Volkmar Uhlig: هناك الكثير من التراجع في الاستثمارات التي ووجهت إلى OpenAI ، وقد يكون هناك بعض المبالغة في تقدير حجم الطلب على AMD وNvidia. هذا من جانب واحد. من جانب آخر، إذا كنت ترى عدد مراكز البيانات التي تُبنى، فهو فعليًا يتوافق مع كمية شرائح الذكاء الاصطناعي المطلوبة.

Tim Hwang: كل ذلك وأكثر في حلقة اليوم من برنامج Mixture of Experts. معكم Tim Hwang، مرحبًا بكم في برنامج Mixture of Experts. كل أسبوع، يجمع برنامج MoE فريقًا من المشاركين الرائعين وخفيفي الظل وأصحاب الرؤى لمناقشة أحدث أخبار الذكاء الاصطناعي، وتبادل الآراء بشأنها، والتفكير فيها بعمق. ينضم إلينا اليوم ثلاثة مشاركين رائعين: ترحيب حار بـ Volkmar Uhlig، نائب رئيس البنية التحتية للذكاء الاصطناعي؛ Ambhi Ganesan، شريك في الذكاء الاصطناعي والتحليلات؛ وAaron Baughman، زميل IBM ومخترع بارع.

هناك الكثير لنتحدث عنه اليوم. سنتحدث عن عقد صفقة ضخمة بين Oracle وAMD، وتقييم جديد من مركز CAISI التابع لوزارة التجارة، وReflection AI، وصندوق رأس المال المغامر الذي يبدو أنه أقال جميع محلليه. لكن نبدأ أولاً بالأخبار من Aili

Aili McConnon: مرحبًا بكم جميعًا، معكم Aili McConnon، كاتبة أخبار تقنية في IBM Think. معي بعض العناوين المتعلقة بالذكاء الاصطناعي التي ربما تكون فاتتك هذا الأسبوع. قدمت Visa إطار عمل جديدًا لمساعدة التجار على التمييز بين مساعدات التسوق المشروعة المعتمدة على الذكاء الاصطناعي والروبوتات الخبيثة. الهدف: الحد من عمليات الشراء الاحتيالية التي تُجرى من قبل وكلاء الذكاء الاصطناعي. تتعاون Oracle وIBM لإطلاق مجموعة من وكلاء الذكاء الاصطناعي الجدد الموجهين للمؤسسات لأتمتة مهام مثل مراجعة الاتفاقيات المبرمة بين الشركات. وهذا يعني مزيدًا من الوقت للمهام التي تتطلب في الواقع لمسة بشرية.

هل وكيل خدمة العملاء الذي تتحدث إليه إنسان أم روبوت؟ في فعالية Dreamforce، الحدث الأبرز لشركة Salesforce، أعلنت الشركة عن إدخال أصوات مُنشأة بالذكاء الاصطناعي إلى وكلاء دعم العملاء لديها. أعلن Sam Altman على منصة X أنه اعتبارًا من ديسمبر، سيتيح ChatGPT محتوى إروتيكا للمستخدمين الذين تم التحقق من أعمارهم وتتجاوز 18 عامًا. ما الخطأ الذي يمكن أن يحدث؟ هل ترغب في التحليل العميق لهذه المواضيع؟ اشترك في رسالة Think الإخبارية عبر الرابط الموجود في ملاحظات الحلقة. الآن نعود إلى الحلقة.

Tim Hwang: اليوم أود أن أبدأ بأحد أهم قصص الأسبوع: أعلنت Oracle Cloud أنها ستنشر 50,000 شريحة من AMD في النصف الثاني من عام 2026. وتعد هذه صفقة ضخمة من حيث القيمة المالية، وتأتي بعد خبرين لافتين للاهتمام: أعلنت OpenAI سابقًا عن صفقة مع AMD لنشر معالجات بقدرة تبلغ حوالي 6 غيغاوات، كما أعلنت OpenAI بشكل منفصل عن صفقة مع Oracle قد تكون لمدة خمس سنوات وتصل قيمتها إلى 300 مليار دولار. Volkmar، أود أن أبدأ الحديث معك أولاً. يبدو أن الجميع يستهدفون منافسة Nvidia، وهناك تحالف مثير للاهتمام يتشكل بين OpenAI، وAMD، وOracle. ما مدى خطورة هذا الأمر على شركة Nvidia في نهاية المطاف، أم أننا سننتظر ونرى؟

Volkmar Uhlig: أعتقد أن السوق يشهد انفتاحًا، وأن المنافسين يلاحقون Nvidia. ولهذا يتبع Jensen استراتيجية شديدة الطموح تقوم على طرح شريحة جديدة كل عام. والأكثر إثارة للاهتمام هو أن OpenAI تستثمر في AMD وتستحوذ على حصة فيها. لذا، بالنظر إلى المنظومة: تستثمر Nvidia في OpenAI، ثم تعقد OpenAI صفقة مع Oracle، وتشتري الكثير من بطاقات Nvidia، وتستثمر أيضًا في AMD. هناك الكثير من الأموال التي تدور في دوائر، الأمر الذي يثير تساؤلاً: هل هذا اقتصاد حقيقي؟ لا بد أن يأتي المال من مكان ما.

هناك تراجع كبير في الاستثمارات التي تُضخ إلى OpenAI. من ناحية أخرى، إذا كنت ترى عدد مراكز البيانات التي تُبنى، فهو يتوافق مع كمية شرائح الذكاء الاصطناعي المطلوبة. من منظور OpenAI، من المنطقي الاعتماد على العديد من المصادر، وليس الاكتفاء بمصدر واحد. تحتاج AMD إلى طرح أول شرائحها الحقيقية لمراكز البيانات في السوق. إذن فالصفقة الإجمالية هي: شرائح AMD مع استثمار OpenAI في AMD، وهذه الشرائح تحتاج إلى مكان تُوضع فيه. تضع Oracle شرائح الذكاء الاصطناعي في مركز البيانات بكميات هائلة — وهو أمر طبيعي. شهدنا ارتفاعًا يقارب 40٪ في أسهم Oracle عندما أعلنوا عن صفقتهم مع Nvidia على مدار عدة سنوات. إذن فهذا التحالف الثلاثي معروف، ولست مندهشًا من أن OpenAI تعمل على تنويع مصادرها، بما في ذلك استحواذها على حصة تبلغ 10% في AMD.

