نماذج الذكاء الاصطناعي الصينية تثير قلقًا عالميًا بسبب التغييرات في التكلفة والاستراتيجية

الكاتب: Stratechery

مُترجم: Deep潮 TechFlow

مقدمة شينتشاو: يُهدد Kimi K3 سوق نماذج المعرفة، لماذا ردت وول ستريت وسيليكون فالي بفرط؟ يحلل هذا المقال كيف أصبحت الرموز (token) بعد انتقال الذكاء الاصطناعي من عصر ChatGPT إلى عصر العوامل (Agent) غير مجرد سلع، بل إن السلعة الحقيقية هي الذكاء نفسه — وفي هذه الحرب التي تُحسم بتكاليف الحافة، تبدو النماذج المفتوحة المصدر الصينية مجانية، لكن تكاليف الخدمة الخاصة بها ليست منخفضة على الإطلاق. إن ذعر المختبرات الرائدة يعود بشكل أكبر إلى عدم تكيفها مع قواعد اللعبة الجديدة التي تُحسم بحجم الاستدلال بدلاً من تكلفة التدريب.

سبق أن سردت قصة عن تجربتي في اليوم الأول من دورة STRT-431 في كلية كيلوج، وهي دورة إلزامية لكل طالب جديد في برنامج الماجستير في إدارة الأعمال. عندما فحصت مواد الدورة والدراسات الحالة، شعرت بالإحباط لأنني لم أجد أي شركة تقنية على جدول المحاضرات. ذهبت على عجل إلى الأستاذ لأسأله لماذا، فكان رده أن هدف هذه الدورة ليس دراسة صناعة معينة، بل اكتشاف المبادئ العامة التي يمكن تطبيقها على أي صناعة أو شركة.

كما أقول دائمًا، كنت غير راضٍ عن هذا الجواب في ذلك الوقت: في رأيي، طبيعة التكنولوجيا، خاصة تكلفة الحافة الصفرية للبرمجيات والتوزيع (وتكلفة المعاملة الصفرية)، هي جوهرية بشكل مختلف. إدخال الصفر في المعادلة غالبًا ما يُربك كل شيء. لكنني أدركت بسرعة أن هذا كان بالضبط فرصةً لي. الفكرة الأساسية لنظرية التجميع (Aggregation Theory) هي أن سلسلة القيمة الناتجة عن تكلفة الحافة الصفرية تختلف تمامًا عن التوقعات التي كانت لدى الناس بشأن الإنترنت — في عالم حيث التحكم في الطلب أهم من توزيع العرض، ستلاحظ التمركز والتوسع.

لكن ما يُعد مثيرًا في الذكاء الاصطناعي هو عودة المبادئ الشاملة القديمة إلى المقدمة مرة أخرى. وقد ظهر هذا بوضوح في عطلة نهاية الأسبوع الماضية، عندما اندلعت مناقشات حادة على X حول Kimi K3. Kimi K3 هو نموذج مفتوح المصدر آخر أطلقته الصين، وتقنياته تقترب الآن من المستوى المتقدم للغاية. باختصار: تعود التكلفة الحدية بطرق جوهرية، سواء من حيث التأثير قصير الأجل للنماذج المجانية المتقدمة أو من حيث البنية الطويلة الأجل للصناعة.

أحد أكثر المفاهيم الخاطئة شيوعًا حول نماذج الأوزان المفتوحة المصدر هو أنها أرخص — أو حتى مجانية. فبالتأكيد يمكنك تنزيل الأوزان مباشرةً، وتخطي الوقت والتكاليف والقدرات المطلوبة لإنشاء نموذجك الخاص. هذا صحيح بالطبع، لكن كلمة "مجانية" هنا تشير إلى المبلغ الذي تنفقه على البحث والتطوير (R&D). البحث والتطوير هو نفقة ثابتة لا ترتبط بإيراداتك. فإذا أنفقت مليون دولار على البحث والتطوير، فسواء كانت إيراداتك 100 ألف دولار أو 100 مليون دولار، فأنت لا تزال قد أنفقت مليون دولار على البحث والتطوير (وهذا بالطبع يؤثر على ربحيتك).

