كفاءة الذكاء الاصطناعي: لماذا هي المقياس الجديد للذكاء

كفاءة الذكاء الاصطناعي: القياس الجديد للذكاء

ملخص مصغّر: من HUMANX، في سان فرانسيسكو، تبرز قراءة استراتيجية واضحة: في مجال الذكاء الاصطناعي لا يتمثل الحدّ فقط في جودة النماذج، بل في الحوسبة المتاحة. لذلك، تصبح الكفاءة الطاقية، والتصميم المشترك للأجهزة والبرمجيات، والاستدلال والبيانات الخاصة عوامل حاسمة بشكل متزايد بالنسبة للشركات والبنى التحتية.

في النقاش حول الذكاء الاصطناعي، أصبحت كفاءة الذكاء الاصطناعي معيارًا محوريًا بشكل متزايد. في HUMANX كانت النقطة التي ظهرت ملموسة: الحوسبة محدودة بعوامل فيزيائية واقتصادية وطاقية. وبناءً على ذلك، فإن الحصول على المزيد من النتائج باستخدام موارد أقل هو الرافعة الرئيسية لمواصلة التوسع.

الأطروحة واضحة: إذا كانت الحوسبة المتاحة مقيدة، إذن “الكفاءة = الذكاء”. بمعنى آخر، ليست الكفاءة مجرد مسألة تحسين. إنها مضاعف مباشر لإمكانات الذكاء الاصطناعي.

هذه القراءة مهمة للشركات والمطوّرين والمستثمرين. في الواقع، تربط تطور النماذج بالبنى التحتية، وتكلفة الطاقة، وتصميم الأنظمة، والاستدامة الاقتصادية لعملية النشر.

المحرّكات الأربعة التي تدفع نمو الذكاء الاصطناعي

وفقًا للتحليل الذي عُرض في HUMANX، فإن تطور الذكاء الاصطناعي تقوده أربعة محرّكات رئيسية: التدريب، وما بعد التدريب، والنشر، والوكلاء.

يبني التدريب القدرات الأساسية للنموذج. ويقوم ما بعد التدريب بصقل سلوكه وتحسين فائدته العملية. يحوّل النشر النموذج إلى نظام قابل للاستخدام وقابل للتوسع. وأخيرًا، تمثل الوكلاء قفزة إضافية: لا يكتفون بتوليد المخرجات، بل ينفذون المهام، ويؤلفون الأدوات، ويعملون ضمن تدفقات أكثر استقلالًا.

ومع ذلك، فإن جميع هذه المستويات الأربعة تتطلب موارد حوسبية. عندما تصبح الحوسبة نادرة أو مكلفة، يصبح كل تقدم رهينًا بالقدرة على استخدام البنية التحتية المتاحة بشكل أفضل.

كفاءة الذكاء الاصطناعي والحوسبة: عنق الزجاجة الحقيقي

من بين أكثر الصيغ تأثيرًا التي ظهرت في الخطاب، “الحوسبة = الذكاء”. تساعد هذه الخلاصة على قراءة المرحلة الحالية من القطاع: جودة الذكاء الاصطناعي لا تعتمد فقط على بنية النموذج، بل أيضًا على كمية الحوسبة التي يمكن تعبئتها بشكل مستدام.

لكن الحوسبة ليست بلا حدود. فهي مقيدة بالتكاليف، وتوافر العتاد، وأزمنة تصميم الأنظمة، والقيود الفيزيائية، وبالأخص استهلاك الطاقة. لذلك، لا يحصل التفوق التنافسي فقط لمن يملك موارد أكثر، بل أيضًا لمن يصمم أنظمة أكثر كفاءة.

عمليًا، لا يكفي السعي وراء نماذج أكبر. يجب فهم أين يتم تخصيص الحوسبة، وماذا ينبغي تسريعه، وأي أحمال عمل يجب تحسينها، وما هي التنازلات التي يمكن قبولها بين الجودة وزمن الاستجابة والتكلفة.