Tim Hwang: Ambhi، ربما سننقل دفة الحديث إليك. رأيت تصورًا يوضح إلى أين تدفقت كل الأموال في اقتصاد الذكاء الاصطناعي—وهو في النهاية دائرة كبيرة، كما قال Volkmar. هل هذه علامة على وجود فقاعة؟ من جهة، تنتقل الأموال ذهابًا وإيابًا؛ ومن جهة أخرى، تتوافق عمليات التوسع في البنية التحتية مع الطلب المتوقع. لذا ربما لا يكون الأمر جنونيًا إلى هذا الحد. ما رأيك في هذا الأمر؟

Ambhi Ganesan: رأيت عماد ينشر منشورًا يصف هذا بأنه "فقاعة dot AI". ولكن إذا قارنت الاستثمارات كنسبة مئوية من الناتج المحلي الإجمالي — عصر الإنترنت مقابل الوقت الحالي — فلا يزال أمامنا بعض المجال قبل بلوغ تلك المستويات. إذن ما زلنا في المراحل المبكرة. نعم، تُعقد الصفقات، لكن حجم الاستثمار ليس كبيرًا بقدر الفائدة التي يمكن أن يحققها الاقتصاد. متوقع تحول أكبر وأوسع نطاقًا. إذن فهناك تصور بوجود فقاعة، لكن حجم الاستثمارات لا يتناسب مع الإمكانات التي يمكن إطلاقها على المدى الطويل.

Tim Hwang: إذن أنت تقول: تبدو هذه الصفقات جنونية، لكن انتظر—ستصبح أكثر جنونًا.

Volkmar Uhlig: انظر أيضًا إلى فقاعة الإنترنت: استثمارات ضخمة في الألياف البصرية، وحفر الخنادق لمدها. الآن نحن نبني مراكز البيانات. جاء العائد على الاستثمار في مرحلة الإنترنت على مدى 20 عامًا. منذ إطلاق ChatGPT، نشهد زيادة في الإنتاجية بنسبة 43٪ خلال عام أو عامين. جاءت الزيادات في إنتاجية فقاعة الإنترنت بعد ذلك بكثير. مع الذكاء الاصطناعي، يكون الأثر فوريًا لأن البنية التحتية موجودة بالفعل—التوزيع، ومراكز البيانات، وأجهزة الكمبيوتر. هل تتذكر أقراص AOL المدمجة؟ كل هذه البنية التحتية موجودة، لذا فإن الاعتماد عليها أسرع بكثير.

Ambhi Ganesan: وهذا متوقع تقريبًا. أنا مندهش من أن AMD استغرقت كل هذا الوقت لتتجاوز هذه الميزة التنافسية. شهدنا أولًا انهيار النماذج، وكانت طبقة التطبيقات مفتوحة إلى حد كبير بالفعل، وتشهد منافسة شديدة. لقد حافظت البنية التحتية على استقرارها، لكننا الآن نشهد تصدعات. إنه أمر لا مفر منه — رأسمالية بحتة. سترى المزيد من هذا على مستوى البنية التحتية في المستقبل.

Tim Hwang: Aaron، أريد أن أطرح عليك مسألة الميزة التنافسية. يشير الناس دائمًا إلى منصة CUDA باعتبارها خط الدفاع القوي لشركة Nvidia. هل نعتقد أيضًا أن هذا الجانب بدأ يتقلص؟ هذا جانب تتدفق فيه الأموال، لكنه يشهد أيضًا قدرًا كبيرًا من التحسين على هذا المستوى. كيف تتوقع بذلك؟

Aaron Baughman: لقد تتبعنا مسار الأموال حتى الآن، ولكن دعونا نتتبع مسار الطاقة. تعمل Oracle على نشر 50,000 من شرائح AMD 450— وهو ما يعادل نحو 50 مليون كيلوواط-ساعة. أنا أقود سيارة Tesla؛ وهذه الكمية من الطاقة يمكن أن تكفي لقطع 336 مليون ميل شهريًا. هل نحتاج فعلاً إلى كل هذه البنية التحتية الإضافية، في حين يمكننا مشاركة الموارد المتاحة؟ هل يمكن استخدام هذه الطاقة في موضع آخر لتشغيل مدينة صغيرة؟ تبلغ تكلفة الكهرباء وحدها 5 ملايين دولار شهريًا. لذا، فبدلاً من تتبع مسار الأموال، نتتبع مسار الطاقة—فهي المكان الذي تتدفق إليه الأموال.

فيما يتعلق بـ CUDA: تنشر OpenAI شرائح AMD 450، والأجهزة متقاربة من حيث الإمكانات. يمكننا مقارنة شرائح AMD Instinct بشرائح A100 وH100— فهي متقاربة من حيث الأداء، مع اختلاف التقنيات المستخدمة، مثل تقنية 2 نانومتر. لكن عند المقارنة بين CUDA وROCm، نجد أن CUDA هي منصة الحوسبة المتوازية المملوكة لشركة Nvidia، وهي متقدمة على ROCm من AMD بسنوات، رغم أن ROCm مفتوحة المصدر، وأن نطاق اعتمادها أصغر وما زالت أقل نضجًا. تعمل AMD مع OpenAI لتحسينها. لدى Nvidia مكتبات أخرى مثل cuDNN لضبط أداء خوارزميات التعلم العميق، وهي مكونات أساسية لبناء أنظمة الذكاء الاصطناعي التوليدي. لذا يتعين على شركة AMD اللحاق بالركب، حتى لو كانت قد استطاعت اللحاق بالركب في مجال الأجهزة.

