تتمحور ميزة إنفيديا في الحوسبة العامة باستخدام وحدات معالجة الرسومات (GPGPU) — وهي مجموعة الحلول المكوَّنة من الأجهزة والبرمجيات التي تشكّل الأساس العملي لجميع مجموعات تدريب نماذج الذكاء الاصطناعي المتقدمة تقريبًا — في صميم حُجة هيكلية دقيقة طرحها العدد رقم 138 من بودكاست الذكاء الاصطناعي: إعادة ضبط إلى الصفر والذي يحمل عنوان «التلاعب بالنظام». ووفقًا للإطار التحليلي الذي قدّمه هذا العدد، فإن شركتي إنفيديا ومختبر أوبن آي (OpenAI) ومختبر أنثروبيك (Anthropic) تستغل كلٌّ منها مواقفها الهيكلية داخل نظام الذكاء الاصطناعي بطرق تمتد بعيدًا جدًّا عن التفوّق التقني المحض، ما يثير تساؤلاتٍ حول ما إذا كانت السوق الحالية تكافئ النماذج الأفضل فعليًّا أم أنها تكتفي بتكريم الشركات الأفضل موقعًا هيكليًّا.
أبرز النقاط المستخلصة
- الذكاء الاصطناعي: إعادة ضبط إلى الصفر يستعرض العدد رقم 138 من سلسلة ARD كيف تستفيد إنفيديا وأوبن آي وأنثروبيك من المزايا الهيكلية — وليس الجودة الهندسية وحدها — لتشكيل طبيعة المنافسة في مجال الذكاء الاصطناعي.
- وتُعتبر ميزة إنفيديا في الحوسبة العامة باستخدام وحدات معالجة الرسومات (GPGPU) محور هذه التحليلات، إذ تمنح هذه الميزة المختبرات التي تحظى بإمكانية وصول مُفضَّلة إلى أحدث أجهزة التدريب الخاصة بإنفيديا ميزة تنافسية مستدامة على منافسيها.
- ويُناقش العدد أوبن آي في سياق صياغة الاختبارات المرجعية (benchmarks) ووضع الإمكانات؛ بينما يتناول أنثروبيك في سياق امتلاكها شهادات السلامة باعتبارها حاجزًا تنافسيًّا.
- ويصوِّر العدد هؤلاء الفاعلين الثلاثة كأجزاء مترابطة ضمن نظام واحد، بدلًا من اعتبارهم منافسين مستقلين يعملون في بيئة محايدة.
- وبنتيجة هذه الديناميكيات، يواجه المختبرات الأصغر والمبرمجون المستقلون عوائق متراكمة، وفقًا للحُجة التي طرحها العدد.
- ويمكن أن تساعد أدوات مثل حاسبة تكلفة واجهات برمجة تطبيقات الذكاء الاصطناعي (API) و حاسبة مجانية لحساب متطلبات الذاكرة عالية السرعة (VRAM) نموذج تكلفة الاستنتاج (Inference Cost Model) في مساعدة الفرق المستقلة على تقييم موقفها الخاص ضمن هذا المشهد.
ما المقصود بعبارة «التلاعب بالنظام» في سياق الذكاء الاصطناعي؟
إن عبارة «التلاعب بالنظام» هي اتهامٌ محدَّدٌ لا يتضمَّن ادعاءً بالمخالفة القانونية؛ بل تصف استغلال القواعد أو الظروف الهيكلية بطريقة لم يُقصد منها المصمِّمون الأصليون، وبطريقة يصعب على المنافسين الذين لا يتمتعون بمزايا انطلاق مماثلة أن يُعيدوا إنتاجها. وعند تطبيق هذه العبارة على مجال الذكاء الاصطناعي، فهي تشير إلى فجوة بين المنافسة الرسمية والمنافسة الفعلية: إذ يمكن للشركات أن تبدو وكأنها تتنافس على أساس الجدارة التقنية، وفي الوقت نفسه تشكّل الشروط التي تُقاس بها هذه الجدارة.
