في مؤتمر AWS re:Invent 2025، قدم الرئيس التنفيذي لشركة AWS، مات غارمان، نقطة بيانات بسيطة لكنها ذات عواقب كبيرة: إن استنتاج الذكاء الاصطناعي يشكل الآن حوالي ثلثي طلب الحوسبة للذكاء الاصطناعي ككل. وهذا ارتفاع من حوالي ثلث في عام 2023.
التدريب هو تعليم النموذج كيف يفكر. الاستنتاج هو جعله يفكر فعليًا. لقد أنفقت الصناعة مليارات الدولارات على تدريب هذه النماذج، والآن يتحول الإنفاق نحو استخدامها في العمل.
غارمان، الذي تولى منصب الرئيس التنفيذي لـ AWS في يونيو 2024 خلفًا لآدم سيليبسكي، وصف الاستنتاج بأنه "ليغو جديد" في الحوسبة. وهو يشير إلى أن الاستنتاج يصبح مكونًا أساسيًا ستدمج الشركات معًا لأتمتة المهام، وتشغيل وكلاء الذكاء الاصطناعي، وتغيير جوهري في كيفية عمل الأعمال.
لقد ذهب أبعد من ذلك، متوقعًا أن 80-90% من قيمة الذكاء الاصطناعي في المؤسسات ستُستمد في النهاية من الوكلاء المدعومين بالاستنتاج. وليس روبوتات المحادثة التي تلخص بريدك الإلكتروني، بل أنظمة مستقلة تُكمل المهام فعليًا.
تقوم أمازون ويب سيرفيسز أيضًا بدعم هذا الاستراتيجية بعتاد مادي. وقد عرضت الشركة شرائح Trainium3 في re:Invent، المصممة خصيصًا لأحمال الاستنتاج وليس وحدات معالجة الرسومات المُحسّنة للتدريب التي سيطرت على العناوين وتقارير أرباح نيفيديا.
هذا التحول ذو أهمية كبيرة لقطاع تعدين العملات المشفرة، الذي كان في قلب أزمة هويته الخاصة. مع تقلص هوامش تعدين البيتكوين بعد خفض нагود أبريل 2024، تحولت عدة شركات تعدين كبيرة نحو تقديم خدمات الذكاء الاصطناعي والحاسوب عالي الأداء. وقد قامت شركات مثل كور ساينتيفيك وهوت 8 وغيرها بإعادة توظيف أسطول وحدات معالجة الرسوميات الخاصة بها وقدرات مراكز البيانات الخاصة بها لتلبية أحمال تدريب الذكاء الاصطناعي.
لكن إذا كان غارمان محقًا، وكانت منحنى الطلب ينحني بشدة نحو الاستنتاج، فتتغير متطلبات الأجهزة. يتطلب التدريب معالجة متوازية ضخمة عبر مجموعات من وحدات معالجة الرسوميات الرائدة التي تعمل لأسابيع أو أشهر. أما الاستنتاج فيتطلب تحسينات مختلفة: انخفاض زمن التأخير، وزيادة الإنتاجية لكل استعلام، وغالبًا هياكل رقائق مختلفة تمامًا.
للمستثمرين المتعودين على العملات المشفرة، فإن الإشارة هنا تتعلق باستدامة فرضية "التحول إلى الذكاء الاصطناعي" التي دعمت عدة أسهم للتعدين. راقب الشركات التعدينية التي تعلن عن شراكات مع مزودي السحابة أو تستثمر في أجهزة مُحسّنة للاستنتاج. قد تجد الشركات التي لا تزال تروّج لوصول عام إلى وحدات معالجة الرسوميات للتدريب نفسها على الجانب الخاطئ من منحنى الطلب الذي تحوّل بالفعل.
تُعرِّف شبكات الحوسبة اللامركزية مثل Render و Akash و io.net نفسها كبديلة لمزودي السحابة المركزيين لعبء الذكاء الاصطناعي. إذا كان الطلب على الاستنتاج ينمو بالمعدل الذي يصفه غارمان، فقد تشهد هذه البروتوكولات زيادة في الاستخدام، لكن فقط إذا تمكنت من تقديم خدمة منخفضة التأخير وعالية الموثوقية تتطلبها عمليات الاستنتاج. التدريب يتسامح مع الأعطال الشبكية، بينما الاستنتاج لا يتسامح معها.