Volkmar Uhlig: أريد أن أشارك. قد قررت جميع الشركات المصنعة إعداد طبقات توافق، بحيث تتوفر لديك نسخة من CUDA تعمل على شرائح AMD؛ وتسير Intel في الاتجاه نفسه. يعمل العالم على توحيد معايير CUDA، ما يتطلب إعادة تنفيذ، وقد أتيحت لشركة Nvidia فترة تتراوح بين 10 و15 عامًا لبناء هذا الحاجز. علاوة على ذلك، تدفع OpenAI بقوة Triton، وهو مستوى تجريد برمجي للتعامل مع وحدات معالجة الرسومات (GPUs)، وتُخفي CUDA في الخلفية. لذا فإن الهجمات من كلا الجانبين ستلتقي في المنتصف. بدأت OpenAI تطوير Triton بهدف عدم الاعتماد على وحدات GPU؛ بينما تقول الشركات الأخرى: "علينا دعم المنظومة، لنجعل أنظمتنا متوافقة مع CUDA."

ROCm: لطالما كانت بطاقات AMD مستخدمة في الحوسبة عالية الأداء؛ فالآلات الضخمة في مراكز الحوسبة تعتمد على GPUs من AMD. هذه المكتبات محصنة للغاية. لطالما كانت ATI (المعروفة الآن باسم AMD) وNvidia تتنافسان دائمًا، وكان لديهما تطبيقات GL وOpenCL. اتخذت AMD مسارًا مختلفًا: طورت مكدسًا تقنيًا جديدًا ويسمى ROCm، وكل شيء به مصدر مفتوح، حتى أنها أتاحت التفاصيل الداخلية للشرائح ولغة التجميع. تتبع Nvidia نهجًا مغلق المصادر بالكامل، مع طبقة تجريد للأجهزة تترجم ملفًا ثنائيًا وسيطًا إلى التعليمات الخاصة بالبطاقات الأساسية، بما يحجب خصائصها التقنية المختلفة. هناك اختلاف في الاستراتيجيات، ولكن من ارتفاع 3000 قدم، بطاقات AMD وNvidia هما نفس البنية الأساسية للحوسبة. لا أعتقد أن بناء طبقة التوافق هذه صعب للغاية.

Tim Hwang: لذا قد تكون الميزة التنافسية التي توفرها CUDA أقل مما نعتقد.

Volkmar Uhlig: نعم. لقد اختبرنا بطاقات AMD منذ أكثر من عام في وضع التوافق مع CUDA؛ يمكننا تشغيل نماذج لغوية كبيرة. أنت لا تدعم كل شيء — ديناميكيات السوائل والأشياء الأخرى التي تدعمها Nvidia. في الكلمة الرئيسية الأخيرة التي ألقاها Jensen، قال إنهم يعملون في 15 صناعة، ويمكنهم فعل كل شيء. لكن إذا كان 90% من الطلب يتعلق باستدلال نماذج اللغة الكبيرة (LLM)، و10% يتعلق بأمور أخرى، فإن الميزة التنافسية في هذه الاستخدامات الأخرى لا تمثل القطاع الذي تُنفق فيه تريليونات الدولارات على القدرات الصناعية.

Tim Hwang: لدى Jensen حوافز لدفع الأمور الأخرى—إذا تطورت تلك الأمور بسرعة، فسيكون لديه ميزة تنافسية أكبر من حالة الاستخدام الأساسية.

Ambhi Ganesan: فيما قاله Aaron وVolkmar، اعتقدنا أن البنية التحتية هي عنق الزجاجة. والآن مع نمو المنافسة بين AMD وNvidia وضعف الميزة التنافسية، قد تصبح الطاقة هي عنق الزجاجة — وهذا أمر مثير للاهتمام.

Volkmar Uhlig: كل شيء يتعلق بالبنية التحتية. والآن ننتقل إلى مستوى أدنى: أصبحت Schneider هي عنق الزجاجة، وقبل ذلك كانت HBM هي عنق الزجاجة.

Ambhi Ganesan: قد ترى تكامل رأسي مثير للاهتمام: استحواذ شركة OpenAI على حصص في شركات تصنيع الشرائح. يبدو الأمر وكأنه مسألة وقت قبل أن تستحوذ هذه المنظومة الضخمة على حصص في قطاع الطاقة، وتتجه بذلك نحو تكامل رأسي أكبر فأكبر.

Volkmar Uhlig: الأمر المثير للاهتمام هو مدى سرعة تكيف صناعة أشباه الموصلات. هناك مرونة في تسعير المعالجات الدقيقة، لكن الصناعات الأخرى بطيئة—جرّب شراء محول. البنية التحتية المادية التي لم تعتد على مراحل النمو المتسارع مضطرة إلى توفير قدرة كهربائية تعادل 100 ضعف ما هو متاح اليوم بحلول الغد.

Tim Hwang: الغد.

Volkmar Uhlig: بالضبط. هذا سيؤدي إلى تسارع وتيرة استبدال مكونات مراكز البيانات: فمن الأرخص استبدال بطاقة من Nvidia بدلاً من بناء محطة طاقة أخرى. إذن خلال العامين المقبلين، سنشهد وتيرة متسارعة لاستبدال الشرائح؛ لأن بقية مكونات البنية التحتية لا تستطيع مواكبة هذا التوسع—فاستبدال البطاقات أرخص من بناء محطات طاقة جديدة.

Tim Hwang: ستكون تلك مفارقة طريفة: يفرض الذكاء الاصطناعي توسعًا في البنية التحتية، مع آثار جانبية لافتة تمتد إلى ما هو خارج نطاق الذكاء الاصطناعي—فيصبح الأصغر هو من يقود الأكبر.

