حلّت 10,000 عامل ذكي مشكلة دون أي خلاف واحد. وبدأ البشر بالقتال على الاعتراف مباشرة بعد الإعلان. أولاً، ماذا حدث؟ أعلنت OpenAI أن عواملها حلت واحدة من أشهر المشكلات في الرياضيات الحديثة. وفقًا لوصفها، استغرق الأمر 88 ساعة. عمل حوالي 10,000 عامل على المشكلة في نفس الوقت. الآن، ما أثارني أكثر من أي شيء آخر. وصف سام ألتمان في ستانفورد كيف تفاعلوا. لم يكن هناك قائد. لم تكن هناك خلافات حول من فعل ماذا. لا صراعات ولا قتال على الاعتراف. كل واحد ببساطة تحرك نحو هدف واحد. وهو نفسه قال إنه يختلف عن أي منظمة يمكنه تخيلها. وهنا ما جاء بعد ذلك. بمجرد إعلان النتيجة، نشأ نزاع بين البشر حول من يستحق الفضل. العوامل قسمت المشكلة. البشر قسموا المجد. في المقابل، مرّ الرياضيون برحلتهم الخاصة خلال خمسة أيام. أولًا، جاء رد الفعل بأنه زائف. ثم أن مجالهم انتهى. ثم أنه لا ينبغي فعل ذلك بهذه الطريقة. بحلول اليوم الخامس، قال كثيرون شيئًا مختلفًا. نعم، نوع واحد من عملهم قد اختفى. لكن معظمهم لم يحلوا قط مشكلات على هذا المستوى. بل فسّروا المعرفة، وشرحوا للناس، وقرروا ما الذي يجب العمل عليه. هناك فكرة أخرى من ألتمان سهل تفويتها. إنه يقترح — ويقول صراحةً إنها مجرد تخمين — أن كل منظمة في العالم تقريبًا مبنية على النموذج العسكري. هرم، قيادة، تحكم. لأن هذا كان في يومٍ ما الطريقة الوحيدة المعروفة لإدارة عدد كبير من الأشخاص. وهنا فعل 10,000 عامل ذلك دون أي هرم على الإطلاق. الآن تخيل شركة يعمل فيها فقط العوامل. لا أحد يتأذى من التغذية الراجعة. لا أحد يسرق فكرة. لا أحد يقاتل من أجل المكتب الزاوي. يبدو هذا مثاليًا. وهذا بالضبط هو السبب في أنه مثير للاهتمام أن ألتمان أضاف فورًا: لن يعمل البشر أبدًا بهذه الطريقة. لأن هناك جمالًا في عيوبنا. الخلافات، الطموح، المشاعر. إنه لا يريد عالمًا بدونها. وأنا أوافقه على ذلك. لأن الاحتكاك بين البشر ليس فقط تكلفة. بل هو أيضًا الطريقة التي نقرر بها ما الذي يهمّنا. عندما يتشاجر شخصان على الاعتراف، فهما في الواقع يتشاجران حول ماذا يعني لهما المساهمة. الآلة لا تسأل هذا السؤال. إنها فقط تنفذ. إذًا، يبدو لي أن السؤال الرئيسي للسنوات القادمة ليس ما الذي يمكن للذكاء الاصطناعي استبداله. بل أي احتكاك نحن مستعدون للحفاظ عليه؟ يقول ألتمان إن البشر سيهتمون دائمًا أكثر بالبشر الآخرين. أننا لا نهتم كثيرًا بما تفعله الآلة لأغراضها الخاصة. أن العمل له قيمة لأن شخصًا ما وراءه. يبدو أن هذا صحيح حتى عندما نتشاجر. وربما في هذه الخلافات نبقى أكثر ما نكون أنفسنا.