وكما الذكاء الاصطناعي: إعادة ضبط إلى الصفر يوضّح في العدد رقم 138 من سلسلة ARD، فإن كلًّا من إنفيديا وأوبن آي وأنثروبيك يطبّق نسخةً مختلفةً من هذه الديناميكية. فشركة إنفيديا تتحكم في الطبقة المادية (الأجهزة)، بينما تتحكم أوبن آي في معظم الروايات المتعلقة بالاختبارات المرجعية (benchmarks) والنشر التطبيقي، وتتحكم أنثروبيك في حصة متزايدة من سوق شهادات الثقة والسلامة. ويتمثل الإسهام التحليلي لهذا العدد، وفق التقرير، في معاملة هذه المواقع الثلاثة باعتبارها مُعزِّزةً لبعضها البعض، لا باعتبارها مزايا منعزلة — أي أنه نظامٌ متكاملٌ، وليس مجرد مجموعة من المزايا المنفصلة.
وهذا الإطار ليس حصريًّا لهذا العدد، لكن قيمة العدد رقم 138 من سلسلة ARD تكمن في رسم هذه الصلات الهيكلية بشكل صريح في لحظةٍ تزداد فيها الرقابة التنظيمية على تركّز سوق الذكاء الاصطناعي عبر عدة ولايات قضائية.
ميزة إنفيديا في الحوسبة العامة باستخدام وحدات معالجة الرسومات (GPGPU): الطبقة البنية التحتية
ويتمثل الأساس الذي تقوم عليه هذه الحُجة، وفق التقرير، في الموقع الذي تحتله شركة إنفيديا في طبقة الحوسبة. فقد كان استخدام وحدات معالجة الرسومات (GPUs) في الحوسبة العامة (GPGPU) هو الاختراق التقني الذي جعل التعلُّم العميق على نطاق واسع قابلًا اقتصاديًّا، كما أن الاستثمار المبكر لإنفيديا في منصة CUDA خلق نظامًا متكاملًا من الأجهزة والبرمجيات أصبح منذ ذلك الحين البنية التحتية الافتراضية لتدريب النماذج المتقدمة. واليوم، فإن الذكاء الاصطناعي: إعادة ضبط إلى الصفريُفيد بأن معظم أعباء العمل (workloads) في هذا المجال هي منتجات إنفيديا، وأن أبرز النماذج المدرجة في أي أفضل وحدات معالجة الرسومات للذكاء الاصطناعي — بدءًا من نماذج فئة GPT ووصولًا إلى نموذج كلاود (Claude) — قد تم تدريبها على رقاقات إنفيديا. قاعدة بيانات نماذج الذكاء الاصطناعي النتيجة العملية لهذه الحقيقة تمتد أبعد من الجدوى الاقتصادية للوحدة الواحدة. فالفرق البحثية التي تحظى بإمكانية وصول مُفضَّلة إلى أحدث أجيال أجهزة التدريب من إنفيديا — سواء عبر شراكات سحابية أو علاقات حقوق ملكية أو اتفاقيات توريد بالحجم الكبير — يمكنها تكرار عمليات تطوير النماذج وتحسينها بسرعة أكبر وبتكلفة أقل بكثير من حيث التكلفة المتوسطة المُوزَّعة مقارنةً بتلك التي لا تتمتع بهذه الميزة. ووفقًا للإطار التحليلي الذي قدّمه العدد، فإن هذا الأمر لا يُعد مجرد نتيجة طبيعية لتفوّق هندسي أعلى، بل يُبحث على أنه أداة تحكم هيكلية يمكن لإنفيديا أن تديرها استراتيجيًّا، بل ويُفترض أن ذلك يحدث فعلًا.
أما ما إذا كانت هذه الأداة تعكس سياسة متعمدة لتثبيت النظام البيئي (ecosystem lock-in) أو الآثار الناشئة عن القيادة التقنية الحقيقية، فهو سؤال يطرحه العدد دون أن يصل، وفق المواد المصدرية المتاحة، إلى قرار نهائي بشأنه. وهذه الغموض ذاته له دلالة تربوية: فالخط الفاصل بين الميزة التنافسية والتلاعب الهيكلي نادرًا ما يكون واضحًا في أسواق التكنولوجيا.
