وجعل هذه النماذج تعمل بكفاءة لا تصدق’، موسعًا الأمنية لتشمل الطيف الكامل لنماذج الذكاء الاصطناعي، وليس فقط اختراقًا محددًا واحدًا.
مبدأ الانتشار: تغذية الطلب على الحوسبة
أحد الأسباب الرئيسية التي تجعل الخبراء يتوقعون استمرار الاستثمار الكبير في البنية التحتية للذكاء الاصطناعي، على الرغم من السعي لتحقيق الكفاءة، يكمن في انتشار نماذج الذكاء الاصطناعي الهائل. كان الموضوع المتكرر طوال مؤتمر نيويورك هو الابتعاد الحاسم عن فكرة نموذج ذكاء اصطناعي واحد ضخم قادر على التعامل مع جميع المهام.
- شأن عائلي: كما قال Edwards من Bloomberg، ‘نحن نستخدم عائلة من النماذج. لا يوجد شيء اسمه أفضل نموذج’. يعكس هذا فهمًا متزايدًا بأن معماريات الذكاء الاصطناعي المختلفة تتفوق في مهام مختلفة - توليد اللغة، تحليل البيانات، التعرف على الصور، إكمال التعليمات البرمجية، وما إلى ذلك.
- تخصيص المؤسسات: اتفق المشاركون في الحلقات النقاشية على نطاق واسع على أنه بينما ستستمر النماذج الكبيرة ذات الأغراض العامة ‘التأسيسية’ أو ‘الرائدة’ في التطوير والتحسين من قبل مختبرات الذكاء الاصطناعي الكبرى، فإن العمل الحقيقي داخل الشركات يتضمن نشر مئات أو حتى آلاف النماذج المتخصصة للذكاء الاصطناعي.
- الضبط الدقيق والبيانات المملوكة: سيتم تكييف العديد من نماذج المؤسسات هذه من النماذج الأساسية من خلال عملية تسمى fine-tuning. يتضمن ذلك إعادة تدريب شبكة عصبية مدربة مسبقًا على بيانات الشركة المحددة، وغالبًا ما تكون مملوكة. يتيح ذلك للذكاء الاصطناعي فهم سياقات العمل الفريدة والمصطلحات وتفاعلات العملاء، مما يوفر نتائج أكثر صلة وقيمة بكثير مما يمكن أن يقدمه نموذج عام.
- إضفاء الطابع الديمقراطي على التطوير: سلط Jed Dougherty، ممثل منصة علوم البيانات Dataiku، الضوء على الحاجة إلى ‘خيارات بين النماذج’ لوكلاء الذكاء الاصطناعي للمؤسسات. وشدد على أهمية منح الشركات التحكم وقدرات الإنشاء وauditability (قابلية التدقيق) على أدوات الذكاء الاصطناعي الخاصة بها. أكد Dougherty: ‘نريد أن نضع أدوات بناء هذه الأشياء في أيدي الناس’. ‘لا نريد عشرة من حملة الدكتوراه يبنون جميع الوكلاء’. هذا الدافع نحو إمكانية وصول أوسع في التطوير نفسه يعني الحاجة إلى المزيد من البنية التحتية الأساسية لدعم جهود الإنشاء الموزعة هذه.
- الذكاء الاصطناعي الخاص بالعلامة التجارية: تقدم الصناعات الإبداعية مثالاً رئيسياً. أوضحت Hannah Elsakr، التي تقود مشاريع الأعمال الجديدة في Adobe، استراتيجيتهم التي تراهن على النماذج المخصصة كعامل تمييز رئيسي. وأوضحت قائلة: ‘يمكننا تدريب امتدادات نماذج مخصصة لعلامتك التجارية يمكن أن تساعد في حملة إعلانية جديدة’، موضحة كيف يمكن تصميم الذكاء الاصطناعي للحفاظ على جماليات ورسائل علامة تجارية معينة.
إلى جانب تنويع النماذج، يعد النشر المتزايد لـ AI agents (وكلاء الذكاء الاصطناعي) داخل سير عمل الشركات محركًا مهمًا آخر للطلب على المعالجة. لا يُنظر إلى هؤلاء الوكلاء على أنهم مجرد أدوات سلبية ولكن كمشاركين نشطين قادرين على تنفيذ مهام متعددة الخطوات.