قبل تسع سنوات، سلّم جينسن هوانغ حاسوبًا فائقًا إلى إيلون ماسك. اليوم، أحضر له نسخته التالية. وهذا اللحظة تربط بين عصرين مختلفين تمامًا في الحوسبة. في عام 2016، سلّم جينسن شخصيًا أول DGX-1 من NVIDIA إلى إيلون ماسك. في ذلك الوقت، كان ماسك جزءًا من OpenAI. ساعدت هذه الآلة الباحثين على دفع حدود الذكاء الاصطناعي وأصبحت جزءًا من البنية التحتية المبكرة وراء ثورة الذكاء الاصطناعي. بعد تسع سنوات، عاد جينسن. لكن هذه المرة، يحمل شيئًا مختلفًا تمامًا. مرحبًا بـ NVIDIA DGX Spark. حاسوب فائق للذكاء الاصطناعي صغير الحجم يعمل ببنية Grace Blackwell. والمواصفات مذهلة. حتى 1 بيتافلوب من أداء الذكاء الاصطناعي بدقة FP4. 128 جيجابايت من الذاكرة الموحدة. شريحة فائقة NVIDIA GB10 قوية. وتصميم صغير بما يكفي ليوضع على مكتب. للإحاطة، كان DGX-1 الأصلي نظامًا مؤسسيًا ضخمًا. يجلب DGX Spark كمية كبيرة من قدرات الحوسبة للذكاء الاصطناعي إلى جهاز يزن فقط 1.2 كيلوجرام. لكن ما يهم حقًا هو ما يجعله ممكنًا. يمكن للمطورين والباحثين تشغيل نماذج الذكاء الاصطناعي محليًا، والتجربة مع نماذج اللغة الكبيرة، وبناء وكلاء ذكاء اصطناعي وضبط النماذج دون الاعتماد الكامل على مراكز البيانات البعيدة. تقول NVIDIA إن جهاز DGX Spark واحد يمكنه التعامل مع الاستنتاجات مع نماذج تصل إلى 200 مليار معلمة. ويمكن ربط أنظمة متعددة معًا للتعامل مع أحمال عمل أكبر حتى. خلال المحادثة، أشار جينسن أيضًا إلى التقدم الهائل في كفاءة الحوسبة، مقارنةً بين DGX-1 الأصلي والجيل الجديد. ثم جاء أحد أفضل اللحظات. سخر جينسن من أن إيلون كان يبني أشياء أكبر منه. وافق إيلون ببساطة. ففي النهاية، تبني SpaceX صواريخ وبنية تحتية ضخمة، بينما تبني NVIDIA أنظمة الحوسبة التي تُمكّن ثورة الذكاء الاصطناعي. وهناك شيء مثير حول رؤية هذين العالمين يلتقيان في ستاربايس في تكساس. شركة واحدة تدفع حدود استكشاف الفضاء. والثانية تدفع حدود الذكاء الاصطناعي. قبل تسع سنوات، سلّم جينسن حاسوبًا فائقًا ساعد على إطلاق فصل جديد في الذكاء الاصطناعي. الآن، هو يجلب قوة الحوسبة هذه أقرب إلى المطورين الأفراد. قد لا يأتي الاختراق التالي في الذكاء الاصطناعي من مركز بيانات ضخم. قد يبدأ على مكتب أحد الأشخاص.