وفي الطبقة المتعلقة بالنماذج، ينتقل العدد رقم 138 من سلسلة ARD، وفق التقرير، إلى مناقشة أوبن آي ومسألة كيفية تأثير اختيار الاختبارات المرجعية وصياغة الإمكانات على تصورات أداء أنظمة الذكاء الاصطناعي. وهذه مسألة هيكلية تنطبق على أي شركة تنشر نتائج تقييماتها الخاصة، لكنها ذات تأثير بالغ في الطليعة، حيث تُوجِّه الاختبارات المرجعية تغطية وسائل الإعلام، وقرارات المشتريات المؤسسية، واتخاذ المطورين لقرارات اعتماد التقنيات.
أوبن آي ومشكلة صياغة الاختبارات المرجعية (Benchmark Framing)
وعندما تكون المنظمات التي تصمّم أكثر النماذج تقدمًا هي نفسها التي تختار الاختبارات المرجعية التي تُعتبر دليلًا على التقدّم، فإن شروط التحقق الدائري تصبح قائمة. فالنموذج الذي تم تحسينه خصيصًا ليؤدي أداءً ممتازًا في الاختبارات المرجعية التي ساعد مطوّروه في تعميمها سيؤدي أداءً ممتازًا فيها بالفعل، وسيُبلَّغ عن هذا الأداء باعتباره دليلًا على التفوّق القيادي. أما ما إذا كانت أوبن آي توصف في العدد رقم 138 من سلسلة ARD بأنها تستغل هذه الديناميكية بنشاط أو أنها تستفيد منها فقط دون نية تلاعب، فهذا غير واضح من الإطار التحليلي المعلن في العدد، لكن النقد الهيكلي يبقى ثابتًا بغض النظر عن ذلك.
وبالنسبة للمطورين الذين يستخدمون
نموذج تكلفة الاستنتاج (Inference Cost Model) مؤشر الأداء السعري للذكاء الاصطناعي لمقارنة النماذج، فإن هذا الأمر له تأثير عملي مباشر: إذ تتباعد درجات الأداء المُبلَّغ عنها في الاختبارات المرجعية والأداء الفعلي في المهام الواقعية أكثر ما يكون في المجالات التي يكون لدى الجهات الراسخة فيها حافز أقوى لاختيار معايير تقييم مُلائمة لها.
موقع أنثروبيك في مجال السلامة باعتباره حاجزًا تنافسيًّا
أما الطبقة الهيكلية الثالثة التي يتناولها العدد رقم 138 من سلسلة ARD، وفق العنوان الذي أُطلق عليه، فهي استخدام أنثروبيك لموقفها في مجال السلامة والثقة. وقد استثمرت أنثروبيك استثمارًا كبيرًا في أبحاث سلامة الذكاء الاصطناعي، وعملية تفسير النماذج (interpretability)، والسرد المتعلق بالنشر المسؤول، وترجم هذا الاستثمار إلى مزايا تنافسية ملموسة في القطاعات الخاضعة للتنظيم، والمشتريات المؤسسية، والنشر في المشاريع المرتبطة بالحكومات، حيث يُعد الخطر السمعي عاملاً رئيسيًّا.
وهذا بحد ذاته ليس أمرًا سلبيًّا أو مُستهجنًا. فالاستثمار الحقيقي في السلامة يُنتج تحسينات حقيقية في السلامة. أما الحُجة الهيكلية، كما يصوغها الذكاء الاصطناعي: إعادة ضبط إلى الصفر التقرير، فهي أكثر دقةً: فهي تشير إلى أن شهادات السلامة، بعد أن تُرسّخ، تتحول إلى حاجز تنافسي يصعب على المنافسين ذوي الكفاءة التقنية ولكن ذوي الحضور الأقل أن يُعيدوا إنتاجه بسرعة، بغض النظر عن الخصائص الفعلية للسلامة في أنظمتهم. والنتيجة هي أن الثقة، شأنها شأن إمكانية الوصول إلى الحوسبة وامتلاك سلطة الاختبارات المرجعية، تتجمع لدى الجهات الراسخة.