توقع Ray Smith، الذي يرأس جهود وكلاء وأتمتة Copilot Studio في Microsoft، مستقبلاً يتفاعل فيه المستخدمون مع مئات الوكلاء المتخصصين المحتملين من خلال واجهة موحدة مثل Copilot. وأوضح قائلاً: ‘لن تحشر عملية كاملة في وكيل واحد، بل ستقسمها إلى أجزاء’. وأشار إلى أن هؤلاء الوكلاء هم في الأساس ‘تطبيقات في العالم الجديد’ للبرمجة. الرؤية هي أن المستخدمين يذكرون ببساطة هدفهم - ‘أخبره بما نريد تحقيقه’ - وينسق الوكيل الخطوات اللازمة. صرح Smith قائلاً: ‘التطبيقات الوكيلية هي مجرد طريقة جديدة لسير العمل’، مؤكداً أن تحقيق هذه الرؤية ليس مسألة إمكانية تكنولوجية (‘كل شيء ممكن تقنياً’) بقدر ما هو يتعلق بـ ‘الوتيرة التي نبني بها ذلك’.
هذا الدفع لدمج وكلاء الذكاء الاصطناعي بشكل أعمق في العمليات التنظيمية اليومية يزيد من الضغط لخفض التكاليف والنشر الفعال. صاغ James McNiven، رئيس إدارة المنتجات في شركة المعالجات الدقيقة العملاقة ARM Holdings، التحدي من حيث إمكانية الوصول. تساءل: ‘كيف نوفر الوصول على المزيد والمزيد من الأجهزة؟’. ملاحظًا أن النماذج تحقق قدرات تقترب من ‘مستوى الدكتوراه’ في مهام محددة، رسم تشابهًا مع التأثير التحويلي لجلب أنظمة الدفع عبر الهاتف المحمول إلى الدول النامية قبل سنوات. يبقى السؤال الأساسي: ‘كيف نوصل هذه [القدرة على الذكاء الاصطناعي] إلى الأشخاص الذين يمكنهم استخدام تلك القدرة؟’ إن جعل وكلاء الذكاء الاصطناعي المتطورين متاحين بسهولة كمساعدين لمجموعة واسعة من القوى العاملة لا يتطلب فقط برامج ذكية ولكن أيضًا أجهزة فعالة، وحتمًا، المزيد من الاستثمار في البنية التحتية الأساسية، حتى مع تحسن الكفاءة لكل عملية حسابية.
عقبات التوسع: السيليكون والطاقة وعمالقة السحابة
حتى النماذج التأسيسية العامة الأكثر استخدامًا تتكاثر بوتيرة مذهلة، مما يضع ضغطًا هائلاً على البنية التحتية الحالية. كشف Dave Brown، الذي يشرف على الحوسبة والشبكات في Amazon Web Services (AWS)، أن منصتهم وحدها توفر للعملاء الوصول إلى حوالي 1800 نموذج مختلف للذكاء الاصطناعي. وأكد على تركيز AWS المكثف على ‘القيام بالكثير لخفض تكلفة’ تشغيل هذه الأدوات القوية.
تتضمن إحدى الاستراتيجيات الرئيسية لمقدمي الخدمات السحابية مثل AWS تطوير custom silicon (سيليكون مخصص) خاص بهم. سلط Brown الضوء على الاستخدام المتزايد للرقائق المصممة من قبل AWS، مثل معالجات Trainium المحسنة لتدريب الذكاء الاصطناعي، قائلاً: ‘تستخدم AWS معالجاتنا الخاصة أكثر من معالجات الشركات الأخرى’. تهدف هذه الخطوة نحو الأجهزة المتخصصة الداخلية إلى السيطرة على الأداء والتكلفة، مما يقلل الاعتماد على موردي الرقائق ذات الأغراض العامة مثل Nvidia و AMD و Intel. على الرغم من هذه الجهود، اعترف Brown بصراحة بالواقع الأساسي: ‘سيفعل العملاء المزيد إذا كانت التكلفة أقل’. يتم تحديد سقف الطلب حاليًا بقيود الميزانية أكثر من نقص التطبيقات المحتملة.
حجم الموارد المطلوبة من قبل مطوري الذكاء الاصطناعي الرائدين هائل. أشار Brown إلى تعاون AWS اليومي مع Anthropic، مبتكري عائلة Claude المتطورة من نماذج اللغة. أشار Michael Gerstenhaber، رئيس واجهات برمجة التطبيقات في Anthropic، الذي تحدث إلى جانب Brown، إلى الكثافة الحسابية للذكاء الاصطناعي الحديث، لا سيما النماذج المصممة للاستدلال المعقد أو ‘التفكير’. غالبًا ما تولد هذه النماذج تفسيرات مفصلة خطوة بخطوة لإجاباتها، وتستهلك قوة معالجة كبيرة. صرح Gerstenhaber: ‘نماذج التفكير تتسبب في استخدام الكثير من السعة’.
بينما تعمل Anthropic بنشاط مع AWS على تقنيات التحسين مثل ‘prompt caching’ (تخزين وإعادة استخدام الحسابات من التفاعلات السابقة لتوفير الموارد)، فإن متطلبات الأجهزة الأساسية تظل هائلة. صرح Gerstenhaber بفظاظة أن Anthropic تحتاج إلى ‘مئات الآلاف من accelerators’ - رقائق الذكاء الاصطناعي المتخصصة - موزعة ‘عبر العديد من مراكز البيانات’ ببساطة لتشغيل مجموعتها الحالية من النماذج. يوفر هذا إحساسًا ملموسًا بالحجم الهائل لموارد الحوسبة التي تدعم لاعبًا رئيسيًا واحدًا فقط في مجال الذكاء الاصطناعي.