يا إلهي. أصدرت OpenAI للتو وحدات ذكاء اصطناعي أرخص وأفضل في استخدام جهاز الكمبيوتر الخاص بك. تعرف على GPT 6.1 Terra. وهذه التحديثات لا تتعلق فقط بتوليد إجابات أفضل. تسعى OpenAI نحو شيء أكثر فائدة بكثير. أي إنجاز فعلي للمهام. تم تصميم Terra لفهم ما يحدث على شاشتك، والتفاعل مع تطبيقات الكمبيوتر، وإكمال سلاسل معقدة من المهام. فكّر في ما يعنيه ذلك. يمكن للذكاء الاصطناعي مساعدتك في إعداد المقترحات، وتفسير الرسومات الفنية، وملء النماذج، وتحرير الفيديوهات، ومعالجة المهام المكتبية المتكررة. بدلاً من شرح كيفية القيام بشيء ما، يمكنه تنفيذ الخطوات المطلوبة لإتمامه. وتشير OpenAI إلى أن النموذج الجديد أفضل بكثير من GPT 5.6 Terra في هذه المهام. لكن هذا هو الجزء الذي لفت انتباهي حقًا. السعر. سعر واجهة برمجة التطبيقات القياسية لـ GPT 6.1 Terra أقل بنسبة 50% مقارنة بـ GPT 5.6 Terra. وهذا مهم لأن وحدات الذكاء الاصطناعي يمكن أن تُجري العديد من الاستدعاءات للنموذج أثناء إكمال سير عمل واحد. كل خطوة تكلف مالاً. قراءة المعلومات، وتحليل الشاشة، واتخاذ قرار الخطوة التالية، والتحقق من النتيجة — كلها يمكن أن تتراكم. انخفاض التكاليف يجعل تشغيل هذه الأنظمة على نطاق واسع أكثر عملية. كما تُبلغ OpenAI عن تحسينات كبيرة في أداء البرمجة والاستدلال البصري، بالإضافة إلى تقليل الأخطاء الواقعية في تقييماتها الداخلية. هذا المزيج مهم. نموذج يمكنه فهم المهمة، وتشغيل البرامج، وكتابة الشيفرة يصبح أكثر فائدة بكثير عندما يستطيع القيام بكل ذلك بسرعة أكبر وبتكلفة أقل. تخيل وحدات ذكاء اصطناعي تعالج الفواتير، وتحديث الجداول الإلكترونية، وتنظيم معلومات العملاء، أو التعامل مع المهام المتكررة عبر تطبيقات متعددة. ليس فقط إخبارك بما يجب فعله. بل مساعدتك فعليًا في إتمامه. بالطبع، استخدام الكمبيوتر ليس نفس الشيء كاستقلالية كاملة. لا تزال سير العمل المعقدة تحتاج إلى اختبار، وأذونات، وإشراف بشري. لكن الاتجاه يصبح واضحًا. سباق الذكاء الاصطناعي القادم الكبير ليس فقط حول أي نموذج يمكنه التفكير بشكل أفضل. بل حول أي نموذج يمكنه تحويل هذا الذكاء إلى عمل بشكل موثوق. والآن، تجعل OpenAI هذه القدرة أرخص في الاستخدام.

🚨 يا إلهي. جينسن هوانغ حمل للتو بيتافلوبًا من قوة الذكاء الاصطناعي في يد واحدة. والمقارنة التي أجرتها هي مجنونة تمامًا. في عام 2016، قام جينسن هوانغ بتوصيل نظام NVIDIA DGX 1 إلى شركة صغيرة تُدعى OpenAI. كان جهازًا ضخمًا مصممًا خصيصًا لحسابات الذكاء الاصطناعي. وقدم أداءً بقوة بيتافلوب واحد، مع 128 جيجابايت من الذاكرة. وأشار جينسن إلى تفصيل واحد فقط. استغرق نقل هذا الجهاز إلى الطابق العلوي شخصين. الآن، بعد عشر سنوات، يحمل جينسن جهاز كمبيوتر ذكي صغير في يد واحدة، ويعرض نفس الأرقام الرئيسية. بيتافلوب واحد. 128 جيجابايت من الذاكرة. دع هذا يترسخ في ذهنك للحظة. تم تطوير سلسلة RTX Spark الجديدة عبر أربع سنوات من العمل مع مايكروسوفت وصناعة أجهزة الكمبيوتر على نطاق أوسع. وفقًا لجينسن، شمل المشروع شريحة جديدة تُدعى N1X وعائلة جديدة تمامًا من أجهزة الكمبيوتر، تشمل أجهزة سطح المكتب وأجهزة الكمبيوتر المحمولة