المرتبط بالإيرادات هو تكلفة البضائع المباعة (COGS) — تكلفة المبيعات — وهي تكلفة حقيقية بالنسبة للذكاء الاصطناعي، وهو ما لم يحدث في صناعة البرمجيات لفترة طويلة. على وجه التحديد، تشغيل الاستدلال على النموذج — سواء كان Kimi أو Fable — يتطلب إنفاقًا، وفي معظم نماذج الأعمال، يرتبط إنفاق مزودي الذكاء الاصطناعي على الاستدلال مباشرة بالإيرادات. باستخدام المثال السابق، فإن تحقيق إيرادات قدرها 100 مليون دولار مقابل إيرادات قدرها 100 ألف دولار قد يتطلب 1000 ضعف تكلفة البضائع المباعة. على وجه التحديد، إذا كانت تكلفة الرمز لإنتاج دولار واحد من الإيرادات هي 50 سنتًا، فستكون تكلفة البضائع المباعة لإيرادات 100 مليون دولار 50 مليون دولار، بينما ستكون تكلفة البضائع المباعة لإيرادات 100 ألف دولار فقط 50 ألف دولار.

النقطة الرئيسية حول نماذج الوزن المفتوحة المصدر هي أنها ليست خدمات مجانية. تكلفة Kimi K3 هي 3 دولارات لكل مليون رمز إدخال و15 دولارًا لكل مليون رمز إخراج. هذا أرخص من Sol الذي يكلف 5 دولارات لكل مليون رمز إدخال و30 دولارًا لكل مليون رمز إخراج، لكن هذا قد لا يكون المعيار الصحيح للقياس.

وصف الرئيس التنفيذي لشركة نيفيديا، هوانغ رينشون، ما تبنيه نيفيديا بأنه "مصنع رموز"، وهو مصطلح منطقي من منظور نيفيديا. فلا تُصمم وحدات معالجة الرسوميات (GPU) الخاصة بنيفيديا لنماذج محددة: بل تُنتج الرموز، وتقوم بذلك بأسرع طريقة وأكثرها كفاءة. وهذا أدى إلى ظهور مقاييس مثل عدد الرموز في الثانية، ووقت أول رمز، وعدد الرموز لكل واط، وتكلفة الرمز، والتي يرى هوانغ رينشون أنها ستكون أساس اتخاذ القرارات.

كان هذا الإطار ذا معنى بالفعل في النموذج الأول للذكاء الاصطناعي — عصر ChatGPT — عندما كانت الرموز تُسلّم مباشرةً للمستخدم النهائي. لكن النموذج الثاني للذكاء الاصطناعي، أي عصر الاستدلال، عكّر صفو هذا المقياس. فالاستدلال يعني الانفجار الهائل في رموز سلسلة التفكير، حيث تتطلب نماذج مختلفة كميات مختلفة من رموز الاستدلال للوصول إلى الإجابة الصحيحة. على سبيل المثال، وفقًا للتقارير، فإن Kimi تستخدم عددًا明显 أكبر من الرموز مقارنة بـ Sol، مما يلغي ميزة سعرها. كما أن الوكلاء (Agents) أدخلوا ديناميكيات مشابهة: بعض النماذج أكثر كفاءة في عدد الرموز المطلوبة لتنفيذ سير عمل الوكيل.

هذا يعني أن الرموز ليست سلعًا. السمة المميزة للسلع هي قابليتها للتبادل: جالون واحد من النفط هو جالون واحد من النفط، طن واحد من النحاس هو طن واحد من النحاس، بوشيل واحد من القمح هو بوشيل واحد من القمح. لكن رمزًا من نموذج ما يختلف عن رمز من نموذج آخر. ما يمكن تبادله هو ما يُبنى من الرموز، أي الذكاء. بعبارة أخرى، إذا أنتج كل من Kimi و Sol إجابة صحيحة، فإن هذه الإجابة قابلة للتبادل. الاختلاف في عدد الرموز المطلوبة لإنتاج إجابة صحيحة يؤدي إلى اختلاف في تكلفة البضائع المباعة.

الـ COGS الذكي هو دالة لعدة عوامل مختلفة:

مساحة النموذج: تحدد الأوزان وحالة التشغيل كمية الذاكرة المكلفة وكمية وحدات التسريع المطلوبة لاستضافة كل نسخة من الخدمة.

