رهان Microsoft المحسوب: إتقان الذكاء الاصطناعي بالصبر

في السباق المحتدم والمكلف للغاية للسيطرة على الذكاء الاصطناعي، غالبًا ما تملي الحكمة التقليدية أن قيادة الهجوم هي السبيل الوحيد للنصر. ومع ذلك، فإن Microsoft، العملاق المتجذر بعمق في ثورة الذكاء الاصطناعي التوليدي، ترسم مسارًا مختلفًا بشكل حاسم. بتوجيه من الرئيس التنفيذي لـ Microsoft AI، Mustafa Suleyman، تتبنى عملاقة Redmond دور المتحرك الثاني الماهر، تاركة الآخرين يشقون الطريق - ويتحملون التكاليف الباهظة - بينما تضع نفسها استراتيجيًا للاستفادة من اختراقاتهم. لا يتعلق الأمر بالتخلف عن الركب؛ إنها استراتيجية محسوبة للكفاءة والتحسين، وفي النهاية، التكامل السوقي.

اقتصاديات اتباع القائد

Mustafa Suleyman، الاسم المرادف لابتكار الذكاء الاصطناعي منذ أيامه في تأسيس DeepMind (التي استحوذت عليها Google لاحقًا)، لم يخجل من توضيح فلسفة Microsoft. في الخطاب العام الأخير، كشف عن المنطق: التأخر المتعمد عن أحدث ما توصلت إليه نماذج الذكاء الاصطناعي بهامش يتراوح بين ثلاثة إلى ستة أشهر هو في الأساس أكثر فعالية من حيث التكلفة. إن كثافة رأس المال الهائلة المطلوبة لتدريب النماذج ‘الرائدة’ حقًا - الخوارزميات التي تدفع حدود قدرات الذكاء الاصطناعي - هائلة، وتصل إلى مليارات الدولارات دون ضمان للنجاح الفوري في السوق أو قابلية التطبيق.

صرح Suleyman بصراحة: ‘استراتيجيتنا هي أن نلعب دور المتابع الثاني القريب جدًا، نظرًا لكثافة رأس المال المطلوبة لهذه النماذج’. يوفر هذا النهج ميزة مالية حاسمة. يتطلب بناء هذه النماذج التأسيسية مجموعات بيانات ضخمة، وجيوشًا من المهندسين المتخصصين للغاية، والأهم من ذلك، الوصول إلى احتياطيات هائلة من قوة الحوسبة، والتي تغذيها بشكل أساسي مجموعات GPU باهظة الثمن وتستهلك الكثير من الطاقة. من خلال السماح للرواد مثل OpenAI - وهي شركة استثمرت فيها Microsoft مليارات وتوفر لها بنية تحتية سحابية كبيرة - بمعالجة المراحل الأولية والأكثر خطورة من التطوير، تقوم Microsoft فعليًا بالاستعانة بمصادر خارجية لجزء كبير من عبء البحث والتطوير والمخاطرة المالية.

ومع ذلك، فإن هذا الفارق الزمني لا يقتصر فقط على توفير المال. أكد Suleyman أن الأشهر الإضافية تمنح Microsoft وقتًا ثمينًا لصقل وتحسين هذه التقنيات القوية لتطبيقات عملاء محددة وملموسة. غالبًا ما تظهر النماذج الرائدة كأدوات قوية ولكنها عامة إلى حد ما. تسمح استراتيجية Microsoft لها بمراقبة ما ينجح، وفهم القدرات الناشئة، ثم تصميم التطبيقات مباشرة لتلبية احتياجات قاعدة عملائها الواسعة من الشركات والمستهلكين. يتحول التركيز من البراعة التكنولوجية البحتة إلى المنفعة العملية - دمج الذكاء الاصطناعي بسلاسة في منتجات مثل Windows و Office (Microsoft 365) وخدمات Azure السحابية ومجموعتها المتنامية من مساعدي Copilot. الهدف ليس فقط الحصول على أحدث نموذج، ولكن على النسخة الأكثر فائدة للمهام الواقعية. يصبح هذا التحسين المرتكز على العملاء ميزة تنافسية في حد ذاته، ومن المحتمل أن يكون أكثر قيمة على المدى الطويل من كونه الأول المطلق عبر خط النهاية التكنولوجي.

