هل النماذج الصينية ابتكار أم تقطير؟

في كل مرة يظهر نموذج صيني جديد، يعود السؤال نفسه: هل بُني من الصفر؟ لكن ربما السؤال الأهم ليس كيف بدأ، بل إلى أين وصل، وما الذي يغيّره في اقتصاديات الذكاء الاصطناعي.

صحيح أن جزءًا من هذه النماذج لم يبدأ من صفحة بيضاء، بل استفاد من تقنيات مثل Knowledge Distillation، أو من مخرجات نماذج مغلقة، ثم أضيفت إليه طبقات أخرى مثل الذاكرة (Memory)، والتعلم المعزز (RL)، وتحسينات الوكلاء الذكيين (Agentic Tuning)، لينتج في النهاية نموذجًا مختلفًا وأكثر قدرة.

ولهذا نرى أحيانًا مواقف غريبة، مثل أن يعرّف نموذج مثل Kimi نفسه على أنه Claude أو يستخدم عبارات مرتبطة بنماذج أخرى. هذه الحالات تُعد مؤشرًا مثيرًا للاهتمام على احتمال تأثر النموذج بمخرجات نماذج مغلقة أثناء تدريبه، لكنها لا تُعد دليلًا قاطعًا وحدها على طريقة بنائه أو مصدر بياناته.

لكن حتى لو افترضنا أن جزءًا من قدرات هذه النماذج جاء عبر التقطير، فهل يغيّر ذلك الصورة الاقتصادية؟

في رأيي، لا.

النتيجة النهائية هي ما يهم السوق.

اليوم، أصبح Kimi K3 نموذجًا قويًا يقترب من مستوى أفضل النماذج العالمية في عدد من المهام. لكن الوصول إلى هذا المستوى لا يعني أن تكلفة تشغيله أصبحت منخفضة.

على العكس.

كلما اقترب النموذج من مستوى النماذج الرائدة، ارتفعت متطلبات تشغيله. فهو يحتاج إلى عدد كبير من المسرعات، وسعات ضخمة من الذاكرة، وشبكات عالية السرعة، وبنية تحتية متكاملة لتقديم استجابات سريعة ومستقرة على نطاق واسع.

وهنا يقع كثيرون في سوء فهم أساسي.

صحيح أن أوزان النموذج قد تكون مجانية ومفتوحة المصدر، لكن تشغيلها ليس مجانيًا.

الحوسبة ليست مجانية.

الكهرباء ليست مجانية.

الذاكرة ليست مجانية.

التبريد ليس مجانيًا.

والشبكات التي تربط آلاف المسرعات داخل مركز البيانات ليست مجانية أيضًا.

لهذا، فإن انتشار النماذج المفتوحة لا يعني نهاية الطلب على الشرائح أو مراكز البيانات، بل قد يعني العكس تمامًا.

عندما يصبح النموذج متاحًا للجميع، تنتقل المنافسة من امتلاك النموذج نفسه إلى القدرة على تشغيله بكفاءة أعلى، وبتكلفة أقل، وعلى نطاق أوسع.

بمعنى آخر، القيمة الاقتصادية تبدأ بالانتقال من طبقة النموذج إلى طبقات البنية التحتية التي تقف خلفه.

وهذا هو التحول الذي أعتقد أن السوق ما زال يستخف به.

في المرحلة الأولى من طفرة الذكاء الاصطناعي، كانت القيمة متركزة في امتلاك النموذج الأفضل.

أما في المرحلة القادمة، فقد تتوزع القيمة عبر سلسلة كاملة تبدأ من الشرائح الإلكترونية، ثم الحوسبة، فالذاكرة، فالشبكات، ثم تقنيات الربط الضوئي (Photonics)، والطاقة، وأنظمة التبريد، وصولًا إلى بنية الاستدلال (Inference Infrastructure).

Chips → Compute → Memory → Networking → Photonics → Power → Cooling → Inference

لهذا، عندما أرى نموذجًا مفتوحًا يقترب من مستوى النماذج الرائدة، لا أعتبره خبرًا سلبيًا لشركات البنية التحتية.

بل أراه دليلًا على أن الطلب على البنية التحتية سيزداد.

لأن كل نموذج قوي يصبح متاحًا لملايين المطورين والشركات يعني مزيدًا من الطلب على الحوسبة، ومزيدًا من استهلاك الكهرباء، ومزيدًا من الاستثمار في الشبكات والذاكرة والتبريد.

قد تصبح النماذج نفسها سلعة متاحة للجميع، لكن القدرة على تشغيلها بكفاءة وعلى نطاق عالمي ستظل واحدة من أصعب وأغلى المشكلات في صناعة الذكاء الاصطناعي.