Efficiency of reasoning: Architecture choices (such as Mixture of Experts models) reduce computational load per generated token

كفاءة الذاكرة: يمكن أن تقلل خيارات التصميم من متطلبات ذاكرة KV، مما يسمح بعدد أكبر من الطلبات المتزامنة واستخدام أفضل لوحدة معالجة الرسومات.

كفاءة الخدمة: معالجة الدُفعات، الجدولة، التخزين المؤقت للبادئات، وتحسينات الاستدلال الأخرى تُقصِّي الاستخدام الأمثل وتشترك في العمل بين الطلبات

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

هذا مهم جدًا لأننا نقترب بسرعة من حالة حيث يكون الذكاء نوعًا من السلع بالنسبة للعديد من المهام الاقتصادية المفيدة. على سبيل المثال، يمكن لأي شخص يبني تطبيقًا أساسيًا للعمليات الأساسية (CRUD) استخدام نماذج من مزودين متعددين لإكماله. وفي الأسواق السلعية، لا تكمن طريق الربح من خلال فرض أسعار أعلى — إذ يمكنك (أو ستتمكن قريبًا من) إنشاء تطبيق مطابق تمامًا باستخدام نماذج متعددة — بل من خلال امتلاك هيكل تكاليف أفضل.

هنا يستحق توضيح الآلية، لأنه كما أشرت قبل عدة أشهر في مقال "متانة أمازون"، ديناميكيات أسواق السلع ليست مألوفة لدى عشاق التكنولوجيا بشكل عام:

في أسواق السلع، يدفع الجميع نفس السعر لأن الجميع يبيعون نفس الشيء. يتم تحديد هذا السعر من خلال العرض والطلب.

طلب السلع هو دالة لمرونة السعر: كلما كانت السلعة أرخص، زاد الطلب، والعكس بالعكس

إمداد السلع هو دالة للتكلفة الحدية لإنتاج السلع

المفتاح هو فهم أن تكاليف الحدية لإنتاج السلع تختلف بين الموردين المختلفين. وهذا يعني عمليًا أن المورد ذا هيكل التكلفة الأسوأ يبيع سلعه بتكاليفه الحدية (إذا كان لا يزال قادرًا على الإنتاج). تعتمد أرباح الجميع الآخرين على مدى تفوق هيكل تكلفتهم على تكلفة المورد الحدي.

على سبيل المثال:

يمكن للمورد A إنتاج 10 وحدات من السلعة بتكلفة 10 دولارات لكل وحدة.

يمكن للمورد B إنتاج 10 وحدات من السلعة بتكلفة 15 دولارًا لكل وحدة.

يمكن للمورد C إنتاج 10 وحدات من السلعة بتكلفة 20 دولارًا لكل وحدة.

افترض أن مرونة السعر تجعل طلبًا على 25 وحدة من السلعة عند سعر 20 دولارًا. هذا يعني:

سيبيع المورد A 10 وحدات بسعر 20 دولارًا، محققًا ربحًا قدره 10 دولارات لكل وحدة.

سيبيع المورد B 10 وحدات بسعر 20 دولارًا، محققًا ربحًا قدره 5 دولارات لكل وحدة.

المورد C سيبيع 5 وحدات بسعر 20 دولارًا، بربح صفر دولار لكل وحدة

هذا غير دقيق تمامًا: سبب النقص الذي يتحمله المورد C هو أن الموردين A وB تمكنا من خفض أسعارهما قليلاً، وهو ما يؤثر بالطبع على الطلب (المرن)، لكنه يوضح المشكلة. المورد A لديه عمل جيد، والمورد B لديه عمل جيد، والمورد C على وشك الإفلاس.

يُعد خطر الإفلاس المكان الذي تعود فيه التكاليف الثابتة إلى المقدمة: فالمورد C يتحمل تكاليف ثابتة (مثل نفقات البحث والتطوير المحتملة)، وقد يحمل أيضًا ديونًا لتمويل المعدات اللازمة لإنتاج السلع. لا يمكنه تسعير السلع بناءً على هذه التكاليف — تذكّر أن سعر التسوية السوقية يقترب من التكلفة الحدية لأعلى وحدة تكلفة تلبي الطلب — لكن هذه التكاليف يمكنها بالتأكيد دفع المورد للخروج من السوق. إذا أفلس المورد، فسترتفع الأسعار حتى يقرر مورد آخر الدخول (أو يوسع موردون آخرون).