التعايش مع OpenAI: اعتماد استراتيجي

يرتبط موقف Microsoft الحالي في مجال الذكاء الاصطناعي ارتباطًا وثيقًا بعلاقتها العميقة والمتعددة الأوجه مع OpenAI. هذا ليس مجرد استثمار سلبي؛ إنه حجر الزاوية في استراتيجية منتجات الذكاء الاصطناعي لـ Redmond. توفر Microsoft لـ OpenAI كميات هائلة من موارد الحوسبة السحابية Azure، وهي الوقود الأساسي لتدريب وتشغيل نماذج مثل سلسلة GPT. في المقابل، تحصل Microsoft على وصول مميز وحقوق ترخيص لدمج هذه النماذج الحديثة في نظامها البيئي الخاص. يسمح هذا الترتيب التكافلي لـ Microsoft بتقديم ميزات ذكاء اصطناعي متطورة عبر مجموعة منتجاتها دون تحمل التكلفة الكاملة والمخاطر الأولية لتطوير نماذج مماثلة بالكامل داخليًا من الصفر.

من وجهة نظر Microsoft، لماذا تكرار الجهد الهائل والنفقات التي يقوم بها فريق Sam Altman في OpenAI بالفعل، خاصة عندما توفر الشراكة وصولاً مباشرًا إلى ثمار هذا العمل؟ إنه نهج عملي يستفيد من قدرات البحث المركزة لدى OpenAI بينما يسمح لـ Microsoft بالتركيز على التكامل الأوسع وبناء المنصات ونشر السوق. يعتمد نجاح مبادرات Copilot من Microsoft، التي تدمج مساعدة الذكاء الاصطناعي في كل شيء بدءًا من البرمجة إلى جداول البيانات، إلى حد كبير على هذا الأساس.

ومع ذلك، فإن هذا الاعتماد، على الرغم من كونه استراتيجيًا، يثير بطبيعة الحال تساؤلات حول الاستقلال طويل الأجل. في حين أن الشراكة مفيدة للغاية حاليًا، إلا أنها تمثل اعتمادًا كبيرًا على كيان خارجي، وإن كان متحالفًا بشكل وثيق من خلال الاستثمار وتوفير البنية التحتية. ديناميكيات هذه العلاقة معقدة ومتطورة باستمرار، وتشكل المشهد التنافسي لصناعة الذكاء الاصطناعي بأكملها.

التحوط من الرهانات: صعود نماذج Phi

بينما تشكل الشراكة مع OpenAI حجر الأساس لعروض الذكاء الاصطناعي المتطورة لديها، فإن Microsoft لا تضع كل رهاناتها في سلة واحدة. تتبع الشركة في الوقت نفسه مسارًا موازيًا، حيث تطور عائلتها الخاصة من نماذج اللغة الأصغر والأكثر تخصصًا تحت الاسم الرمزي Phi. تمثل هذه المبادرة جانبًا مختلفًا، ولكنه مكمل، لاستراتيجيتها الشاملة للذكاء الاصطناعي.

على عكس النماذج الضخمة ذات الأغراض العامة مثل GPT-4، تم تصميم نماذج سلسلة Phi عمدًا لتكون مدمجة وفعالة. تتراوح عادةً في عدد المعلمات من خانة واحدة إلى خانتين عشريتين من المليارات، وهي أصغر بأضعاف مضاعفة من نظيراتها الرائدة. يجلب هذا الحجم الأصغر مزايا مميزة:

• الكفاءة: تتطلب طاقة حوسبة أقل بكثير للتشغيل، مما يجعلها أرخص بشكل كبير للعمل على نطاق واسع.
• الحوسبة الطرفية (Edge Computing): متطلباتها المتواضعة من الموارد تجعلها مناسبة للنشر على الأجهزة المحلية، مثل أجهزة الكمبيوتر المحمولة أو حتى الهواتف الذكية، بدلاً من الاعتماد فقط على مجموعات GPU القوية المستندة إلى السحابة. يفتح هذا إمكانيات لقدرات الذكاء الاصطناعي دون اتصال بالإنترنت، وتعزيز الخصوصية، وتطبيقات ذات زمن وصول أقل.
• الترخيص المتساهل: أصدرت Microsoft بشكل ملحوظ العديد من نماذج Phi بموجب تراخيص متساهلة (مثل ترخيص MIT)، مما يجعلها متاحة مجانًا لمجتمع البحث والتطوير الأوسع عبر منصات مثل Hugging Face. يعزز هذا الابتكار ويسمح للمطورين الخارجيين بالبناء على عمل Microsoft.