Aaron Baughman: يعجبني ما تتجه إليه AMD: كفاءة أكبر من حيث التكلفة، وسعر أقل لكل تيرافلوب. يؤدي توسيع نطاق استخدام GPU إلى 50,000 وحدة إلى توفير الملايين شهريًا، ما يؤدي إلى خفض تكاليف الطاقة. في IBM، لدينا شريحة TrueNorth—وهي منخفضة جدًا في استهلاك الطاقة، ويمكنها العمل على الأجهزة المحمولة باستخدام الارتباطات العصبية. المنافسة بين AMD وNvidia جيدة—فهي تؤدي إلى زيادة الابتكار لحل المشاكل الكبيرة الحالية والمستقبلية.

Tim Hwang: سأنتقل إلى موضوعنا التالي. تقرير مثير للاهتمام من مركز معايير الابتكار والذكاء الاصطناعي (CAISI)، وهو وحدة ضمن وزارة التجارة — ويُعد الجهة الحكومية المختصة بتقييم نماذج الذكاء الاصطناعي. عمل المركز على تقييم نموذج DeepSeek وفقًا لـ 19 معيارًا مرجعًا وخلصوا إلى أنه مقارنة بالنماذج الأمريكية، يعد متأخرًا في الأداء والتكلفة والأمان ومدى الانتشار. العنوان الرئيسي: لا تقلق بشأن DeepSeek. عندما ظهر نموذج DeepSeek لأول مرة، ناقشنا في برنامج MoE سؤال: "كيف يمكنك منافسة شيء مجاني؟ إنه خطر كبير." بالنظر إلى هذا التحليل، ربما لا يشكل نموذج DeepSeek تهديدًا كبيرًا لشركات الذكاء الاصطناعي الأمريكية. هل هذا صحيح؟

Ambhi Ganesan: هناك عدة أبعاد. لقد كنا نشدد دائمًا على بناء نماذج مزوّدة بضوابط الحماية والأمان المناسبة، خاصة في بيئات المؤسسات. عند التحدث إلى العملاء، والنماذج في المؤسسة، تصبح هذه الأشياء ذات أهمية قصوى. من المثير للاهتمام أن نرى أنه، خارج الظروف السياسية، يختار السوق النماذج التي تستوفي الضوابط والمتطلبات الأمنية. من زاوية أخرى: أدى نموذج DeepSeek إلى زيادة الاهتمام بالنماذج المفتوحة والنماذج مفتوحة المصدر. تضمن التقرير: زيادة بنسبة 1000٪ في تنزيلات نموذج DeepSeek. سلوك المستهلك يؤثر على سلوك المؤسسات؛ لأن المستهلكين أنفسهم يعملون داخل هذه المؤسسات. لذا، ازداد الاهتمام بالنماذج مفتوحة المصدر والنماذج المتاحة بمعدلات استخدام مفتوحة — ولا يقتصر على النماذج المملوكة للشركات. ديناميكية مثيرة للاهتمام: الرغبة في نماذج موثوقة وآمنة يُعتمد عليها، مع الحرص في الوقت نفسه على إتاحة التنوع والخيارات وإمكانية الاطلاع على مكونات هذه النماذج وفحصها. أتاحت الأوزان المفتوحة لنموذج DeepSeek إجراء اختبارات الضغط واختبارات التحمل لفهم تداعياته من حيث الأداء والأمان.

العنصر الثالث: على مستوى المقاييس، ولكن بعيدًا عن ضوابط الحماية، ومن منظور الأداء، يندرج هذا ضمن تعظيم نتائج المعايير المرجعية. نعم، تحتاج إلى معايير مرجعية أساسية، لكن في المؤسسات أو أي حالة استخدام، عليك أن تعتمد على مدى نجاح النموذج وفقًا للمقاييس التي تهمك. إذن فعناصر السلامة والموثوقية تعطي دلالة جيدة لما يجب استخدامه في المؤسسة. لكن من زوايا أخرى: هل يقدم الأداء المتوقع مقابل التكلفة المفترضة له؟

Tim Hwang: أنت تقول ربما لا يكشف هذا التحليل من هو الطرف المتقدم لأن المعايير لا تعكس الاستخدام الواقعي.

Ambhi Ganesan:  نعم، من ناحية الأمان، هناك بُعد واضح—فإذا تم اختراق النموذج وتجاوز عناصر الحماية، فهذه نقطة واضحة. لكن من منظور الأداء الحقيقي وتحسين التكلفة، لا يمكن أن نفترض أن نموذج DeepSeek يحقق أداءً جيدًا أم لا. يجب اختيار نموذج ومعرفة ما إذا كان مناسبًا لحالة الاستخدام.

Volkmar Uhlig: جميع هذه المعايير المرجعية متاحة للجميع؛ ويمكنك تدريب النموذج، كما أن الجميع يقيّمون نماذجهم باستمرار مقارنةً بهذه المعايير—فهي الطريقة التي تعرف بها متى تتوقف عن التدريب بعد بلوغ مستويات معينة. ليس لدينا اختبار الصندوق الأسود. في السوق، عندما يُطرح نموذج جديد، فمن الأفضل أن يتفوق على نموذجك الأخير وعلى أفضل النماذج في السوق. من المثير للاهتمام أن نرى معايير مرجعية مستقلة ومغلقة المصدر—فقد أجرى المعهد الوطني للمعايير والتقنية (NIST) اختبارات في مجال الأمن السيبراني ومهارات البرمجة؛ فبعض المعايير المرجعية مفتوح، والبعض الآخر مملوك لجهات معينة. فجأة ترى أشياء لم يُحسّن النموذج من أجلها. لذا، ربما يبالغ نموذج DeepSeek في التوافق على المعايير الشائعة والعامة، ويجري تحسينه لإحداث ضجة — وهذا منطقي. وهذا ما يُظهر أن الشركات الأمريكية تطوّر نماذج أكثر شمولاً وعمومية؛ لأن التقنية لم تكن موجهة بشكل حصري نحو تصدر قوائم الترتيب. لقد تصدروا قوائم الترتيب بفضل التقنيات المتقدمة التي يستخدمونها.