لنعد إلى النموذج. الآن، لا تنطبق جميع التحليلات المذكورة أعلاه، لأن الطلب على النماذج الرائدة يفوق العرض، ويُقيّد العرض بسبب نقص القدرة الحاسوبية. هذا النقص في القدرة الحاسوبية لا يعني فقط أن مزودي القدرة الحاسوبية مثل نيفيديا يمكنهم تحقيق أرباح عالية جدًا، بل يعني أيضًا أن عملاء نيفيديا، مثل سبيس إكس أي أي، يمكنهم إعادة بيع القدرة الحاسوبية بربحية عالية للشركات مثل أنثروبيك. في الوقت نفسه، يمكن لأنثروبيك دفع إضافات، لأنها تستطيع بيع الرموز بزيادات أعلى.

ومع ذلك، فإن الطلب الزائد لم يكن العامل الوحيد الذي منح Anthropic أرباحًا كبيرة: فقد يكون لـ Anthropic وOpenAI أقل تكلفة وحدة ذكاء متقدمة جودة، وذلك بفضل قدرات النموذج وحجم الخدمة وكفاءة الرموز. فهما يقدمان نماذج بمستوى قدرات محدد قبل منافسيهما بشهور، في حين تُطبّق أفضل النماذج على تحسين هذه التكاليف.

جدير بالذكر أيضًا أن السوق لم يُصنّف الذكاء كسلعة: فالطلب موجه خصيصًا إلى Anthropic وOpenAI، بينما يكون الطلب على النماذج الأقل جودة أقل بكثير (وبالتالي تبيع SpaceXAI وMeta طاقتهما إلى Anthropic). إحدى طرق التفكير في دافع تحسين التكلفة هي أنه دالة مُعرَّفة حسب مستوى الذكاء للعمل المطلوب إنجازه، بحيث يمكن للعملاء الذكيين خلق سوق حيث يصبح الذكاء سلعة. ومع ذلك، على المدى الطويل، فإن أي طرف يتواجد في الحدود الأمامية يكون الأكثر قدرة على السيطرة على الأسواق غير الأمامية، وهي أسواق لا تختلف عن الأسواق الأمامية سوى بفارق n شهرًا، أي الأشهر التي كانت مصنعي النماذج الأمامية يحسنون فيها تكاليف خدماتهم.

كل هذا يشير إلى أن رد الفعل العام تجاه كيمي والنماذج الصينية مبالغ فيه إلى حد كبير، على الأقل من الناحية الاقتصادية. الآن هناك مظلة أسعار، وهي نتيجة ثانوية لنقص قوة الحوسبة. أنا متشكك جدًا في أن النماذج الصينية تقدم خدمات أرخص على أساس التكلفة الحدية؛ فهي تبدو أرخص فقط لأن عرض Anthropic وOpenAI محدود جدًا، لدرجة أن الأسعار التي يفرضونها أعلى بكثير مما كانت ستكون لو كان هناك عرض كافٍ لتلبية الطلب على الذكاء.

إذًا، لماذا يبدو أن مصنعي النماذج خائفين جدًا من النماذج الصينية؟

أولاً، أعتقد أن المختبرات الرائدة تُثبّت قيمتها في عالم يكون فيه تكلفة التدريب هو العامل المهيمن في نماذجها المالية. طالما أن التدريب يستهلك وحدات معالجة رسومية أكثر من الاستنتاج، فإن تعظيم إيرادات الاستنتاج لمساعدة تمويل عملية تدريبية تالية أمر بالغ الأهمية، مما يعني فرض أسعار مرتفعة جدًا على الاستنتاج.

ومع ذلك، في المستقبل، أتوقع أن ينمو سوق الاستدلال أسرع بكثير من تكاليف التدريب (وهو ما يفترض استمرار ارتفاع تكاليف التدريب)، مما يعني أنهم يستطيعون حقًا تعويض ذلك من خلال الحجم. قبل ثمانية أشهر، لم يكن من الواضح ما إذا كان هذا سيتحقق، لكن فتح نموذج الوكلاء كبير جدًا لدرجة أن المختبرات الرائدة يجب أن تكون أكثر ثقة في قدرتها على ليس فقط البقاء بأسعار أقل، بل أيضًا الازدهار (بمجرد حصولها على قدر كافٍ من القوة الحسابية).