ومحطات العمل. الهدف هو جلب قوة حوسبة الذكاء الاصطناعي الجادة إلى حجم أصغر بكثير. وهنا تصبح الأمور مثيرة للاهتمام. لسنوات، كان الوصول إلى أجهزة الذكاء الاصطناعي القوية يعني الاعتماد على بنية تحتية سحابية باهظة الثمن أو أجهزة متخصصة كانت خارج نطاق معظم المطورين الأفراد. تشير الأنظمة المدمجة مثل هذه إلى نهج مختلف تمامًا. تخيل تطوير وكلاء ذكاء اصطناعي، واختبار النماذج، وتشغيل أحمال عمل الذكاء الاصطناعي المكثفة على مكتبك الخاص. تقليل الاعتماد على البنية التحتية عن بُعد. مزيد من التحكم في بيئة التطوير الخاصة بك. وربما تقليل التكاليف المتكررة السحابية للأحمال التي يمكن تشغيلها محليًا. بالطبع، هناك فرق مهم. مطابقة نفس الرقم القصوى للبيتافلوب لا تعني تلقائيًا أن جهازين يقدمان أداءً متطابقًا في العالم الحقيقي. الدقة المستخدمة وهندسة الذاكرة وحمل العمل كلها عوامل مهمة. لكن التحول المادي لا يزال مذهلاً. في عام 2016، كانت هذه الفئة من حوسبة الذكاء الاصطناعي موجودة في جهاز كان يتطلب شخصين لنقله. الآن، يمكن لجينسن هوانغ أن يحمل نظامًا بمواصفات رئيسية مماثلة في يد واحدة. هذا ما يجعل هذا الأمر أكثر من مجرد إطلاق جهاز كمبيوتر آخر. أصبحت أجهزة الذكاء الاصطناعي لا تقتصر على أن تصبح أكثر قوة فحسب، بل أصبحت أكثر قابلية للوصول بشكل كبير. وربما لا يحتاج الجيل القادم من مطوري الذكاء الاصطناعي إلى غرفة خوادم لبدء العمل.

ماذا لو استطعنا رفع نقل الفوتونات الكمومية من 54% إلى 100%؟ قد يكون العلماء في جامعة فيينا للتكنولوجيا وجدوا طريقة. والحل مدهش بذكائه. تحتاج الحواسيب الكمومية إلى نقل المعلومات بين الكيوبتات. يُصدر كيوبت واحد فوتونًا. ويجب على كيوبت آخر امتصاصه. لكن باستخدام الأساليب التقليدية، ينجح الامتصاص فقط حوالي 54% من المرات. تخيل فقدان ما يقارب نصف محاولات نقل المعلومات قبل حتى اكتمال العملية. الآن، اقترح الباحثون طريقة لتغيير هذا الوضع. المفتاح هو شكل موجة الفوتون. عندما يُصدر كيوبت فوتونًا، تبدأ موجته قوية ثم تتلاشى تدريجيًا، تمامًا مثل صوت جرس. لكن الكيوبت المستقبل يحتاج إلى موجة مختلفة تمامًا لامتصاص مثالي. لذلك، يقترح الباحثون استخدام دليل موجي بصري مصمم خصيصًا لإعادة تشكيل الفوتون أثناء سفره. من خلال التحكم في كيفية تحرك الترددات المختلفة عبر الدليل، حسبوا أن الفوتون يمكن أن يصل بالشكل الموجي الدقيق المطلوب للامتصاص الأمثل. ما النتيجة؟ تشير محاكاتهم إلى أن الامتصاص يمكن أن يصل نظريًا إلى 100% تحت ظروف مثالية. وأفضل جزء في الأمر هو أن هذه طريقة سلبية. بدلًا من الاعتماد على تحكم نشط إضافي عند الطرف المستقبل، فإن الدليل الموجي نفسه يقوم بعملية تشكيل الفوتون. لم يتم إثبات هذه الطريقة تجريبيًا بعد، لكن الباحثين يعتقدون أن الإعداد المطلوب يجب أن يكون تقنيًا قابلاً للتنفيذ. إذا نجحت في التطبيق العملي، فقد تساعد في جعل الحواسيب الكمومية وشبكات الاتصالات أكثر موثوقية بكثير. غالبًا ما نظن أن الاختراقات الكمومية تتطلب أجهزة جديدة تمامًا. أحيانًا، قد يأتي الاختراق من تغيير طريقة سفر فوتون واحد فقط. وفي الحوسبة الكمومية، قد يكون هذا التفصيل الصغير فارقًا هائلًا.