الثلاثة أدوات التحكم: ملخّص هيكلي
والجدول التالي يوضح الأدوات التحكم الثلاثة التي حددها الإطار التحليلي للعدد رقم 138 من سلسلة ARD — وفق التقرير الصادر عن الذكاء الاصطناعي: إعادة ضبط إلى الصفر — والآليات التي تعمل من خلالها كلٌّ منها:
| الفاعل | الأداة التحكم الرئيسية | الآلية | الأثر على المنافسين |
|---|---|---|---|
| إنفيديا | البنية التحتية للحوسبة العامة باستخدام وحدات معالجة الرسومات (GPGPU) | الارتباط بمنصة CUDA، وتوريد وحدات معالجة الرسومات (GPUs)، وتحديد وتيرة إطلاق الخطط المستقبلية (roadmap pacing) | يرفع تكلفة بناء مجموعات برمجية وهندسية بديلة للأجهزة |
| أوبن إيه آي | الرواية المتعلقة بالاختبارات المرجعية والنشر التطبيقي | اختيار الاختبارات المرجعية، وصياغة الإمكانات، ومستويات التسعير | تشكّل التسلسل الهرمي المدرك لأداء النماذج |
| أنثروبيك | شهادات السلامة والثقة | الإفصاح عن الأبحاث، والمشاركة التنظيمية، والسرد المؤسسي | تخلق حاجزًا سمعيًّا في الأسواق عالية المخاطر |
وهذه الأدوات التحكم مترابطة هيكليًّا. فشركة إنفيديا تزود كلًّا من أوبن آي وأنثروبيك، ما يخلق انسجامًا في الطبقة المادية بين طبقة الحوسبة ومختبري النماذج المتقدمة الأكثر بروزًا. ثم تُطبَّق سلطة الاختبارات المرجعية وشهادات السلامة فوق هذا الأساس البنائي المشترك. وبالتالي، فإن النظام، وفق الإطار الذي قدّمه العدد، ذاتي التعزيز.
ما الذي ينبغي أن يستخلصه المطورون المستقلون والمختبرات الأصغر
أما بالنسبة للمطورين العاملين في مجال الذكاء الاصطناعي، فإن الحُجة الهيكلية في العدد رقم 138 من سلسلة ARD تتحول إلى قيود عملية. فالتكلفة الباهظة لإمكانية الوصول إلى قدرات الحوسبة العامة باستخدام وحدات معالجة الرسومات (GPGPU) على نطاق التدريب، وكون هذه الإمكانية متاحة لمعظم الفرق المستقلة فقط عبر الوسطاء السحابيين وبهوامش ربح تحددها الجهات الراسخة في البنية التحتية نفسها. كما أن المقارنات القائمة على الاختبارات المرجعية تكتبها في الغالب المنظمات التي تخضع للتقييم. أما شهادات السلامة أو الثقة فتُبنى على مدى سنوات، وليس خلال فصول مالية قصيرة.
وهذا لا يجعل النظام البيئي غير قابل للتنقّل فيه، لكنه يعني أن التنقّل فيه بوضوح يتطلب فهمًا لماهية الإشارات الظاهرة التي تدل على الجودة والتي هي في الواقع نتاج ظروف هيكلية. واستخدام حاسبة المقارنة بين الاستضافة الذاتية وواجهة برمجة التطبيقات (API) نموذج تكلفة الاستنتاج (Inference Cost Model) لنمذجة تكاليف الاستنتاج الفعلية — بدلًا من الاعتماد على مقارنات التسعير التي تنشرها الجهات الراسخة — يُعد خطوة ملموسة واحدة نحو تقليل الاعتماد على الطبقة التي ينتقدها العدد. أما الدرس الأوسع فهو أن الوعي الهيكلي بحد ذاته أداة تنافسية في حق ذاتها بالنسبة للفِرق العاملة خارج الطبقة الداخلية.
الأسئلة الشائعة
عن ماذا يدور العدد رقم 138 من سلسلة «الذكاء الاصطناعي: إعادة ضبط إلى الصفر» (AI: Reset to Zero)؟ يتناول العدد رقم 138 من سلسلة ARD، والذي يحمل عنوان «التلاعب بالنظام»، وفق الإطار التحليلي المنشور للعدد، كيف تستغل شركات إنفيديا وأوبن آي وأنثروبيك مزاياها الهيكلية — ومنها توريد الأجهزة، وتصميم الاختبارات المرجعية، والموقف في مجال السلامة — لتشكيل طبيعة المنافسة في سوق الذكاء الاصطناعي.