ثانيًا، الذكاء ليس سلعة مثالية، وجزء من السبب هو أن تطبيق الذكاء يجعله أكثر ذكاءً. بعبارة أخرى، أي شخص يُجري الاستدلال يجمع أيضًا بيانات، وتُستخدم هذه البيانات لتحسين النموذج في التكرار التالي. من ناحية، هذا يبرر لماذا تخفض المختبرات الرائدة الأسعار وتزيد الاستخدام عندما تُضاف قدرات حوسبة أكبر. ومن ناحية أخرى، هذا هو السبب في أن شركات مثل مايكروسوفت تصبح أكثر انشغالًا بمساعدة الشركات على تشغيل نماذجها الخاصة. وإذا كانت النماذج الصينية خيارًا بديلًا قابلًا للتطبيق، فإن هذا يصبح أكثر قابلية للتنفيذ.

ثالثًا، طريقة أخرى تمكن المختبرات الرائدة من التميز ليس فقط عن النماذج الصينية، بل أيضًا عن بعضها البعض، هي الاستمرار في التكامل الصاعد نحو تجربة العميل. لقد أثبتت Claude Code و Codex درجة عالية من الالتصاق، وهو أمر مدهش. بغض النظر عن الأداة التي تبدأ باستخدامها، فمن المرجح أن تكون هي الأداة التي ستستمر في استخدامها، خاصة بالنسبة للمستخدمين غير التقنيين. على المدى الطويل، يعني هذا التحرك الصاعد ضرورة أن النماذج الرائدة تمثل تهديدًا حقيقيًا لمزودي البرمجيات، بما في ذلك مايكروسوفت. من ناحية أخرى، فإن مدى قدرة شركات البرمجيات التي تمتلك حاليًا تجربة العميل على الحصول على نماذج تنافسية هو نفسه مدى قدرتها على مقاومة تآكل المختبرات الرائدة.

أخيرًا، لا يمكن تجاهل المنظور الأيديولوجي لشركة Anthropic. إنها شركة تؤمن بأنها فقط هي التي يمكن الوثوق بها في تطوير الذكاء الاصطناعي، ووجود بدائل مفتوحة المصدر للوزن يُعد ضربة قاتلة لهذا الافتراض.

كيمي ليس النموذج الصيني الجديد الوحيد. وفقًا لبلومبرغ:

ارتفعت أسهم مجموعة علي بابا المحدودة بنسبة 5.4% يوم الاثنين، بعد أن أطلقت النسخة التجريبية من نموذج Qwen3.8 Max الرائد، والذي وصفته بأنه يلي نموذج Fable 5 الخاص بشركة Anthropic. جاء هذا الإطلاق يوم الأحد بعد أيام قليلة فقط من إصدار الشركة الناشئة "الجانب المظلم للقمر" منتجًا جديدًا قويًا، مما أثار موجة في السوق وأثار مخاوف في الولايات المتحدة من أن الصين تضيّق الفجوة مع القادة العالميين مثل Anthropic وOpenAI. يتمتع Qwen3.8 Max بـ 2.4 تريليون معلمة، ويدخل مع نموذج Kimi K3 الخاص بـ "الجانب المظلم للقمر" فئة المنتجات الثقيلة. يمتلك K3 2.8 تريليون معلمة، ويمكنه منافسة المنتجات الرائدة، كما حددت علي بابا توقعات مماثلة عالية.

يمكن للمطورين الآن الوصول إلى Qwen3.8 Max من خلال منصة ترميز علي بابا (بما في ذلك Qoder). تخطط علي بابا لفتح مفاتيح النموذج مفتوحة المصدر قريبًا، مما يوسع نطاق الوصول خارج الإصدار التجريبي. بسبب الاهتمام الهائل بالنظم والنماذج الصينية الصنع للذكاء الاصطناعي، اضطرت "الجانب المظلم للقمر" إلى تعليق قبول الاشتراكات الجديدة في وقت متأخر من مساء الأحد للتعامل مع الطلب الهائل.

