السؤال الحقيقي ليس "هل سيتقلص الطلب على الذكاء الاصطناعي"، بل "أي طبقة من سلسلة التوريد ستختزن القيمة في النهاية".

مؤلف المقال، المصدر: 0x9999in1، ME News

ملخص

• قدمت مورغان ستانلي في تقرير "نماذج الوزن المفتوح وثلاثة سيناريوهات مستقبلية" حكمها الأساسي: إن ظهور نماذج الوزن المفتوح مثل Kimi K3 وQwen وLlama هو محفز لتسريع انتشار الذكاء الاصطناعي، وليس تهديدًا للقادة.
• الحجة هي مفارقة جيفونز — بعد أن تصبح المعالجة الفردية أرخص، تستخدم الشركات الذكاء الاصطناعي في مهام أكثر، مما يزيد الطلب الإجمالي على الرموز، والقدرة الحسابية، والطاقة، والبنية التحتية.
• مورغان ستانلي تذكّر بوضوح: الوزن المفتوح لا يعني المجانية. تكاليف GPU وخدمات السحابة والصيانة والأمان لا تزال قائمة، والجاذبية الاقتصادية الحقيقية تعتمد على السيناريو.
• تشير الدراسة التي أجرتها MIT إلى أن الانتقال من النماذج المغلقة إلى النماذج المفتوحة يمكن أن يخفض السعر المتوسط بنسبة حوالي 70٪، مما يعادل توفيرًا سنويًا قدره 25 مليار دولار للشركات؛ لكن هذه الدراسة أُنجزت في ديسمبر 2025 ولم تأخذ في الحسبان بشكل كافٍ تكاليف النشر.
• بحث كارنيغي ميلون أكثر هدوءًا: فترة استرداد التكلفة تعتمد بشكل كبير على الحجم؛ يمكن استرداد التكلفة بسرعة في النشرات الصغيرة بأقل من 30 مليار معلمة، لكن الفروق تصبح كبيرة جدًا مع زيادة الحجم.
• السيناريوهات الثلاثة النهائية: الأحادية المغلقة، التواجد المختلط، والفوز بالوزن المفتوح. النقطة المرجعية الواقعية هي أن 63% من الشركات تستخدم بالفعل نموذجين من النوعين.
• المستفيدون على مدار الساعة هم خطان فقط: NVIDIA ومرحلة التزويد بالطاقة المباشرة. السبب ليس الانحياز، بل أن المنطق الأساسي للـ GPU والكهرباء لا يتغير سواء كانت قوة الحوسبة مركزة في مراكز بيانات ضخمة أو موزعة على الحافة.
• السؤال الحقيقي ليس "هل سيتقلص الطلب على الذكاء الاصطناعي"، بل "أي طبقة من سلسلة التوريد ستختزن القيمة في النهاية".

أولاً: ما الذي أخطأ فيه السوق

في منتصف يوليو 2026، تم إصدار Kimi K3. وهبط مؤشر فيلادلفيا للشبه موصلات، وتأثرت نفيديا وميكرون وSK هايستيكس، حتى شركات EDA مثل Cadence.

هل أنت معتاد؟ جدًا معتاد.

قبل أكثر من عام، عندما حدثت موجة DeepSeek، كان رد فعل السوق متماثلاً: كلما أصبح النموذج المفتوح المصدر أقوى، قلّت قيمة قوة الحوسبة. يبدو المنطق منطقيًا — إذا كان بإمكان نموذج بوزن مفتوح مجاراة الطليعة، فإن القيمة الإضافية للنماذج المغلقة تختفي؛ وإذا زادت الكفاءة، فإن الحاجة إلى تجميع البطاقات تنخفض. وهكذا، انخفضت المبيعات من الرقائق إلى المعدات إلى الكهرباء، في سلسلة متصلة.

في التقرير الصادر في 4 أغسطس، وصفت مورغان ستانلي هذا التفاعل على أنه سوء فهم.