كفاءة الذكاء الاصطناعي والطاقة: لماذا يكون القيد بنيويًا

من بين جميع القيود، يُشار إلى الطاقة باعتبارها الأكثر أهمية. التعريف المقترح دقيق جدًا: الكمبيوتر، في جوهره، هو جهاز يحوّل الطاقة إلى حوسبة.

ينقل هذا الملاحظة النقاش من البرمجيات إلى البنية التحتية. كل زيادة في قدرات الذكاء الاصطناعي تتطلب تغذية كهربائية، وتبريدًا، وكفاءة الشرائح، وإدارة حرارية، واستدامة اقتصادية لمراكز البيانات.

إذا كانت الطاقة هي القيد الأساسي، فإن تحسين الكفاءة الطاقية يعادل زيادة القدرة الحوسبية الفعلية. وبالتالي، لن تُحسم المنافسة في الذكاء الاصطناعي فقط على أساس اختبارات/مقاييس نماذج، بل أيضًا على أساس الواط المستخدم لكل وحدة من عمل مفيد، وتكلفة الاستدلال، والكثافة الحوسبية، والقدرة على الحفاظ على هوامش اقتصادية في الإنتاج.

كفاءة الذكاء الاصطناعي والتصميم المشترك: العتاد والبرمجيات معًا

الإجابة المقترحة لهذا القيد هي التصميم المشترك، أي التصميم المشترك للطبقة التقنية كاملة: الترانزستورات، وبنى العتاد، والخوارزميات، والمترجمات (compiler)، والأطر (frameworks)، والمكتبات، ومجموعات البيانات.

الرسالة واضحة: لا يكفي بناء أجهزة كمبيوتر أسرع، بل يجب فهم ما الذي ينبغي تسريعه. في سياق يتغير فيه نظام البرمجيات بسرعة، مع دورات يُذكر أنها تبلغ نحو 6 أشهر، فإن تصميم العتاد دون رؤية متكاملة للبرمجيات قد يؤدي إلى إنتاج أوجه عدم كفاءة أو أنظمة غير متوافقة بشكل كافٍ مع أحمال العمل الفعلية.

هذه النقطة حاسمة أيضًا لمن يستثمر. قرارات البنية التحتية لها آفاق طويلة، بينما تتطور برمجيات الذكاء الاصطناعي ضمن نوافذ مدتها 6-12 شهرًا. لذلك يصبح التصميم المشترك تخصصًا استراتيجيًا: فهو يقلل من خطر بناء قدرات تقنية تصبح—جزئيًا—قديمة بالفعل عند الوصول إلى السوق.

التحول من التدريب إلى الاستدلال يغيّر الأولويات

يمسّ ذلك الانتقال المحوري الآخر محور التركيز في القطاع. إذا كانت المرحلة الأولى من سباق الذكاء الاصطناعي يهيمن عليها التدريب، فإن الاهتمام اليوم يتجه نحو الاستدلال والنشر وقابلية التوسع في الإنتاج.

إنه تغيير مهم في نموذج التفكير. ففي التدريب تكون الغاية الأساسية هي تعظيم قدرات النموذج. أما في الاستدلال، فتُحسب الجودة وزمن الاستجابة والتكلفة معًا.

وهنا تصادف كثير من الشركات الواقع الاقتصادي للذكاء الاصطناعي. تقديم خدمة مفيدة لا يكفي. يجب تقديمها ضمن شروط قابلة للاستدامة.

يشير الخطاب أيضًا إلى خطر ملموس: التوسع مبكرًا جدًا، أو دون تحسين مناسب، قد يعني التوسع باتجاه الفشل. بالنسبة للشركات، فإن التسلسل المقترح أكثر تحفظًا: التحقق أولًا من الملاءمة بين المنتج والسوق، ثم تحسين الكفاءة ووحدات الاقتصاد، وأخيرًا توسيع نطاق العمليات.