ارتفع سهم مجموعة علي بابا المحدودة بنسبة تصل إلى 5.4% يوم الاثنين، بعد أن أطلقت النسخة التجريبية من نموذج Qwen3.8 Max الرائد الخاص بها، ووصفت أنه يلي نموذج Fable 5 التابع لـ Anthropic PBC. جاء هذا الإصدار يوم الأحد بعد أيام قليلة فقط من إطلاق Moonshot AI لمنتج جديد قوي، مما أثار موجة في السوق وأثار مخاوف في الولايات المتحدة بشأن قدرة الصين على اللحاق بركب القادة العالميين مثل Anthropic وOpenAI. يتمتع Qwen3.8 Max بـ 2.4 تريليون معلمة، ويدخل مع نموذج Kimi K3 التابع لـ Moonshot فئة النماذج الثقيلة. يمتلك K3 2.8 تريليون معلمة، ويمكنه منافسة المنتجات الرائدة، ووضعت علي بابا توقعات مماثلة عالية.

يمكن للمطورين الآن الوصول إلى Qwen3.8 Max، بما في ذلك Qoder، من خلال منصة الترميز الخاصة بعلي بابا. تخطط علي بابا لفتح أوزان النموذج قريبًا، مما يوسع نطاق الوصول ليتجاوز الإصدار التجريبي. إن الطلب على أنظمة ونماذج الذكاء الاصطناعي الصينية الصنع هذا مرتفع جدًا، لدرجة أن Moonshot اضطرت إلى وقف قبول الاشتراكات الجديدة في وقت متأخر من مساء الأحد للتعامل مع الطلب الهائل.

يجب ملاحظة أن Qwen3.8 Max سيُفتح أيضًا الأوزان. فقد أوقفت علي بابا نشر أوزان نماذجها الرائدة في وقت مبكر من هذا العام، لكنها تبدو قد غيرت قرارها؛ أشك أن هذا التحول مرتبط بخطاب شي جين بينغ حول الذكاء الاصطناعي الأسبوع الماضي، الذي عزز بشكل أكبر منهجية فتح الأوزان:

يجب أن نتمسك بمبدأ الانفتاح والمنفعة المتبادلة، ونعزز التنمية القائمة على الابتكار. كمحرك جديد للنمو الاقتصادي العالمي ومحفز لتحويل ديناميكيات النمو، تنتقل الذكاء الاصطناعي من العالم الرقمي إلى العالم المادي. يجب أن نستغل هذه الفرصة التاريخية النادرة، ونشجع المفتوحية والانفتاح والتعاون والمشاركة. يجب أن نعزز الابتكار التقني للذكاء الاصطناعي، وتنمية الصناعة، وتطبيقاتها الميدانية. يجب أن ننسق推进 تحول وتحديث الصناعات التقليدية، وتنمية الصناعات الناشئة، والتخطيط الاستباقي للصناعات المستقبلية، بحيث تستفيد جميع القطاعات من الذكاء الاصطناعي.

الاستراتيجية الصينية واضحة: تجسيد منتجاتك التكميلية. لاحظ أن شي جين بينغ ربط صراحةً الانفتاح مع الذكاء الاصطناعي "من العالم الرقمي إلى العالم المادي"; العالم المادي هو عالم تهيمن عليه الصين، وسيستفيد بشكل كبير من التقدم الصيني في مجالات مثل الروبوتات من نماذج الذكاء الاصطناعي المتاحة على نطاق واسع.

كما أن الصين لا ترغب في أن تحقق الولايات المتحدة ميزة غير متوازنة في مجال الذكاء الاصطناعي؛ فمن الأفضل إذا استطاعت الصين تقويض المختبرات الرائدة الأمريكية وتعزيز أي وجميع الخصوم المحتملين للولايات المتحدة، كما يمكنها الاستفادة من الابتكارات المرتبطة بالنظام البيئي المفتوح.

كما لا تتوقع أي إجراء من الصين ضد هجمات التقطيع على المختبرات الرائدة. أعتقد أن نسب جميع نجاحات المختبرات الصينية إلى التقطيع خطأ، لكن تجاهل أن التقطيع منح المختبرات الصينية ميزة كبيرة هو أيضًا خطأ. هذه الميزة ظهرت بوضوح خلال العام الماضي، حيث أصبح التعلم المعزز بعد التدريب أكثر أهمية لأداء النماذج. بدلاً من بناء بيئات التعلم المعزز من الصفر، يمكن للمختبرات الصينية ببساطة استخدام نماذج المختبرات الرائدة كمعلمين لتحقيق تحسينات سريعة بتكلفة أقل بكثير (وهذا ليس السبب الوحيد لانخفاض تكلفة تطوير النماذج الصينية، لكنه سبب مهم جدًا).