أين هو الخطأ؟ في أن السوق تُكافئ "انخفاض التكلفة الوحدوية" مباشرة بـ"انخفاض الإجمالي للنفقات".

هناك متغير هائل يفصل بينهما: الاستخدام.

استشهدت مورغان ستانلي بمعضلة جيفونز. لاحظ الاقتصادي البريطاني في القرن التاسع عشر جيفونز ظاهرة غير بديهية: بعد تحسين كفاءة المحركات البخارية، حيث يمكن القيام بمزيد من العمل باستخدام نفس كمية الفحم، لم تنخفض كمية الفحم المستهلكة في بريطانيا، بل ارتفعت بشكل حاد. فبما أن الفحم أصبح أرخص، أصبح من الممكن استخدامه أكثر؛ وبما أنه أصبح من الممكن استخدامه أكثر، بدأ استخدامه في كل مكان.

وضعه على الذكاء الاصطناعي: انخفاض تكلفة الاستدلال الواحد من واحد سنت إلى واحد عشر من عشرة سنتات، لن تضع الشركات الأموال التي توفرها في جيوبها. ستدمج الشركات الذكاء الاصطناعي في العمليات التي كانت سابقًا "غير مربحة" — المراجعة الشاملة لطلبات خدمة العملاء، المسح المستمر لمكتبات الكود، المقارنة التفصيلية للعقود، التصنيف التلقائي لكل بريد إلكتروني. هذه المهام لم تُنفَّذ من قبل ليس لأنها غير مرغوبة، بل لأن تكلفتها كانت غير مجدية.

بمجرد أن ينخفض السعر أسفل تلك الخط، لا يزداد الطلب بشكل خطي، بل يتدفق بقوة هائلة.

ثانيًا: ما الذي تم فتحه حقًا في "الوزن المفتوح"

يجب أولاً توضيح المفاهيم هنا، لأن فوضى السوق ناتجة جزئياً عن فوضى المصطلحات.

في تقريرها، قامت مورغان ستانلي بتمييز لا يزال جديدًا لكنه ضروري: الأوزان المفتوحة ≠ مفتوح المصدر.

نماذج ذات أوزان مفتوحة مُعرَّفة بدقة — مثل Llama من Meta وGemma من Google، وQwen وDeepSeek وKimi — تُنشر المعلمات المُدرَّبة مسبقًا. يمكنك تنزيلها، وضبطها دقيقًا، ونشرها بنفسك. لكن بيانات التدريب قد لا تكون مفتوحة، وقد توجد قيود في اتفاقيات الترخيص.

الانفتاح الحقيقي يعني عرض كامل طبقة التقنية على الطاولة: الكود، طرق التدريب، تفاصيل البيانات. المثال المذكور في التقرير هو OLMo من AI2. هذا المجال أصغر بكثير مما يتخيله الناس.

لذلك، التعبير الأكثر دقة هو: الفرق الأساسي بين النماذج المفتوحة المصدر والنماذج المغلقة لا يكمن في حجم المعلمات، ولا في من يتصدر قائمة ما، بل في طريقة الحصول عليها وطريقة الدفع.

Open weights: Usually free to obtain weights, supports fine-tuning, and offers flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

مغلق المصدر: الترخيص + التسعير القائم على الرموز، جميع المستخدمين يحصلون على نفس مجموعة الأوزان، ولا يمكنك تغييرها أو رؤيتها.

قالت مورغان ستانلي أيضًا شيئًا واقعيًا جدًا: النماذج المتقدمة الأقوى أداءً اليوم لا تزال في الغالب مغلقة المصدر. السبب بسيط جدًا — تكلفة التدريب مرتفعة بشكل هائل، ولن يُقدّم أحد النموذج السابق مجانًا قبل ظهور النموذج التالي.

هذه الجملة تستحق القراءة مرتين. إنها تعني ملاحقة الأوزان المفتوحة، وهي في جوهرها ملاحقة ذات تأخير زمني. ستتقلص الفجوة، لكن الفروق الهيكلية في الوقت لا تختفي بسهولة.

