مؤخراً، أثار تجربة فريدة من نوعها في تداول الذكاء الاصطناعي اهتماماً واسعاً. قامت شركة بتخصيص 10,000 دولار أمريكي كأموال ابتدائية لأكثر نماذج الذكاء الاصطناعي شعبية في السوق، بما في ذلك ChatGPT وDeepSeek، وسمحت لها بالتداول بحرية لمدة أسبوع لمقارنة قدرتها على تحقيق الأرباح.

كانت نتائج التجربة غير متوقعة. حيث أن ChatGPT الذي كان يُعتقد أنه "الأكثر هيمنة" لم يحقق الفوز بل تكبد خسائر تقارب 70% من رأس المال. بالمقابل، حقق DeepSeek مضاعفة الأموال في غضون أسبوع واحد، مما أظهر قدرة تداول مذهلة.

أثار هذا النتيجة مناقشات حماسية حول قدرات نماذج الذكاء الاصطناعي. ومع ذلك، فإن الحكم على أن DeepSeek أكثر ذكاءً من ChatGPT بناءً على هذه التجربة فقط قد يكون متسرعًا. في الحقيقة، الاختلاف في أداء كلاهما يعود بشكل رئيسي إلى أهداف تدريبهما واستراتيجيات تفكيرهما المختلفة.

بعد التعمق في الأمر، اتضح أن خلفية فريق DeepSeek تميل نحو التداول الكمي والربح السريع، فهم يفهمون جيدًا آلية عمل السوق وتفاصيل تنفيذ التداول. وهذا يعني أنهم أثناء تدريب الذكاء الاصطناعي، يركزون أكثر على تعليم "المنطق" بدلاً من "اللغة" البسيطة. نموذج DeepSeek قادر على تفسير هيكل السوق بدقة، وتدفق الأموال، وفرص الربح السريع، وهذه كلها عوامل رئيسية في تداول ناجح.

بالمقارنة، يُركز ChatGPT بشكل أساسي على سيناريوهات اللغة العامة، ويفتقر إلى الخبرة العملية في التداول، كما أنه لم يتم تحسينه بشكل خاص للأسواق المالية. وهذا يفسر لماذا كان أداء ChatGPT ضعيفًا في هذه المسابقة التجارية المحددة.

لذا، فإن نتائج هذه التجربة لا يمكنها ببساطة تحديد أي نموذج ذكاء اصطناعي أقوى. بل تعكس أكثر مدى تخصص الذكاء الاصطناعي المختلفة في مجالات معينة. فاز DeepSeek في هذه المسابقة، وذلك بشكل رئيسي لأنه يفهم ديناميكيات السوق بشكل أفضل، وليس بسبب تفوقه العام في مستوى الذكاء.

تقدم لنا هذه التجربة فكرة مهمة: لا يعتمد نجاح تطبيق الذكاء الاصطناعي فقط على ذكائه العام، بل الأهم هو كيفية تحسينه وتدريبه بعمق في مجالات محددة. في المستقبل، قد نشهد المزيد من نماذج الذكاء الاصطناعي المتخصصة التي تلعب دورًا فريدًا في مجالاتها.