من المثير للاهتمام أن أحد أهم استخدامات النماذج الصينية في الغرب هو التقطيع نفسه. على سبيل المثال، تعتمد Thinking Machines، التي أطلقت للتو نماذج ذات أوزان مفتوحة، على النماذج الصينية لحل مشكلة البدء البارد في التعلم المعزز. كتب دين ماير وكونستانتين بوهلر مقالًا ممتازًا على X يشرح أن التقطيع يعني أن النماذج الغربية ذات الأوزان المفتوحة تواجه عيبًا جوهريًا مقارنة بالصين:

لا يمكن لعملية التقطير أن تفسر جميع مزايا التفوق الصينية في النماذج المفتوحة. تمتلك المختبرات الصينية باحثين عالميين المستوى، وكميات هائلة من قوة الحوسبة، ونماذج تدريب مسبقة قوية، وتصميمًا متكاملًا للبرمجيات والأجهزة، وقدرات تدريب لاحقة متطورة بسرعة. لكن التقطير يقلل الفجوة المكلفة بين الأساس القوي والنظام القريب من الحدود前沿. حتى لو كان حجم التقطير صغيرًا نسبيًا في القدرة الإجمالية للنماذج الصينية، فإنه يمثل حصة مهمة في ميزة الصين النسبية على النماذج المفتوحة الأمريكية.

ستجعل آلية الإنفاذ الجديدة من الصعب والبطيء والأكثر تكلفة على الشركات الصينية تنفيذ التقطير على نطاق واسع. ومع ذلك، لا يمكن للإنفاذ القضاء على التقطير المدعوم من قبل فاعلين دوليين. وبالتالي، فإن كل تقدم رائد من قبل الغرب يخلق معلمًا آخر للمختبرات الصينية. يجب على المطورين الغربيين إعادة إنتاج هذه القدرات بشكل مستقل، أو الانتظار لتعلمها من النماذج الصينية. هذه الفجوة توفر للمختبرات الصينية ميزة هيكلية متكررة نسبيًا مقارنة بالشركات الغربية.

هذه النقطة تستحق التكرار: لأن مصنعي النماذج المفتوحة الوزن في الولايات المتحدة ملزمون بالامتثال لشروط خدمة المختبرات الرائدة، فإنهم (1) أقل كفاءة من البديل الصيني، و(2) في النهاية يُستخلصون من مستخلصات، تمر فقط عبر مختبرات صينية. أليس من الأفضل لو كان مصنّعو النماذج المفتوحة الوزن في الغرب يستطيعون الحصول مباشرة من المصدر؟

لهذا السبب، هناك سؤال أكثر إثارة حول التقطير: لماذا هو سيء حقًا؟ أليس النموذج اللغوي الكبير مجرد تقطير لجميع المعرفة المتاحة على الإنترنت المفتوح، يتم جمعها وتصفيتها من قبل مختبرات رائدة لتشكيل النموذج الذي يتم تقطيره حاليًا؟ من يُضر حقًا هنا؟

في الواقع، هذا التناقض هو الحل. أؤمن أن النماذج ذات الأوزان المفتوحة تعزز الابتكار (ووفقًا لما سبق، أعتقد أن المختبرات الرائدة ستكون بخير)، لكن الاعتماد على الصين يمثل مشكلة. يجب على الولايات المتحدة تمرير قانون يُحدد (1) أن جمع البيانات لتدريب النماذج يُعد استخدامًا عادلًا، و(2) يحظر على الشركات الأمريكية على الأقل شروط الخدمة التي تمنع التقطيع. منع التقطيع — والذي يعادل في الواقع استعلامات واجهة برمجة التطبيقات — أمر شبه مستحيل؛ يجب على الولايات المتحدة اتباع طريق آخر، وتأييد سياسة حقوق طبع ونشر جديدة تحمي المختبرات وتضمن أن المعرفة التي تعلموها تُشجع الابتكار لدى الآخرين.