ما هذا الشيء؟ هذا الروبوت يخسر أكثر من نصف الصفقات، ومع ذلك ينمو من 1,400 دولار إلى 22,646 دولارًا. انظر إلى تلك النقطة. هذه 20,480 سيناريوهات مستقبلية يحتفظ بها الروبوت في ذهنه في نفس الوقت. الخطوط الزرقاء هي العوالم التي سيصعد فيها البيتكوين. الوردي والبرتقالي هما العوالم التي سيهبط فيها. والآن عن كيفية عمله. يقوم الروبوت بالتداول في أسواق خمس دقائق على Polymarket، صعودًا أو هبوطًا للبيتكوين. تدخل بيانات حية من سبعة مصادر. تُحول هذه البيانات إلى احتمالات، مثل 45% لصعود مقابل 55% لهبوط. يُقارن هذا الاحتمال بسعر السوق الذي تُباع به نفس النتيجة. الفرق بينهما يُسمى الميزة. ويُفتح الصفقة فقط إذا كانت هناك ميزة. إذا كانت أقل من ثلاثة سنتات، تظهر كلمة "PASS" على الشاشة ولا تُنفذ أي صفقة. هنا تكمن الفكرة الأساسية. معدل الربح على اللوحة هو 48%. أي أن أكثر من نصف الصفقات تُغلق بالخسارة. لكن هذا ليس مشكلة. تخيل أنك تشتري سهمًا بسعر 32 سنتًا سيُدفع لك دولارًا إذا كنت محقًا. لا تحتاج إلى التخمين بشكل أكثر دقة مما يستحق. يكفي أن يكون تقديرك أكثر دقة من سعر السوق. عندها، حتى مع خسائر تزيد عن النصف، يعمل الحساب لصالحك. وهذا ظاهر على الشاشة لكل صفقة. شراء بسعر 32 سنتًا مع ميزة زائدة قدرها 5.3 سنتًا. شراء بسعر 53 سنتًا مع ميزة زائدة قدرها 6.7 سنتًا. أسعار مختلفة، أحجام مختلفة، لكن قاعدة واحدة. وفي الأسفل توجد منحنى الهبوط. هذا تفصيل للنقاط التي قد يصل إليها البيتكوين عند إغلاق النافذة. الروبوت يفوت نقطة واحدة. إنه يرى نطاقًا كاملاً من الفرص ويقارنها بسعر السوق. عدد النوافذ يوميًا هو 288، والقاعدة واحدة في كل مرة. تم تنفيذ 14,222 ورقة تداول، وكانت الميزة المتوسطة زائدة قدرها 4.6 سنت، وأقصى انخفاض كان 4.2%. الآن عن ما يهمني في هذا. يعتقد معظم الناس أن المتداول الجيد هو من يخمن بدقة. وهنا، الروبوت لا يحاول حتى التخمين. إنه يفكر. كل خمس دقائق، تتجمع ملايين القرارات الصغيرة في منحنى واحد، ينمو ليس لأن الروبوت محق، بل لأن الربح أكثر تكلفة من الخسارة. وهذا يغيّر السؤال. ليس كم مرة تخمن بدقة. بل كم تربح عندما تكون محقًا، وكم تخسر عندما لا تكون كذلك. هذا هو جوهر Crawler Arena من CRAWLHIVE. أنت تحدد الحكم، نقطة الدخول، هدف الربح، وقف الخسارة، والحجم بنفسك، دون أي كود. ويدخل مُستكشفك الساحة ويتداول وفقًا لهذه القواعد ضد الجميع، مع عمولات حقيقية وانزلاق حقيقي. أي أن نفس الفرق بين الربح والخسارة أصبح الآن بين يديك. هذا ليس نصيحة مالية. النتائج السابقة لا تضمن نتائج مستقبلية.