في حين أن نماذج Phi هذه لا تتباهى عمومًا بنفس اتساع الميزات أو معايير الأداء الخام لعروض OpenAI من الدرجة الأولى (تفتقر، حتى وقت قريب، إلى ميزات متقدمة مثل الوسائط المتعددة أو بنيات Mixture of Experts المعقدة الموجودة في النماذج الأكبر)، فقد أثبتت أنها مختصة بشكل ملحوظ بالنسبة لحجمها. غالبًا ما تتفوق بشكل كبير على فئتها الوزنية، وتقدم أداءً مثيرًا للإعجاب في مهام محددة نظرًا لعدد المعلمات المحدود. على سبيل المثال، يمكن لنموذج مثل Phi-4، على الرغم من كونه صغيرًا نسبيًا بحوالي 14 مليار معلمة محتملة، أن يعمل بفعالية على وحدة معالجة رسومات (GPU) واحدة متطورة، وهو إنجاز مستحيل للنماذج التي تكبرها بأضعاف والتي غالبًا ما تتطلب خوادم كاملة مليئة بوحدات معالجة الرسومات.

يخدم تطوير عائلة Phi أغراضًا استراتيجية متعددة. فهو يوفر لـ Microsoft خبرة داخلية في بناء النماذج، ويقلل الاعتماد على الشركاء الخارجيين لأنواع معينة من التطبيقات، ويلبي الطلب المتزايد على الذكاء الاصطناعي الطرفي الفعال، ويعزز النوايا الحسنة داخل مجتمع المصادر المفتوحة. إنه تحوط، ومسار بديل، وربما، نقطة انطلاق نحو استقلالية أكبر في مجال الذكاء الاصطناعي.

النظرة طويلة المدى: نحو الاكتفاء الذاتي

على الرغم من الفعالية الحالية لاستراتيجية ‘المتابع السريع’ والتكامل العميق مع OpenAI، فإن Mustafa Suleyman واضح بشأن طموح Microsoft النهائي: الاكتفاء الذاتي في مجال الذكاء الاصطناعي على المدى الطويل. لقد عبر عن هذه الرؤية بشكل لا لبس فيه، قائلاً: ‘من الأهمية بمكان على المدى الطويل أن نكون قادرين على القيام بالذكاء الاصطناعي بشكل مستقل في Microsoft’. يشير هذا إلى أن الاعتماد الحالي على الشركاء، مهما كان مفيدًا الآن، يُنظر إليه على أنه مرحلة انتقالية وليس حالة دائمة.

سيتطلب تحقيق هذا الهدف استثمارًا داخليًا مستدامًا وكبيرًا في البحث، واكتساب المواهب، وتطوير البنية التحتية، بناءً على الأسس التي وضعتها مشاريع مثل عائلة نماذج Phi. إنه يعني تطوير القدرات عبر مكدس الذكاء الاصطناعي بأكمله، من إنشاء النماذج التأسيسية إلى نشر التطبيقات، مما قد ينافس الشركاءالذين تعتمد عليهم حاليًا.

ومع ذلك، فإن هذا التحول ليس وشيكًا. خفف Suleyman نفسه من التوقعات، مشيرًا إلى طول عمر الشراكة الرئيسية الحالية: ‘حتى عام 2030، على الأقل، نحن في شراكة عميقة مع OpenAI، التي كانت لها علاقة ناجحة للغاية بالنسبة لنا’. يشير هذا الجدول الزمني إلى تطور تدريجي متعدد السنوات بدلاً من تحول مفاجئ. من المرجح أن تشهد السنوات الخمس إلى الست القادمة استمرار Microsoft في الاستفادة من تطورات OpenAI مع بناء قوتها الداخلية في نفس الوقت.