هل يعني ذلك أن الفرق التي لديها معايير مرجعية جديدة يمكنها تقييم نماذجها؟ بالتأكيد—هذه هي الطريقة التي تنشئ بها نموذجًا. إذا كنت تنشئ نموذج استدلال عام، فأنت تصنع معيارًا مرجعيًا كبيرًا، وتكتشف نقاط الضعف في نموذجك. هذه المنهجية هي الملكية الفكرية — فالملكية الفكرية للشركة في التدريب هي معرفة مواطن ضعف وقوة النموذج. لن تُطرح تلك المعايير الداخلية. أنا متأكد من أن DeepSeek على دراية كاملة بتقرير NIST؛ فهم لن يطرحوا نموذجًا بهذه المواصفات في السوق.

Tim Hwang: Aaron، يشير Volkmar إلى الديناميكيات: إذا كانت التقييمات الأكثر قيمة صندوقًا أسود وسرية، فقد تصبح منظومة التقييم نفسها أكثر غموضًا، وذلك للحفاظ على مؤشرات حقيقية وموثوقة. أحد الأمور الواردة في تقرير CAISI: أن نموذج DeepSeek الذي تدرب على الاختبار أصبح أقل روعة عند التدقيق فيه عن قرب، ما يشير إلى أمور حول كيفية إجراء التقييمات.

Aaron Baughman: ظاهريًا، هذه قصة تدور حول التناقضات. أُطلق DeepSeek V2 في يونيو 2024، وصاحب ذلك ادعاءات كبيرة؛ إذ قيل إن DeepSeek R1 أقل تكلفة بنسبة 96% من O1، ويحقق أداءً أفضل أو مماثلاً على معايير مرجعية مثل MATH 500 التي تقيس قدرات الفهم لعدة لغات على نطاق واسع. إذا جمعنا كل ذلك معًا، ونظرنا إلى ما فعله معهد NIST، يبرز سؤال: كيف حدث ذلك؟ كيف توصل معهد NIST إلى شيء مختلف؟

فكر في قيادة السيارة: المعيار المرجعي هو السرعة القصوى، من 0 إلى 60 ميلاً في الساعة، ومسافة التوقف الكلية. التقييم القياسي هو السلامة من الحوادث، والانبعاثات، والأمن السيبراني للأنظمة ذاتية التشغيل. ركز معهد NIST على تقييمات المعايير؛ وركز نموذج DeepSeek على المعايير المرجعية. وعند التعمق في الأمر، نجد أن معهد NIST قد نظر في معايير مرجعية لا تصمد أمام الموجهات التي صممت لاختبار نقاط ضعف النموذج، وتفتقر إلى الحياد السياسي؛ وهي مجالات تتقاطع فيها بعض المعايير المرجعية ضمن مخطط فن، لكنها تُقاس بطرق مختلفة. إن الطريقة التي اتبعها معهد NIST مهمة—فهي تشمل التكلفة التشغيلية ومخاطر استخدام النماذج الأجنبية.

تتناول قصة التناقضات هذه كيفية إجراء القياس وأفضل طريقة لرواية القصة. يمكن أن تخبرك الإحصائيات بما تريد سماعه؛ يمكنك اختيار الإحصائيات وقياسها بشكل مختلف. في النهاية، هذه أخبار رائعة لمجتمع الذكاء الاصطناعي؛ فهي تمنح المزيد من الخيارات وتوضح ما يكمن تحتها، وتوفر مقياسًا مستقلا.

Ambhi Ganesan: من ناحية التكلفة: أعلن التقرير عن تكلفة كل رمز مميز — مع التفكير دائمًا في تكلفة استهلاك الرموز المميزة عند التعامل مع العملاء. تحليل مقارن مثير للاهتمام: إذا استخدمت نموذجين لأداء نفس المهام، فالأمر لا يتعلق فقط بتكلفة كل رمز بل التكلفة لكل مهمة. حتى لو كانت تكلفة الوحدة أقل، فقد تكون الوحدة الفعالة (تكلفة إكمال المهمة) أعلى. يجب مراعاة هذه الفروق الدقيقة عند التفكير في الاقتصاد.

Tim Hwang: أنتقل إلى القصة التالية التي تجمع الموضوعات معًا. أعلنت شركة Reflection AI عن جمع ملياري دولار بتقييم قدره 8 مليارات دولار—وهو مبلغ صغير على نحو لافت هذه الأيام. تديرها مجموعة من المسؤولين السابقين في DeepMind. رسالتهم الأساسية: بدأت بالوكلاء والمصطلحات الرائجة في مجال الذكاء الاصطناعي؛ أما الآن يعلنون عن أنفسهم باعتبارهم الشركة الأمريكية الرائدة في مجال الذكاء الاصطناعي المتطور مفتوح المصدر. Volkmar، أنا مهتم: ألن تكون الجهة الرائدة في مجال المصدر المفتوح في الذكاء الاصطناعي المتطور ببساطة شركات الذكاء الاصطناعي المتطور الحالية؟ هل هناك مجال لشركة ناشئة تعتمد على المصدر المفتوح في السوق الأمريكي؟ كيف يمكنك قياس ذلك؟

Volkmar Uhlig: حسب ما جاء في المقال، قالوا الأوزان المفتوحة وليس التدريب المفتوح—وليس نشر مجموعات التدريب. لست متأكدًا بنسبة 100٪ من أين سيأتي التمايز. سيتعين عليهم منافسة Meta. هناك شركات أخرى تصنع نماذج متطورة؛ IBM تصنع نماذج متطورة، وتتيح كل شيء مفتوح—نطلق مجموعات التدريب، ونتمتع بدرجة كبيرة جدًا من الشفافية حول ما يدخل في النماذج، بما في ذلك التعويض. ويقولون إنهم يقدمون نموذجًا مفتوح المصدر آخر؛ ومن الأفضل لهم أن يجدوا ما يميّزهم؛ لأن مجرد كون النموذج مفتوح المصدر لا يكفي. منذ ثلاث سنوات، كان هذا سيحدث نجاحًا كبيرًا، ولكن الآن توجد شركات كبيرة في السوق.