جنسن هوانغ أظهر مؤخرًا ديكًا روبوتيًا بطول 25 سم يتعلم الحركة باستخدام وكلاء الذكاء الاصطناعي. وهذا الروبوت الصغير هو جزء من قصة أكبر بكثير. تعالوا نتعرف على ميكروداك. إنه مشروع روبوتي مفتوح المصدر من Hugging Face، وتم تدريب سلوكه في بيئة محاكاة قبل نقله إلى الروبوت الفعلي. يمكن للديك تعلم الجري، والنهوض من جديد، وجمع الأجسام. لكن ما يجعل هذه المظاهرة مثيرة هو كيفية مساعدة وكلاء الذكاء الاصطناعي على تحقيق ذلك. بدلًا من التعامل مع الروبوتات كمهمة هندسية ضخمة واحدة، تم تقسيم سير العمل إلى مراحل. بناء النموذج. إعداد المحاكاة. تدريب السلوك. ثم نقل هذه المهارات إلى العالم الحقيقي. هذه الخطوة الأخيرة حاسمة. الروبوت الذي يعمل في بيئة افتراضية لا يزال يواجه الجاذبية والتوازن والاحتكاك وعدم التنبؤ بالأشياء الحقيقية. وهنا تصبح رؤية NVIDIA للذكاء الاصطناعي المادي مهمة. الذكاء الاصطناعي يتجاوز الآن إنشاء النصوص والصور والكود. ويُستخدم بشكل متزايد جنبًا إلى جنب مع أدوات المحاكاة والروبوتات لمساعدة الآلات على تعلم كيفية التفاعل مع العالم المادي. قد يكون الديك صغيرًا. لكن الفكرة وراءه ليست صغيرة على الإطلاق. لأن الجيل القادم من الذكاء الاصطناعي قد لا يعيش فقط داخل أجهزة الكمبيوتر الخاصة بنا. بل قد يتعلم الحركة خارجها.

تسلا لا تتحدى الجاذبية. إنها تستخدم الشفط للبقاء على المسار. انظر عن كثب إلى هذا الروادستر. السيارة تتصاعد عبر حلقة ضخمة، وتقلب رأسًا على عقب، وتستمر في الحركة حتى عندما لا يبدو أن سرعتها كافية لتفسير ما نراه. إذًا، ما الذي يمسك بها فعليًا؟ ليس المغناطيسات. السر يكمن أسفل السيارة. لقد بنت تسلا نظام شفط مدعوم بمراوح في قاعدة الروادستر. تقوم المراوح بسحب الهواء من أسفل السيارة، مما يخلق ضغطًا أقل تحتها. يساعد فرق الضغط على دفع السيارة نحو المسار. وهنا الجزء الذي أجدته مثيرًا للاهتمام. يعتمد قوة الهبوط الديناميكية الهوائية التقليدية بشكل كبير على تدفق الهواء الناتج عن حركة السيارة. لكن نظام الشفط المدعوم بالمراوح يمكنه توليد قوة هبوط كبيرة حتى عند السرعات المنخفضة. وهذا يغيّر ما يمكن للسيارة فعله. بدلًا من الاعتماد فقط على السرعة للبقاء مثبتة، يمكن للمركبة أن تخلق بنشاط القوة التي تمسكها بالسطح. إنه الفرق بين سيارة تحتاج إلى الطريق للبقاء في مكانها، وسيارة مصممة بهندسة لسحب نفسها نحوه. هذا ليس هزيمة للجاذبية. بل هو هندسة تجد طريقة أخرى للعمل معها. وهذا ما يجعل هذا العرض مذهلًا جدًا.