ثالثًا: الأغلى مجانًا: التكاليف التي لا تُذكر على لوحات الأسعار

أفضل جزء في التقرير هو بالضبط الجزء الذي يُهدئ من توقعات النماذج المفتوحة.

أشارت مورغان ستانلي إلى بحث من معهد ماساتشوستس للتكنولوجيا: عند التحول من النماذج المغلقة إلى النماذج المفتوحة، يمكن أن ينخفض السعر المتوسط بنسبة حوالي 70٪، مما يعادل توفيرًا للشركات يبلغ حوالي 25 مليار دولار سنويًا.

الأرقام جميلة. لكن مورغان ستانلي أضافت لاحقًا: هذا البحث أُنجز في ديسمبر 2025، ولم يأخذ في الاعتبار تكاليف النشر بشكل كافٍ.

ما هي تكلفة النشر؟ يجب عليك شراء GPU أو استئجارها بنفسك، ويجب أن يكون هناك من يُدير العقدة، ويجب أن يكون هناك من يُضبط النموذج، ويجب أن يكون هناك من يضمن الأمان والامتثال. إن منحك وزنًا مفتوحًا هو مثل تزويدك برسومات وأجزاء سيارة، وليس سيارة جاهزة للقيادة.

أظهرت أبحاث جامعة كارنيغي ميلون أن هذا الأمر تم كميته بشكل أكثر حدة: فترة استرداد التكلفة تعتمد بشكل كبير على حجم النشر. يمكن أن تكون فترة استرداد التكلفة سريعة جدًا في النشرات الصغيرة التي تقل عن 30 مليار معلمة؛ ولكن بمجرد زيادة الحجم، تصبح الحسابات مختلفة تمامًا.

هذا واقع نادرًا ما يُناقش ولكنه حاسم للغاية: اقتصادية النماذج المفتوحة ليست منحنى سلسًا، بل دالة متقطعة.

مشهد صغير، تكرار عالٍ، مهمة محددة — الوزن المفتوح رائع جدًا.

الاستدلال المعقد، العامل الطويل المدى، الحاجة إلى موثوقية قصوى — المال المغلق لا يُنفق دون سبب.

انظر خطوة أبعد إلى هياكل MoE الضخمة مثل Kimi K3. حتى عند تفعيل عدد قليل فقط من الخبراء، تظل الأوزان الضخمة موزعة على مجموعة من الذاكرة عالية السعة والاتصالات فائقة السرعة. ما يُسمى بـ"الانفتاح" هو انفتاح ملكية الأوزان، وليس إعفاءً من عتبات الأجهزة.

بعبارة أخرى، فإن النماذج المفتوحة المصدر نقلت متطلبات القوة الحسابية من عدد قليل من المختبرات المغلقة إلى مزودي الخدمة السحابية، والسحابة السيادية، ومراكز البيانات التي تبنيها الشركات. لم ينخفض المجموع، بل تغير المالك فقط.

هذا هو الحساب الذي لم يُحَلّ في الانخفاض الذي حدث في يوليو.

رابعًا: ثلاث نتائج نهائية، أين يتجهValue؟

لم تُجرِ مورغان ستانلي رهانًا على استنتاج واحد، بل قدمت ثلاثة سيناريوهات. هذا الأسلوب في الكتابة هو نفسه حكم: لا أحد يعرف النتيجة النهائية، لكن هيكل المستفيدين من كل نتيجة نهائية يمكن رسمه مسبقًا.

من الصعب تكرار أداء النماذج الرائدة. ستظل أحمال العمل تتمتع بكثافة حوسبة عالية وتستمر في التركيز على سحابة فائقة الضخامة. ستستمر أسعار الرموز في الهبوط، لكن ببطء—نظراً لأن هيكل الاحتكار يحافظ على الانضباط السعري.

الأطراف المستفيدة: مزودو السحابة، برامج الأمان، شبكات الضوء، أشباه الموصلات، سلسلة توريد الطاقة.