عليهم أن يجدوا توجهًا مميزًا. انظر إلى Anthropic: لقد وجدوا مجتمع المطورين. قد تتبنى Reflection AI توجهًا مشابهًا: استهداف سوق محدد يكون فيه نموذجها أفضل، مع إتاحته كمصدر مفتوح وإمكانية ضبطه بدقة. أُطلق على OpenAI اسم "Open" وهي الآن الشركة الأكثر انغلاقًا. سنرى كيف ستسير الأمور. كلما زاد العدد كان ذلك أفضل—فكثرة الخيارات تزيد الضغط. لكن حجم الاستثمار أصغر بكثير نسبيًا، لذا قد نكون في المراحل الأخيرة من إنشاء شركات تطور نموذج الأساس. قد تكون من الشركات التي تظهر في المرحلة الأخيرة من هذا الاتجاه—فهي تضم فريقًا قويًا، ولديها سجل حافل بالإنجازات، وتستطيع الحصول على التمويل. شركات مثل Nvidia وغيرها—مسألة مالية مماثلة. يأخذون مليارًا من Nvidia ثم يعيدونه. بشكل عام، من منظور الاستثمار، نحن في المرحلة الأخيرة من إنشاء شركة تعمل في نماذج الأساس اللغوية الكبيرة — وربما يكون تباطؤ ظهور هذه الشركات مؤشرًا على ذلك. هناك خيارات كافية في السوق؛ فقد وضع كل مستثمر في رأس المال الجريء رهانه بالفعل، ولم يعد بإمكانه الاستثمار في شركات متنافسة. باستثناء Nvidia—هم يحصلون على المال من الجميع. إذن، نحن في المرحلة الأخيرة، ولكن من الجيد رؤية ذلك. يمكن أن يذهب المال إلى مكان آخر.

من منظور رأس المال المغامر، الانتقال من "هل نحتاج إلى شركة نماذج أخرى؟" إلى "ما هي التطبيقات؟" لدينا ألياف بصرية في الأرض (Nvidia، AMD)، وأنشأنا مراكز بيانات (TCP/IP)، ونماذج الأساس جاهزة. والسؤال التالي: من ستكون Google وAmazon القادمتين؟ هذا هو المجال الذي أركز عليه: تطبيقات الذكاء الاصطناعي التي تُحدث تحولاً في الصناعات لا تزال في مرحلة البنية التحتية الأساسية — الكهرباء ووحدات GPU والمكونات لتنفيذ أعمال تحويلية، ولكنها تحتاج إلى سعة وبنية تحتية جاهزة.

Tim Hwang: Aaron، هل توافق على تقييم Volkmar؟ ليس بالضرورة أن يكون هذا تشاؤمًا، لكننا ننتقل إلى مرحلة جديدة—فلم يعد المصدر المفتوح بالقدر نفسه من الجاذبية أو التميّز كما كان. كيف تقيّم احتمالية إنشاء منافس حقيقي ومستقل مفتوح المصدر؟

Aaron Baughman: لدى Reflection AI العناصر التي تؤهلها لتكون شركة ناجحة، ولكن النجاح ليس مضمونًا. قال Winston Churchill إن الأمريكيين سيتصرفون التصرف الصحيح بعد استنفاد جميع الاحتمالات. شركة Reflection AI ليس لديها الوقت لاستكشاف جميع الاحتمالات قبل أن تنجح. يجب أن تركز للغاية على إحداث فرق في المرحلة النهائية من هذا السوق الذي سيتشبع سريعًا.

نقاط القوة: سجل حافل بالأعضاء المؤسسين من DeepMind (AlphaGo)، وتقييم التمويل اللائق، وقائمة المستثمرين الجيدة (Nvidia، وSequoia)، واستقطاب المواهب، والمكانة في السوق. لديهم خارطة طريق طموحة، رغم أنهم لم يطرحوا أي نموذج حتى الآن. ما الذي سيفعلونه؟ وهذا يُشكل خطرًا على التنفيذ. نماذج LLM المتطورة تستهلك موارد وخبرات عالية جدا—وهذا يشكل صعوبة مع المنافسة. القيود المفتوحة: الأوزان المفتوحة فقط، وليس مثل IBM التي تقدم أوزانا مفتوحة وتحدد بوضوح ما يوجد فيما لديها من بيانات. فريق مكون من 60 شخصًا — إيجابيات وسلبيات لهذا البندول. سنرى ما إذا كان سينجح؛ وسيحتاجون إلى التعلم من الإخفاقات بسرعة حتى ينجحوا.