نماذج أكثر تعقيدًا ونظام بيئي مفتوح

لا تشير المسار التقني إلى تبسيط الأمور. على العكس، يزيد تعقيد النماذج. ومن بين الأمثلة المذكورة Mixture of Experts، وهي بنية تستهدف استخدام مكونات متخصصة لتحسين الكفاءة في استخدام الحوسبة.

في هذا السياق، تلعب النماذج المفتوحة دورًا مهمًا. يُشار إلى Nemotron باعتباره مثالًا لنموذج مفتوح مفيد سواء لفهم التقنيات داخليًا أو لتمكين المجتمع.

بالنسبة للشركات، قد يساعد هذا النهج على فهم تنازلات معمارية أفضل، وأنماط النشر، وديناميكيات النظام البيئي، دون الاعتماد بشكل كامل على أنظمة مغلقة.

لكن يجب توضيح حد واحد في الصورة التي ظهرت: لم يتم تقديم معايير/مقاييس كمية أو بيانات تجريبية مفصلة حول الأداء أو الاستهلاك أو المزايا المقارنة. لذلك يبقى قيمة الرسالة في المقام الأول استراتيجية وتوجيهية.

البيانات الخاصة هي الميزة التنافسية الحقيقية

أحد أهم جوانب التطرق للبيئة المؤسسية (enterprise) يتعلق بالميزة التنافسية. إن الموقف المعبر عنه صريح: “moat” الحقيقي ليس النموذج بحد ذاته، بل البيانات الخاصة، ومعرفة المستخدمين، والسلوك الفعلي الذي يتم رصده مع مرور الوقت.

يقلّل هذا الرسالة من فكرة أن النموذج هو أصل حصري. إذا أصبحت النماذج متاحة أكثر فأكثر، وقابلة للتكرار، أو قابلة للدمج، فإن الفارق ينتقل نحو ما لا يستطيع المنافس نسخه بسهولة: مجموعات بيانات خاصة، وسياق تشغيل، وعمليات داخلية (workflow)، وتعليقات المستخدمين، والقدرة على تحويل هذه المعلومات إلى منتجات أفضل.

وبالتالي، تتغير أولويات الاستثمار لدى الشركات. ليس فقط تراخيص الذكاء الاصطناعي أو الوصول إلى نماذج متقدمة، بل أيضًا حوكمة البيانات، وجودة المصادر، والتكامل مع أنظمة الشركة، وحماية المعرفة الداخلية.

خطر الرهان على تقنية واحدة فقط

يشير الخطاب أيضًا إلى موضوع خطر استراتيجي. من الناحية النظرية، قد ترغب الشركة في توزيع مواردها على العديد من المسارات التقنية. ولكن عمليًا، تؤدي الموارد المحدودة، وأزمنة التطوير، والقيود على البنية التحتية إلى تقليل إمكانية إجراء “10 رهانات” في الوقت نفسه.

يعرض هذا إلى مشكلة نموذجية لمراحل الانتقال التقني: اختيار اتجاه واحد ضروري، لكنه قد يكون محفوفًا بالمخاطر. الاعتماد كثيرًا على بنية واحدة، أو مورد واحد، أو فرضية سوق واحدة قد يترك المنظمة بلا حماية إذا تغير القطاع بسرعة.

لهذا تصبح النهج المعيارية (modular) والأكوام/الطبقات المرنة (stack) واستراتيجيات الحفاظ على هوامش التكيف مهمة. في قطاع يتحرك بسرعة، تعد المرونة/الصمود المعماري (resilienza architetturale) أمرًا مهمًا تقريبًا مثل الأداء الخام.

ملايين النماذج المتخصصة والذكاء الاصطناعي الهجين محلي-سحابي

من أكثر السيناريوهات إثارة للاهتمام التي تم رسمها هو مستقبل لا يهيمن عليه نموذج عالمي واحد، بل ملايين النماذج المتخصصة للشركات وحالات الاستخدام والقطاعات العمودية.