أشار التقرير إلى متغير محدد: جوجل. إذا نجح Gemini 4 في تحقيق قفزة والعودة إلى المقدمة، فإن عائد الاستثمار على استثمار جوجل في بنية تحتية خاصة لتشغيل واجهات برمجة التطبيقات للنماذج يمكن أن يصل إلى حوالي 45%. إذا لم تتمكن من قيادة المقدمة، فإن جوجل تصبح أكثر شبهاً بمزود للبنية التحتية، مع عائد استثمار يقارب 30%.

فجوة قدرها خمسة عشر نقطة مئوية تُثقل نموذجًا من الجيل الأول. هذه هي المراهنات في سباق التقدم.

لا توجد هندسة واحدة تهيمن على الجميع. النماذج الرائدة المغلقة المصدر تهيمن على المهام المعقدة والاستدلال والوكيلات الذكية، بينما تلبي النماذج ذات الأوزان المفتوحة احتياجات التردد العالي وحساسية التكلفة والتطبيقات المتخصصة.

تمتد أحمال العمل عبر السحابة العامة، والسحابة الخاصة، والمحلية، والحوافة. وبالتالي — أصبحت برامج "الطبقة الوسطى" مثل ترتيب النماذج، والتوجيه، والتقييم، والحوكمة، محورية في نقل القيمة إلى الأعلى. ويزداد الطلب على برامج الأمان مع توزيع الأحمال.

هذا السيناريو يدعمه واقع صارم للغاية: حاليًا، تستخدم 63٪ من الشركات كلاً من النماذج ذات الأوزان المفتوحة والنماذج المغلقة.

هذا الرقم يتحدث عن نفسه. اختيار الشركات ليس "الانتماء إلى فصيل معين"، بل "أي مهمة تُنفَّذ بأي أداة أرخص وأكثر استقرارًا". هذا سلوك شراء، وليس صراعًا أيديولوجيًا.

تتقارب أداء النماذج المفتوحة التراخيص تدريجيًا مع المستويات الرائدة، وتصبح الذكاءات الأساسية للنماذج متاحة على نطاق واسع. انخفضت أسعار واجهات برمجة التطبيقات للنماذج بشكل ملحوظ، وشهدت تبني الشركات موجة من التوسع.

يتجه بنية تحتية الذكاء الاصطناعي نحو اللامركزية: زاد الطلب بشكل كبير على مراكز البيانات الخاصة، والسحابة السيادية، والنشر المحلي، والأجهزة الطرفية. وقد انتقل مركز الابتكار من التدريب المسبق إلى الدقة الدقيقة، وتحسين الاستنتاج، والوكلاء، وتنفيذ التطبيقات العملية.

في هذا السيناريو، تعد برامج الأمان من أكبر الفائزين. ومن المنطقي أيضًا — ففي عالم حيث يمكن للوزن التحرك بحرية، فإن سطح الهجوم يتوسع بشكل هندسي.

الانقسام على مستوى الأسهم مثير للاهتمام: قد يكون AVGO أكبر مستفيد فردي في سيناريو مغلق؛ بينما منتجو البنية التحتية المحليون مثل DELL وHPE، ومنتجو الأجهزة الطرفية مثل آيفون، يسهلون إطلاق قيمتهم في سيناريو مفتوح. أما مزودو السحابة، فسيعتمد الأمر على وجهة الحمل النهائي — إذا تحقق السيناريو المفتوح، فإن مايكروسوفت تمتلك ميزة أوضح بفضل قدراتها في السحابة الهجينة والنشر المحلي، بينما يتم تخفيض موقع أمازون وغوغل إلى فئة "مستفيدين آخرين" في هذا السيناريو.

خامساً: المستفيدون على مدار الساعة: لماذا نيفيديا والكهرباء

بعد إجراء تحليل السيناريوهات الثلاثة، اختارت مورغان ستانلي خطين يعبران جميع السيناريوهات.