لقد كانت المقالة بأكملها تهدف إلى تقليل ردود الفعل المفرطة تجاه Kimi K3 ونماذج الصين المفتوحة الوزن؛ ومع ذلك، هناك سبب يستحق القلق، وهو الأمن السيبراني. فكر في هذه القصة من The Stack:

أفادت Hugging Face أن بنية تحتية إنتاجية تابعة لها تعرضت لاختراق من قبل نظام وكيل ذكاء اصطناعي "ذاتي" في وقت مبكر من الأسبوع الماضي. وواجه فريق أمان المنصة في البداية عقبات في الاستجابة للحوادث (IR) بسبب حواجز النموذج المتقدم للـ LLM الأمريكي غير المسمى، "حيث لم يستطع التمييز بين مُستجيب الحادث والمهاجم"، حسبما قالوا. لذلك لجأ دفاعات Hugging Face إلى نموذج GLM 5.2 المفتوح المصدر من مختبر Z.ai الصيني — وتشغيله على بنية تحتية خاصة بهم لتحليل أكثر من 17,000 سجل أو أثر تركها المهاجمون.

لشركة هاغينغ فيس، التي يقع مقرها في نيويورك، فإن هذا اعتراف علني مثير للاهتمام، حيث تتيح الشركة للمستخدمين التعاون على النماذج ومجموعات البيانات والتطبيقات، ووصلت هذا الصيف إلى علامة 100 مليون دولار في إيرادات السنة المتجددة (ARR). وفي تقرير حادث، اقترحت الشركة على المدافعين "الاستعداد مسبقًا بنموذج قادر يمكن تشغيله على بنيتك التحتية [بخط مائل خاص بنا]، لتجنب قفل الحواجز ومنع المهاجمين من إخراج بياناتك وبيانات الاعتماد من بيئتك."

من الصعب المبالغة في خطأ رد فعل إدارة ترامب المذعور على إصدار Anthropic لـ Fable، خاصةً لأنه عزز أسوأ ميل لـ Anthropic، وهو افتراض أنهم فقط هم من يمكن الوثوق بهم في استخدام الذكاء الاصطناعي القوي. في عالم يحتوي على ذكاء اصطناعي واحد فقط، قد يكون من المنطقي الاحتفاظ بأقوى قدرات الأمن السيبراني للحكومة الأمريكية والحلفاء الموثوقين؛ ومع ذلك، هذا ليس العالم الذي نعيش فيه.

هناك نماذج حالية ومستقبلية قادرة تمامًا على شن هجمات سيبرانية على البنية التحتية الحالية، وستكون هذه النماذج — بالفعل — متاحة على نطاق واسع. أفضل دفاع — بل والدفاع الوحيد القابل للتطبيق — سيكون ضمان حصول المدافعين أيضًا على أفضل النماذج. الآن، بسبب تعليمات حكومة ترامب، يُمنع المدافعون فعليًا من استخدام Fable أو Sol لأغراض الأمن السيبراني؛ وهذا يعني أن أفضل بديل هو استخدام نماذج من دولة سعت لسنوات إلى تقويض دفاعاتنا السيبرانية. هذا جنون!

الأفضل أن يكون الأمر واضحًا: أولاً، تخفيف القيود المفروضة على Fable و Sol فيما يتعلق بأمن الشبكات، ثانياً، ضمان بيئة منافسة متكافئة بين مصنعي النماذج المفتوحة الوزن في الولايات المتحدة والصين. نعم، ستُحدث المختبرات الرائدة ضجيجًا كبيرًا، لكن يجب على الحكومة أن تدرك أن الاستجابة ل hysterias الخاصة بهم قد أدى إلى وضع الولايات المتحدة في موقف تعتمد فيه شركاتها الأمريكية على الصين للدفاع. دع المختبرات الرائدة تفوز من خلال الأداء الأفضل؛ لا تدعها تُعرّف الأمان أو الحماية، ولا تدعها تُزيل السلم الذي يعتمد عليه البشر في معرفتهم الجماعية. إن التنافس مع الصين صعب بالفعل؛ أن نتخلى عن راية الانفتاح والابتكار هو التخلي عن أكبر ميزة لدينا.