تتمتع هذه الرؤية بمنطق صناعي قوي. التطبيقات المختلفة تتطلب تنازلات مختلفة بين الدقة والسرعة والتكلفة والخصوصية ومجال المعرفة. قد يبقى النموذج العام نقطة البداية، لكن القيمة التشغيلية تنتقل نحو نماذج مصممة لتلائم السياق الفعلي.

بالتوازي، تدفع الخصوصية والذكاء الاصطناعي المحلي نحو بنى هجينة، حيث يتم تنفيذ جزء من المعالجة على الجهاز (on-device) أو داخل المؤسسة (on-premise) وجزء في السحابة (cloud). بالنسبة للقطاعات المنظمة أو الحساسة، قد تصبح هذه التركيبة متطلبًا أكثر من كونها مجرد خيارًا تقنيًا.

النتيجة واضحة: يجب أن تكون البنية التحتية للذكاء الاصطناعي في المستقبل موزعة، لا أحادية/متراصة.

Beyond il linguaggio: la frontiera della spatial intelligence

لن يتوقف تطور الذكاء الاصطناعي عند اللغة. الحدود التالية المذكورة هي spatial intelligence: أنظمة قادرة ليس فقط على فهم النص، بل على إدراك الفضاء، والاستدلال حول العالم المادي، والتصرف في البيئات الفعلية.

يُوسع هذا الانتقال نطاق الذكاء الاصطناعي نحو الروبوتات، والإدراك متعدد الوسائط، والملاحة، والتفاعل الجسدي، ووكلاء قادرين على ربط الملاحظة بالفعل.

حتى هنا يبقى موضوع البنية التحتية محوريًا. كلما اقترب النظام من العالم الحقيقي، أصبحت زمن الاستجابة (latency) والكفاءة والموثوقية وقدرة التنفيذ المحلي أكثر حرجًا.

حتى الآن تبقى الصورة المقدمة استشرافية وغير مدعومة بإعلانات ملموسة أو نتائج تجريبية مفصلة. ومع ذلك، فإن الاتجاه الاستراتيجي واضح: ستتطلب المرحلة التالية من الذكاء الاصطناعي تركيزًا أقل على توليد اللغة وحده، وأكثر على التكامل بين الإدراك والاستدلال والفعل.

ما الذي سيتغير بالنسبة للشركات والبنى التحتية والاستراتيجية

الرسالة الشاملة التي ظهرت في HUMANX هي أن الذكاء الاصطناعي يدخل مرحلة أكثر نضجًا وأكثر انتقائية. توافر نماذج قوية لا يلغي القيود الفعلية: الحوسبة، والطاقة، وتكاليف الاستدلال، وتعقيد طبقات/مكوّنات النظام (stack)، وسرعة التغير التقني.

بالنسبة للشركات، يعني ذلك أن الفرق لن يصنعه فقط اعتماد الذكاء الاصطناعي، بل جودة كيفية تصميمه وتوزيعه ودعمه اقتصاديًا.

وبالتالي، تصبح التصميم المشترك، والكفاءة الطاقية، وإدارة الاستدلال، والاستخدام الذكي للبيانات الخاصة، والمرونة المعمارية عناصر حاسمة.

باختصار

التحليل الذي ظهر في HUMANX يقترح أطروحة دقيقة: في مجال الذكاء الاصطناعي، لا يتمثل الحدّ فقط في النموذج، بل في الحوسبة المتاحة والطاقة اللازمة لاستخدامها.

لهذا تصبح كفاءة الذكاء الاصطناعي متغيرًا استراتيجيًا. فهي تهم البنى التحتية والتكاليف وقابلية التوسع والاستدامة الاقتصادية.

في هذا السيناريو، يصبح الاستدلال والتصميم المشترك والبيانات الخاصة والمعماريات المرنة العوامل الرئيسية للمرحلة التنافسية القادمة للذكاء الاصطناعي.