The first one is NVIDIA.

المنطق غير معقد، لكنه متين: سواء كانت قوة الحوسبة مركزة في مراكز بيانات ضخمة أو موزعة على غرف خوادم الشركات والحوافة، فإن المنطق الأساسي لطلب وحدات معالجة الرسوميات لم يتغير.

التركيز يعني أن بضعة مشترين يشترون كميات ضخمة؛ التوزيع يعني أن عشرات الآلاف من المشترين يشترون كميات صغيرة. إجمالي الكمية لا ينخفض، بل قد يزداد بسبب اتساع نطاق الانتشار.

جدير بالذكر أن مورغان ستانلي رفعت مؤخرًا تقدير تكلفة مجموعات الذكاء الاصطناعي — تم تحديد سعر نظام نيفيديا فيرا روبين عند حوالي 49 مليار دولار لكل جيجاواط، بزيادة قدرها حوالي 20٪ مقارنة بالتوقعات السابقة.

هذا الرقم يبدو دقيقًا قليلاً هنا. من ناحية، تصبح النماذج أرخص، ومن ناحية أخرى، ترتفع تكاليف رأس المال لكل وحدة حسابية. لا يوجد تناقض بينهما: التكلفة الحدية في جانب الاستنتاج تنخفض، بينما ترتفع الاستثمارات الثابتة في جانب التدريب والنشر. الأول يدفع توسع الطلب، والثاني يحدد من له الحق في المشاركة في العرض.

الثانية هي التغذية الكهربائية الميدانية (on-site power).

السبب هو أن منحنى طلب الطاقة يغطي كلا التكوينين: "مركزي" و"موزع". بغض النظر عن توزيع الحمل، فإن توسع الذكاء الاصطناعي يعني أنه يجب رفع استهلاك الطاقة وقدرة التزويد بالطاقة معًا.

الكهرباء هي أقسى قيد في سرد الذكاء الاصطناعي بأكمله. يمكن فتح نماذج المصدر، وتنزيل الأوزان، واستبدال الرقائق، لكن لا يمكن فتح الكهرباء. جيجاواط واحد هو جيجاواط واحد، ولا يمكن لأحد أن يخلقها.

هذه قد تكون أكثر خطوط السيناريوهات الثلاثة تحديدًا. حتى أن التحديد ممل قليلاً.

سادسًا، القيمة الحقيقية لهذا التقرير ليست الاستنتاجات، بل الإطار

شارك رأيك الخاص.

إذا اقتصرت على قراءة العنوان فقط في تقرير مورغان ستانلي — "تسريع انتشار النماذج المفتوحة بدلاً من تقليل هيمنة القادة" — فمن السهل اعتباره مجرد جملة تهدئ السوق. لكن ما يحمل الوزن الحقيقي هو أنه أعاد صياغة السؤال.

كانت المشكلة الأصلية في السوق: هل سيتقلص الطلب على الذكاء الاصطناعي بسبب تحسين الكفاءة؟

سؤال مورغان ستانلي هو: الطلب على الذكاء الاصطناعي لن ينخفض بالتأكيد، لكن السؤال هو أين ستتراكم القيمة في النهاية في سلسلة التوريد—في قوة الحوسبة، أو السحابة، أو ترتيب وتنظيم البرمجيات، أم في البنية التحتية الموزعة المحلية والطرفية؟

الفرق بين هذين السؤالين هو فرق بين التفكير في السوق الهابط والتفكير الهيكلي.

أعتقد أن اتجاه مورغان ستانلي صحيح، لكن هناك مكانين يستحقان الحذر.

أولاً، مفارقة جيفونز لا تُطبق تلقائيًا.