Tim Hwang: Ambhi، إذا نظرنا إلى الصورة الأشمل: تحدثنا عن السوق الأمريكية—عن Reflection AI في مواجهة Meta أو جهود OpenAI في التطوير مفتوح المصدر. في ضوء تقرير CAISI، دعونا نتأمل المنافسة الدولية في مجال النماذج مفتوحة المصدر. المنافس المناظر لشركة Reflection AI ليس بالضرورة Meta، بل ربما يكون مختبر أصغر مثل DeepSeek. من المثير للاهتمام أن تتنافس الشركات الصغيرة فيما بينها. كيف يمكنك زيادة حجم هذه المنافسة؟

Ambhi Ganesan: بذل الجهود لبناء العلامة التجارية: نماذج متطورة ومفتوحة المصدر—علامة تجارية جيدة وعرض بيع فريد. سواء في السوق الأمريكية أو الدولية مع الصين، في نهاية المطاف، أتفق نوعًا ما مع Volkmar وAaron ، لكنني لا أوافق على أن السوق سيكون مشبعًا إذا فكرت في نماذج LLM العامة—ربما نكون فقط نقترب من المراحل الأخيرة من هذا الاتجاه. لكن هذا مجرد تخمين—فنحن لا نعرف بعد ما الذي سيطرحونه. ربما يتحولون إلى أساليب أخرى—نماذج عالمية، من يدري؟ حتى في مجال نماذج LLM المعتمدة على النصوص فقط، أرى أن المجال الذي لم يصل إلى مرحلة التشبّع هو التخصص القطاعي. هناك بعض التشبّع في نماذج LLM العامة؛ أما نماذج LLM المطبَّقة في البرمجة ووكلاء البرمجة، فقد وصلت إلى درجة جيدة نسبيًا من النضج. لكن إذا وسّعنا نطاقها لتشمل مجالات المؤسسات، أي التخصص القطاعي في سياق المؤسسات، فلا تزال هناك مساحة واسعة لم تُستغل بعد ويمكن التوسع فيها. وهذا يعتمد على ما يحاولون طرحه. مجرد تكهنات سواء في سياق النماذج الصينية أو النماذج المتطورة في الولايات المتحدة—الجميع يستهدف السوق العالمية، ولا تقتصر أي شركة على سوق واحدة. انظر إلى السوق ككل.

Tim Hwang: Ambhi، ما قلته مثير للاهتمام: التخصص القطاعي —الشركات لديها مجموعات البيانات الخاصة بها.

Volkmar Uhlig: لم أرَ حتى الآن نموذجًا تجاريًا عالميًا يوفر بناء وتدريب النماذج للغير: أي شركة تصنّع نموذجك، وتوفّر التقنيات الأساسية، وتساعدك في بنائه، بحيث تنشئ نموذجك الخاص بعد إتمام مرحلة التدريب المسبق. هذا هو المجال الذي يمكن أن تتجه إليه شركات النماذج مفتوحة المصدر أو شبه مفتوحة المصدر—وهنا تكمن فرص جديدة. الآن إما أن تستخدم هذا النموذج كما هو أو تنسحب؛ فعملية الضبط الدقيق لا تحقق نتائج جيدة حقًا. ستمر هذه الصناعة بمراحل متكررة حتى تتمكن الشركات من بناء نماذج خاصة بتكلفة معقولة. هذه الصناعة لم تنشأ بعد.

Ambhi Ganesan: إنها مقايضة مفتوحة.

Volkmar Uhlig: نعم، هذا مثير للاهتمام للغاية—انتهى الأمر بنماذج Foxconn.

Tim Hwang:  ببساطة تحتاج إلى مجموعة حوسبة ضخمة، وأصبح بإمكان أي جهة الآن أن تكون شركة تعمل في مجال الذكاء الاصطناعي المتطور.

Volkmar Uhlig: ليس فقط الأجهزة — قدّم 90٪ من مجموعة التدريب، ومنهجية التدريب، أنا أعمل على تجميعها، وتدفع 5 ملايين دولار.

Tim Hwang: رائع جدًا. ننتقل الآن إلى قصتنا الطريفة الأخيرة — مجرد قصة عابرة، لكننا نرى كل بضعة أشهر عنوانًا مثل: "هل يُعقل أنهم أتمتوا كل هذه المهام واستغنوا عن كل هؤلاء الموظفين الذين كانوا يؤدون وظيفة X؟" وصلت هذه القصة أخيرًا إلى قطاع رأس المال المغامر. فقد نشرت Business Insider تقريرًا عن شركة Davidovs Venture Collective (DVC)—وهي صندوق استثماري بقيمة 75 مليون دولار، وهو مبلغ صغير وفقًا لمعايير اليوم. كانت حملتهم الترويجية: "استغنينا عن جميع المحللين واستبدلناهم بوكلاء ذكاء اصطناعي." الأمر أكثر إثارة للاهتمام مما يبدو للوهلة الأولى: فالنموذج يعتمد على شركاء الاستثمار المحدودين (LPs، وهم أشخاص مختلفون يعملون في شركات) للمساعدة في العثور على صفقات استثمارية لصالح صندوق رأس المال المغامر. التوريد، والاجتهاد، والتحليلات — العمل التحليلي الذي يقوم به الذكاء الاصطناعي. أنا مهتم بالذكاء الاصطناعي، ليس بالضرورة من منظور استبدال الوظائف، بل من منظور إعادة توزيع العمل. عادةً لا يبحث LPs عن الصفقات، لكن التقنية خفّضت التكاليف بما يكفي لجعلهم يضطلعون بهذا الدور أيضًا—الأمر أشبه بأن تتولى شراء احتياجاتك بنفسك، ولكن في عالم التمويل. Aaron، ما رأيك في نموذج الأعمال هذا؟ هل هو قابل للتطبيق ويعتمد بشكل أساسي على التسويق؟

Aaron Baughman:  لتوضيح هذا الأمر: تخلصت شركة DVC من جميع المحللين — خمسة أشخاص. يستخدمون وكلاء ذكاء اصطناعي للمساعدة في البحث عن الصفقات، ومراقبة المحفظة الاستثمارية، وإجراء العناية الواجبة. بدلاً من استبدال الوظائف، يتمحور الذكاء الاصطناعي حول تحوّل طبيعة الوظائف—وليس حول استبدال أعداد كبيرة أو حتى صغيرة من الوظائف. يجب أن نصبح مترجمين للذكاء الاصطناعي — أي أن تُعزَّز قيمة العمل البشري باستخدام الأدوات. أدوار جديدة تظهر: مهندسو الأخلاقيات، ومهندسو البيانات الاصطناعية، ومهندسو السلوك، والمدققون، ومنسقو الوكلاء، والمشرفون، واختصاصيو علم النفس في مجال الذكاء الاصطناعي. استبدال الأشخاص تسمية غير دقيقة—الأدق هو تحوّل طبيعة العمل.