ما يزيد من تحدي شراء وإدارة أساطيل ضخمة من السيليكون هو استهلاك الطاقة المتصاعد المرتبط بالذكاء الاصطناعي. سلط Brown الضوء على هذا باعتباره مصدر قلق حاسم ومتصاعد بسرعة. تستهلك مراكز البيانات الحالية التي تدعم أعباء عمل الذكاء الاصطناعي المكثفة بالفعل طاقة تقاس بمئات الميجاوات. تشير التوقعات إلى أن المتطلبات المستقبلية سترتفع حتمًا إلى نطاق الجيجاوات - ناتج محطات الطاقة الكبيرة. حذر Brown قائلاً: ‘الطاقة التي يستهلكها’، مشيرًا إلى الذكاء الاصطناعي، ‘كبيرة، والبصمة كبيرة في العديد من مراكز البيانات’. لا يمثل هذا الطلب المتزايد على الطاقة تكاليف تشغيلية هائلة فحسب، بل يمثل أيضًا تحديات بيئية ولوجستية كبيرة لتحديد مواقع وتشغيل الجيل التالي من البنية التحتية للذكاء الاصطناعي.
العامل الاقتصادي المجهول: ظل يخيم على خطط النمو
على الرغم من التوقعات المتفائلة المدفوعة بالتقدم التكنولوجي وحالات الاستخدام المزدهرة، يلوح متغير مهم في الأفق فوق جميع توقعات الاستثمار في الذكاء الاصطناعي: المناخ الاقتصادي الأوسع. مع اختتام مؤتمر Bloomberg Intelligence، كان الحاضرون يلاحظون بالفعل توترات السوق الناجمة عن حزم التعريفات الجمركية العالمية المعلنة حديثًا، والتي يُنظر إليها على أنها أكثر شمولاً مما كان متوقعًا.
يعد هذا بمثابة تذكير قوي بأن خرائط الطريق التكنولوجية الطموحة يمكن أن تتعطل بسرعة بسبب الرياح الاقتصادية الكلية المعاكسة. حذر Rana من Bloomberg من أنه في حين أن الإنفاق على الذكاء الاصطناعي قد يكون معزولًا إلى حد ما في البداية، فإن المجالات التقليدية لاستثمار تكنولوجيا المعلومات للشركات، مثل الخوادم والتخزين غير المتعلقة بالذكاء الاصطناعي، يمكن أن تكون أولى الضحايا في الانكماش الاقتصادي. وأشار قائلاً: ‘الشيء الكبير الآخر الذي نركز عليه هو الإنفاق التكنولوجي غير المتعلق بالذكاء الاصطناعي’، معربًا عن قلقه بشأن التأثير المحتمل على كبار مزودي الخدمات التقنية مع اقتراب موسم الأرباح، حتى قبل النظر في ميزانيات الذكاء الاصطناعي على وجه التحديد.
ومع ذلك، هناك نظرية سائدة مفادها أن الذكاء الاصطناعي قد يثبت مرونته بشكل فريد. اقترح Rana أن المدراء الماليين (CFOs) في الشركات الكبرى، الذين يواجهون قيودًا على الميزانية بسبب عدم اليقين الاقتصادي أو حتى الركود، قد يختارون إعطاء الأولوية لمبادرات الذكاء الاصطناعي. يمكنهم تحويل الأموال بعيدًا عن المجالات الأقل أهمية لحماية استثمارات الذكاء الاصطناعي الاستراتيجية التي يُنظر إليها على أنها حاسمة للقدرة التنافسية المستقبلية.
ومع ذلك، فإن هذا الرأي المتفائل أبعد ما يكون عن كونه مضمونًا. الاختبار النهائي، وفقًا لـ Rana، سيكون ما إذا كانت الشركات الكبرى ستحافظ على أهدافها القوية للنفقات الرأسمالية، لا سيما لبناء مراكز بيانات الذكاء الاصطناعي، في مواجهة عدم اليقين الاقتصادي المتزايد. يبقى السؤال الحاسم: ‘هل سيقولون، ‘أتعلمون ماذا؟ الأمر غير مؤكد للغاية’’. ستحدد الإجابة ما إذا كان الزخم الذي يبدو أنه لا يمكن إيقافه وراء الإنفاق على البنية التحتية للذكاء الاصطناعي سيواصل صعوده المستمر أم سيواجه توقفًا غير متوقع تمليه الحقائق الاقتصادية العالمية.