ما معنى ميزة إنفيديا في الحوسبة العامة باستخدام وحدات معالجة الرسومات (GPGPU) بالنسبة لسوق الذكاء الاصطناعي؟ يعني ذلك أن المختبرات التي تتمتع بإمكانية وصول مُفضَّلة إلى أجهزة وحدات معالجة الرسومات (GPUs) الخاصة بإنفيديا ومنصة برمجيات CUDA يمكنها تدريب النماذج المتقدمة وتطويرها بشكل أسرع وبتكلفة أقل من تلك التي لا تتمتع بهذه الميزة، ما يخلق فجوة هيكلية مستدامة بين المنظمات التي تمتلك أولوية في الحوسبة والمنظمات التي تفتقر إليها.
هل يعادل مصطلح «التلاعب بالنظام» السلوك المناهض للمنافسة؟ ليس بالضرورة. فالعبارة تصف استغلال الظروف الهيكلية، وليس انتهاك القواعد. أما ما إذا كانت أي ممارسة محددة من قبل إنفيديا أو أوبن آي أو أنثروبيك تتجاوز الحدود إلى سلوك مناهض للمنافسة يمكن اتخاذ إجراءات تنظيمية ضده، فهو سؤال تنظيمي منفصل تفحصه حاليًّا عدة ولايات قضائية.
كيف يمكن للمطورين المستقلين في مجال الذكاء الاصطناعي تقليل تعرضهم لهذه الديناميكيات الهيكلية؟ تشمل الخيارات العملية تقييم النماذج المفتوحة المصدر لتقليل الاعتماد على واجهات برمجة التطبيقات (API)، وتقييم إمكانية استضافة النماذج ذاتيًّا باستخدام أدوات تقدير تكاليف البنية التحتية، ومقارنة أسعار واجهات برمجة التطبيقات عبر موفِّري الخدمة بشكل مستقل بدلًا من الاعتماد على المقارنات التي يُعدّها الموفِّرون الرئيسيون.
أين يمكنني العثور على الحلقة رقم 138 من بودكاست «الذكاء الاصطناعي: إعادة الضبط إلى الصفر»؟ يتم توزيع هذه الحلقة عبر الذكاء الاصطناعي: إعادة ضبط إلى الصفر تغذية البودكاست تحت الرقم التسلسلي ARD #138، وبعنوان «التلاعب بالنظام».
الخلاصة
تظهر الحلقة رقم 138 من بودكاست «الذكاء الاصطناعي: إعادة الضبط إلى الصفر» في لحظةٍ تتزايد فيها حدة الفحص النقدي لهيكل سوق الذكاء الاصطناعي من جبهات متعددة. فبإدراجها التفوّق الحاسوبي للوحدات المعالجة الرسومية العامة (GPGPU) من شركة إنفيديا (NVIDIA) جنبًا إلى جنب مع ممارسات شركة أوبن آي (OpenAI) في الاختبارات المرجعية (Benchmarking)، وموقف شركة أنثروبيك (Anthropic) من قضايا السلامة، ضمن رؤية واحدة تحمل عنوان «التلاعب بالنظام»، تقدّم الحلقة حُجّةً هيكليةً مفادها أن الهيمنة في مجال الذكاء الاصطناعي ليست نتاج التميّز التقني وحده، بل هي أيضًا نتيجة القدرة على تشكيل الظروف التي تُقاس وتُكافأ فيها هذه الكفاءة.
أما ما إذا كانت هذه الحجة مقنعةً بالكامل، أو ما إذا كانت تطبيقاتها على أي شركة معيّنة عادلةٌ تمامًا، فيتطلب ذلك الاستماع إلى الحلقة كاملةً. وما توضحه هذه الإطارة بوضوح هو أن الأسئلة التي تثيرها — حول إمكانية الوصول إلى موارد الحوسبة، ونزاهة عمليات التقييم، وبناء «خنادق الثقة» (Trust Moats) — لها تداعياتٌ جوهريةٌ على كل فريقٍ يعمل اليوم على تطوير حلولٍ تعتمد على الذكاء الاصطناعي، سواء كان هذا الفريق واحدًا من الشركات الثلاث المذكورة أم لا.
المصادر: news.google.com. التقرير مؤرّخ في ١٢ أغسطس ٢٠٢٦.