يُطبق تأثير جيفونز بشروط: يجب أن يكون للطلب مساحة كافية من المرونة. السبب في أن الفحم أصبح يُستهلك أكثر مع تقليل الاستخدام هو أن جميع الصناعات في بريطانيا خلال القرن التاسع عشر لم تكن ميكانيزية بعد. الوضع مع الذكاء الاصطناعي مشابه ولكنه ليس متطابقًا — فبالفعل هناك العديد من السيناريوهات التي يمكن للشركات إدماج الذكاء الاصطناعي فيها، لكن ما إذا كان هذا الإدماج سيؤدي إلى عوائد قابلة للقياس هو أمر آخر.

إذا كانت الشركات الكثيرة تستخدم الذكاء الاصطناعي فقط في أماكن "تبدو مشغولة لكن لا يمكنها توضيح العائد"، فسيكون هناك سقف لتوسع الطلب، وسيظهر هذا السقف فجأة في أحد الأرباع. يصف مفارقة جيفونز كفاءة تحويل الطاقة، لكنه لا يضمن أن ما يتم تحويله هو قيمة.

ثانيًا، الاستنتاج القائل بأن "نايفيديا تستفيد على مدار الساعة" يبدو صحيحًا بشكل مريح جدًا.

من الصعب انتقاده منطقيًا — لا يتغير طلب وحدات معالجة الرسوميات بسبب تغيير مسار التصميم. لكن بين الحكم الصحيح وقرار الاستثمار الجيد، يوجد السعر. هل سبق للسوق أن قيم بالكامل توقعات "على مدار الساعة" هذه؟ لم تُجب التقرير عن هذا السؤال، ولا ينبغي أن تجيب عنه.

حجة شراء منطقية لا تشوبها شائبة غالبًا ما تكون بيئة خصبة للتداولات المزدحمة. هذا ليس تناقضًا، بل تحذير: اليقين في الاستنتاج لا يعني جاذبية النسب.

سابعًا، بالنسبة للشركات، هذه المسألة أسهل في الواقع

باستبعاد لعبة التقييم في السوق الثانوية، ونظرًا من منظور شراء الشركات، فإن الدروس المستفادة من هذا التقرير تكون أكثر بساطة بكثير.

63% من الشركات تستخدم كلا الطرفين، وهذا الرقم يُجيب عن السؤال بالفعل: لا تختار جانبًا، بل اختر السيناريو.

المهام ذات التكرار العالي، والقابلية للتنبؤ، وحساسية البيانات، وحدود المهام الواضحة — يمكن تطويرها باستخدام نماذج مفتوحة الوزن، مما يوفر أموالًا حقيقية، خاصة عند أحجام أقل من 30 مليار معلمة، مع فترات استرداد استثمار قصيرة جدًا تجعلها جذابة.

القيام بمهام تتطلب استدلالًا معقدًا ووكلاء طويلي المدى وتحديثًا مستمرًا للقدرات المتقدمة—دفع مقابل واجهات برمجة التطبيقات المغلقة للحصول على موثوقية وسرعة تكرار، ليس شيئًا يُشعر بالخجل منه.

ما يحتاج حقًا إلى الاستثمار هو الطبقة الوسطى: التخطيط، التوجيه، التقييم، الحوكمة. كيف تحدد مسار طلب معين؟ كيف تضمن عدم تدهور جودة الإخراج بعد تغيير النموذج؟ كيف تتحكم في حدود البيانات في عالم يمكن فيه تنزيل الأوزان بحرية؟

اعتبرت مورغان ستانلي هذه الطبقة كمستفيدة رئيسية في السيناريو المختلط، وأعتقد أن هذا التقييم أكثر فائدة من أي توصية فردية للأسهم. لأن هذه الطبقة هي قدرة يجب على الشركات بناؤها بنفسها، ولا يمكن شراؤها.

بالمناسبة، الأمان. إن فتح الأوزان يجعل نشر النموذج لامركزيًا، كما يجعل سطح الهجوم لامركزيًا أيضًا. سابقًا، كنت بحاجة فقط إلى إدارة بضعة مفاتيح API، أما الآن فأنت بحاجة إلى إدارة مجموعة من ملفات الأوزان التي تعمل محليًا، وبيانات الدقة الدقيقة، ونقاط الاستنتاج. لم يكن من الصدفة أن تم ذكر برامج الأمان في جميع السيناريوهات الثلاثة.