تلعب العوامل السياقية دورًا أيضًا. ظهرت مخاوف بشأن حصرية علاقة Microsoft-OpenAI السحابية عندما أعلنت OpenAI عن تعاون يشمل Oracle و Softbank، مما يشير إلى أن Microsoft لن تكون المزود السحابي الوحيد لمختبر أبحاث الذكاء الاصطناعي. في حين أن الشراكة الأساسية لا تزال قوية، فإن هذه التطورات تؤكد الطبيعة الديناميكية للتحالفات في مشهد الذكاء الاصطناعي سريع التغير ومن المرجح أن تعزز الضرورة الاستراتيجية لـ Microsoft لتنمية القدرات المستقلة. إن الطريق إلى الاكتفاء الذاتي هو هدف استراتيجي طويل الأجل، يوازن بين المزايا الحالية والاستقلال المستقبلي.

اتجاه أوسع: حزمة المتابعين

نهج Microsoft المحسوب للمتابعة الاستراتيجية ليس ظاهرة معزولة. أدت التكاليف الهائلة والشكوك الكامنة في دفع حدود الذكاء الاصطناعي المطلقة إلى قيام لاعبين رئيسيين آخرين في مجال التكنولوجيا بتبني استراتيجيات مماثلة، وإن كانت متنوعة. يشير هذا إلى أن كونك ‘متابعًا سريعًا’ أصبح أسلوب لعب معترف به وقابل للتطبيق في ساحة الذكاء الاصطناعي التوليدي.

تقدم Amazon Web Services (AWS) مثالاً موازيًا مقنعًا. مثل علاقة Microsoft مع OpenAI، استثمرت AWS بكثافة (مليارات الدولارات) في Anthropic، وهي منافس بارز لـ OpenAI معروفة بعائلة نماذج Claude الخاصة بها. توفر AWS موارد حوسبة سحابية كبيرة، بما في ذلك بنية تحتية مخصصة مثل مجموعة Project Rainier الخاصة بها، مما يضع Anthropic كشريك رئيسي على منصتها. في الوقت نفسه، تقوم AWS بتطوير عائلتها الخاصة من نماذج اللغة، التي يُقال إن اسمها الرمزي Nova. ومع ذلك، على عكس نهج Microsoft المفتوح نسبيًا مع Phi، يبدو أن AWS تحتفظ بـ Nova كملكية خاصة، وتدمجها بشكل أساسي داخل نظامها البيئي وخدماتها. يعكس هذا استراتيجية المتابع: الاستفادة من شريك رائد مع بناء القدرات الداخلية، وإن كان ذلك بنهج أكثر انغلاقًا مقارنة بمساهمات Microsoft مفتوحة المصدر.

يمتد هذا الاتجاه إلى ما وراء Silicon Valley. أظهر عمالقة التكنولوجيا الصينيون أيضًا براعة في هذه الاستراتيجية. حظيت Alibaba، من خلال فريق Qwen الخاص بها، باهتمام كبير. تشتهر عائلة نماذج Qwen، مثل Phi من Microsoft، بتحقيق أداء يتجاوز غالبًا التوقعات بالنسبة لنماذج بحجمها. لم يفتحوا بالضرورة آفاقًا جديدة تمامًا من الناحية التكنولوجية ولكنهم تفوقوا في التكرار السريع وتحسين المفاهيم التي ابتكرها الآخرون. على سبيل المثال، أصدر فريق Qwen نماذج تتضمن قدرات تفكير متقدمة بسرعة نسبية بعد أن شاع OpenAI المفهوم، مع التركيز على الكفاءة والأداء ضمن هذا النموذج الراسخ. تبنت Alibaba، على غرار Microsoft، أيضًا نهجًا مفتوحًا نسبيًا، حيث أصدرت العديد من نماذج Qwen للجمهور.

وبالمثل، أظهرت DeepSeek، وهي كيان صيني آخر للذكاء الاصطناعي، قوة التكرار المركّز. بمجرد التحقق من صحة مفهوم نماذج اللغة التي تركز على التفكير من قبل الرواد، ركزت DeepSeek على تحسين هذه البنى، مما قلل بشكل كبير من متطلبات الحوسبة لكل من تدريب وتشغيل مثل هذه النماذج. سمح لهم ذلك بتقديم نماذج عالية القدرة كانت أقل استهلاكًا للموارد نسبيًا، مما أدى إلى إنشاء مكانة متخصصة تعتمد على الكفاءة وإمكانية الوصول.