هناك جانب نسبي في المسألة: فكل شخص يفسر الذكاء الاصطناعي بطريقته الخاصة. يعتقد البعض أن وكلاء الذكاء الاصطناعي واعون (يدركون، ويشعرون، ويختبرون الأشياء)، أو عقلاء (يفكرون، ويتمتعون بقدرة على الاستدلال العميق). ومن واقع خبرتي في بناء هذه الأنظمة، أعتقد أن لا هذا ولا ذاك. لكن المستخدم الذي يجري بحثًا سريعًا عن موضوع رائج قد يرى النتائج ويقول: "رائع، لا بد أنه واعٍ أو عاقل." من المهم أن يكون لدى الجميع فهم أساسي للذكاء الاصطناعي حتى يتمكنوا من أن يصبحوا مترجمين له. أتحدى DVC أن تغير هذه الرواية، وأن تتحدث عن تعزيز قدرات الناس بدلاً من استبدالهم.

Tim Hwang:قصة تحول طبيعة العمل مثيرة للاهتمام. Ambhi، أليس هذا يستدعي سؤالاً: لماذا يوجد صندوق لرأس المال المغامر؟ يتولى LPs البحث عن الصفقات وإجراء العناية الواجبة باستخدام الوكلاء، فما الذي يتبقى للصندوق من دور بعد إتمام ذلك؟

Ambhi Ganesan: لقد تحدثت عن عمليات الدفع الذاتي: أذهب إلى خدمة الدفع الذاتي في Costco، ولا يزال أمين الصندوق يساعدني، لكننا نقوم بذلك بشكل أسرع. بالنسبة إلى Aaron، ليس الاستبدال الكامل — ولكن التنسيق يجعل الأمر أسرع وأكثر فعالية. ينطوي مقال DVC على محاولة لتوجيه الرأي العام، وذلك بمجرد أن تفصل الغثَّ عن السمين. سؤال مهم: ما التحليلات الأساسية، واختبار الفرضيات، واختبارات الضغط التي تتطلب خبرة عميقة، مقارنةً بالتحليل الأولي والبسيط؟ إنه يكشف ما يحدث في العمق.

ومن الجانب الآخر، لا تقتصر صناديق رأس المال المغامر على التحليل فحسب، بل تشمل أيضًا العلاقات. انظر إلى كل من العناصر الفنية والعناصر التي تتطلب مهارات شخصية. نحاول تقليل الاعتماد على العناصر الفنية وجعلها أسهل، لكن العنصر الأساسي الذي يتطلب مهارات شخصية لا يزال قائمًا—مع الاستفادة من الذكاء الاصطناعي إلى أقصى حد ممكن.

Tim Hwang: Volkmar، الكلمة الأخيرة لك.

Volkmar Uhlig: لقد كنت مستثمرًا لمدة عام ونصف، ورأيتُ خفايا هذا المجال عن كثب. الصندوق صغير جدًا—75 مليون دولار، لا شيء تقريبًا. عادةً ما يساهم الأفراد أصحاب الثروات الكبيرة بدفع مليون إلى خمسة ملايين دولار لكل منهم، وإنشاء صندوق على مدار عشر سنوات، ويحاولون إعادة الأموال. على هذا النطاق الصغير ، فإنك تستثمر في الأشخاص—قبل المنتج، وقبل أي شيء. كم من المال يمكنهم استثماره؟ نصف مليون أو مليون؟ كل شيء يتعلق بالعلاقات. أكبر مشكلة في رأس المال المغامر هي تدفق الصفقات. الشيء الطبيعي هو تحفيز الناس لتتدفق الصفقات. إذا لم يكن المستوى أ (الجميع يريد المستوى أ) ، فتقول: "لدي ما أقدمه". يعتمدون على مساهمة LPs بالمال، ويحققون عوائد استثنائية، لكنهم يحتاجون في المقابل إلى الوصول إلى شبكة من العلاقات. LPs هم أفراد ذوو ثروات عالية في مجال التقنية—ومن خلالهم تحصل على مؤشرات مبكرة، أي معلومات مبكرة من أشخاص مطّلعين داخل القطاع. هذه هي الطريقة التي تحصل بها على تدفق الصفقات.

التحليل هنا: عندما تستثمر نصف مليون دولار، يقتصر التحليل على سؤال بسيط: هل تستطيع كتابة التعليمات البرمجية؟ هل أنت إنسان صالح؟ هل الفكرة معقولة؟ التحليل المتعمق: تحليل سوق العمل، واستخبارات السوق — هل يوجد سوق؟ ما هو المنتج؟ من هم الأشخاص الذين يجب توظيفهم؟ يمكن تطبيق الذكاء الاصطناعي على هذا التحليل. التحليل في المراحل المتأخرة هو التحليل المالي الأعمق—الإيرادات، التوقعات، التكلفة—وذلك بعد إطلاق المنتج ودخوله السوق. في هذه المرحلة المبكرة جدًا، لا يكون التحليل تحليلاً بالمعنى الحقيقي بقدر ما يكون نوعًا من التخمين—فالأمر يتعلق في الأساس بالعلاقات.

Tim Hwang: ملاحظة رائعة للنهاية. هذا هو الوقت المتاح لدينا. نشكر Ambhi وAaron وVolkmar على انضمامهم إلينا. أتمنى أن تنضموا إلينا مجددًا قريبًا. شكرًا للمستمعين. إذا استمتعت، يمكنك متابعتنا على Apple Podcasts وSpotify ومنصات البودكاست في كل مكان. نراكم جميعًا الأسبوع المقبل في برنامج Mixture of Experts.