ثامناً: الختام

في يوم إصدار Kimi K3، هبطت أسهم القطاع半導体 جماعيًا. اليوم، عند النظر للخلف، بدا ذلك أكثر كأنه ذاكرة عضلية للسوق، وليس تفكيرًا واعيًا.

الوزن المفتوح ليس من يقلب الطاولة. إنه من يطيل الطاولة.

بعد تمديد الطاولة، هل سيتم دفع الشخص الذي كان يجلس في المكان الرئيسي؟ ربما، لكن ليس بسبب الوزن المفتوح نفسه، بل لأنه لم يتمكن من الحفاظ على المكان المتقدم. هذان أمران منفصلان.

أصدق جزء في تقرير مورغان ستانلي هو أنه لم يخبرك بما هي النهاية، بل أخبرك فقط من سيكون في موقعه الثابت في كل نهاية محتملة.

NVIDIA، والكهرباء.

الأول هو توافق، والثاني هو فيزيائي.

أما الشركات التي تتبع الارتفاعات والهبوطات، وتتغير ولاءاتها، وتُعاد تقييمها — فمصيرها يعتمد بشدة على السياق. هذه الجملة تبدو ككلام فارغ، لكن في سوق يسعى الجميع فيه للإجابات المؤكدة، الاعتراف بـ"هذا يعتمد على السياق" هو أصدق شكل وأغلاه ثمنًا.

ستصبح النماذج أرخص جيلًا بعد جيل، وهذا اتجاه لا يمكن منعه.

ستنتشر قوة الحوسبة طبقة تلو الأخرى، وهذا اتجاه لا يمكن منعه.

لكن الرخص والتنويع معًا لا يعادلان التقلص أبدًا.

جيفونز فهم هذه المسألة عام 1865. مرّت مائة وستون سنة، ولا يزال البشر يدفعون ثمن نفس المفهوم الخاطئ.

هذا مثير للاهتمام.

المصدر المُستشهد به

1. مورغان ستانلي، *النماذج ذات الأوزان المفتوحة وثلاثة سيناريوهات مستقبلية* (تقرير بحثي)، أغسطس 2026
2. غلون هوي / سيناهوا فاينانس: "مورغان ستانلي: نماذج الوزن المفتوحة تخفض تكاليف الذكاء الاصطناعي، وقد يؤدي مفارقة جيفونز إلى استمرار نمو الطلب على قوة الحوسبة"، 4 أغسطس 2026
3. BigGo Finance: *النماذج المفتوحة الوزن لتسريع تبني الذكاء الاصطناعي: مورغان ستانلي تحدد ثلاثة سيناريوهات، وتُشير إلى نيفيديا وباور تشين كمستفيدين*، 4 أغسطس 2026
4. مارس فاينانس: "مورغان ستانلي: ظهور نماذج الذكاء الاصطناعي ذات الأوزان المفتوحة سيُسرّع انتشار الذكاء الاصطناعي من خلال خفض التكاليف"، 4 أغسطس 2026
5. Blockspace Media: *مورغان ستانلي تقول إن الذكاء الاصطناعي ذا الأوزان المفتوحة يمكن أن يوسع الطلب على الحوسبة والطاقة*، 2026年8月
6. دراسة MIT حول فرق الأسعار بين النماذج المفتوحة والنماذج المغلقة (أُنجزت في ديسمبر 2025، وتم الاستشهاد بها في تقرير مورغان ستانلي)
7. بحث جامعة كارنيغي ميلون حول العلاقة بين دورة استرداد تكلفة نشر النماذج المفتوحة وحجمها (مُستشهد به في تقرير مورغان ستانلي)
8. رؤى مورغان ستانلي: *الفرص في بنية الذكاء الاصطناعي* (بما في ذلك تعديل تقدير تكلفة كل جيجاواط لنظام فيرا روبين)