توضح هذه الأمثلة أن استراتيجية ‘المتابع السريع’ يتم استخدامها عالميًا. تراقب الشركات الاختراقات، وتتعلم من نجاحات الرواد وأخطائهم، ثم تركز مواردها على تحسين هذه التطورات وصقلها ودمجها بالطرق التي تناسب مواقعها السوقية المحددة وقواعد عملائها ونماذج أعمالها. إنه يقر بأنه في مجال يتطلب مثل هذه الموارد الهائلة، يمكن أن يكون التقليد والتكيف الاستراتيجيان بنفس القوة، وأكثر اقتصادا بكثير، من الاختراع المستمر.

ما وراء النماذج: بناء النظام البيئي للذكاء الاصطناعي

تتمثل إحدى المزايا الحاسمة، التي غالبًا ما يتم التقليل من شأنها، لاستراتيجية Microsoft في تحرير الموارد والتركيز. من خلال عدم استثمار كل دولار ومهندس متاح في السباق نحو النموذج التأسيسي الرائد التالي، يمكن لـ Microsoft تخصيص طاقة كبيرة لما قد يكون التحدي الأكثر أهمية للتبني الواسع النطاق للذكاء الاصطناعي: بناء النظام البيئي المحيط وتمكين التطبيق العملي.

إن أقوى نموذج للذكاء الاصطناعي في العالم له قيمة محدودة إذا لم يكن من الممكن دمجه بفعالية في سير العمل الحالي والعمليات التجارية ومنتجات البرامج. إدراكًا لذلك، تعمل Microsoft بجد على الأدوات والأطر والبنية التحتية اللازمة لسد الفجوة بين قدرة الذكاء الاصطناعي الخام وقيمة الأعمال الملموسة. هذا التركيز على ‘الميل الأخير’ لتطبيق الذكاء الاصطناعي هو بلا شك حيث توفر نقاط قوة Microsoft في برامج المؤسسات والمنصات السحابية ميزة تنافسية كبيرة.

تسلط العديد من المبادرات الرئيسية الضوء على هذا التركيز:

• Autogen: تم تصميم هذا الإطار لتبسيط إنشاء وتنسيق التطبيقات التي تتضمن وكلاء ذكاء اصطناعي متعددين يعملون معًا. غالبًا ما تتطلب المهام المعقدة تقسيمها إلى مهام فرعية يتعامل معها وكلاء ذكاء اصطناعي متخصصون؛ يوفر Autogen الهيكل لإدارة هذه التفاعلات بفعالية.
• KBLaM (Knowledge Base Language Model): تركز الأبحاث المعلنة على تقليل تكلفة الحوسبة والتعقيد المرتبطين بزيادة معرفة نموذج اللغة باستخدام مصادر بيانات خارجية منظمة (مثل قواعد البيانات). هذا أمر حيوي لتطبيقات المؤسسات حيث يحتاج الذكاء الاصطناعي إلى التفكير في بيانات الشركة المحددة بدقة وكفاءة.
• VidTok: يهدف هذا المرمز (tokenizer) للفيديو مفتوح المصدر الذي تم تقديمه مؤخرًا إلى توحيد طريقة تحويل محتوى الفيديو إلى تنسيق يمكن لنماذج التعلم الآلي معالجته وفهمه بسهولة. مع تزايد تعامل الذكاء الاصطناعي مع المهام متعددة الوسائط (النص والصور والفيديو)، تصبح أدوات مثل VidTok أساسية لبناء تطبيقات متطورة مدركة للفيديو.

هذه مجرد أمثلة على جهد أوسع. تصدر Microsoft باستمرار أوراق بحثية ومكتبات برامج وميزات منصة تهدف إلى جعل تكامل الذكاء الاصطناعي أسهل وأكثر كفاءة وموثوقية للمطورين والشركات. من خلال التركيز على هذه التقنيات التمكينية جنبًا إلى جنب مع تطوير نموذج Phi وشراكة OpenAI، لا تبني Microsoft نماذج ذكاء اصطناعي فحسب، بل تبني منصة شاملة مصممة لجعل الذكاء الاصطناعي متاحًا وقابلًا للإدارة ومفيدًا حقًا عبر قاعدة عملائها الواسعة. هذا التركيز الاستراتيجي على التطبيق والتكامل، الذي يسهله توفير التكاليف الناتج عن كونها ‘متابعًا سريعًا’ في تطوير النماذج الرائدة، يمكن أن يكون في النهاية العامل الحاسم في سباق الذكاء الاصطناعي طويل الأجل.