عمل 8 وكلاء ذكاء اصطناعي على مكتب تداول طوال الليل. ارتفع رأس المال من 12,155 دولارًا إلى 14,853 دولارًا. لكن الرقم ليس الجزء الأكثر إثارة. الجزء الأكثر إثارة هو أن مشرف هذا المكتب لا يفتح أي صفقة على الإطلاق. هذا هو الإصدار الجديد من بوت Grok مع Jev. وليس مجرد بوت واحد بعد الآن. بل هو مكتب تداول كامل، حيث يمتلك كل وكيل وظيفته الخاصة. يقرر CHIEF أي رمز يجب اختياره، لكنه لا يتداول أبدًا. يبحث SCAN عن ما يتحرك. يتحقق VET مما إذا كان الرمز حقيقيًا وما هي هيكلة مخاطره. يحلل SOCIAL حساب المشروع على X. يحدد SIZE كمية الاستثمار. ينفذ FILLS الصفقة. يغلق RISK المركز. يقرأ CRAWLER الصفحات والمنشورات أولًا، ثم فقط يبدأ المكتب في التداول. قبل أن يتحرك أي منهم، تُطبَّق القواعد الصارمة مجانًا. عمر الرمز الأدنى: 15 دقيقة. سيولة من 12,000 دولار. حجم على مدار 24 ساعة من 48,000 دولار. قيمة سوقية من 60,000 دولار. على الأقل 150 صفقة. أكبر محفظة لا تحتوي على أكثر من 5 بالمئة. المحفظات العشر الكبرى لا تحتوي على أكثر من 60 بالمئة. حسابات حسابية بسيطة، دون أي استدعاء للذكاء الاصطناعي. ثم تأتي الفلاتر الناعمة من Jev. مخاطر التركز عند الخروج. ما إذا كان الزخم قد استُهلك بالفعل. ما إذا كانت السيولة مناسبة لحجم الصفقة. ما إذا كان حساب المشروع مُعاد تدويره. ما إذا كان المطور لا يزال يحتفظ بكمية كبيرة جدًا. وترتيب هذه الفلاتر مهم. التحقق المجاني أولًا. ثم التحقق من الصفقة. ثم التحقق من السلسلة. وأخيرًا فقط، التحقق المكلف. قتل رمز مجانًا أرخص بكثير من طلب تقييم الذكاء الاصطناعي لكل رمز على حدة. كما لا يدخل البوت أبدًا بناءً على تخمين. إنه ينتظر تدفق شراء حقيقي أولًا، ثم يدخل فقط. لا تدفق، لا دخول. يعتقد معظم الناس أن بوت التداول القوي هو مجرد نموذج ذكي. لكن نموذج ذكي وحده يرتكب أخطاء. النظام الذي يفصل كل خطوة ويتحقق من كل خطوة يرتكب أخطاء أقل بكثير. لديه ترتيب. ولديه مشرف لا يتخذ قراراته إلا ويكون خاليًا من الطمع. هذا هو الفرق الحقيقي. هذا ليس نصيحة مالية. النتائج السابقة لا تضمن نتائج مستقبلية. من يلعب دور CHIEF في تداولاتك الآن، أنت أم مشاعرك؟

ربما يكون أكثر روبوتات التداول بالذكاء الاصطناعي خطورةً هو الذي يبدو مثاليًا. منحنى أرباح متزايد. تحليلات نظيفة. نظام يبدو أنه يعرف بالضبط متى يدخل السوق ويخرجه. لكن هذا ما أعتقد أن الناس غالبًا يفوتونه. لا يحتاج نظام التداول إلى أن يكون جيدًا ليبدو مربحًا. فقط يحتاج إلى أن يبدو جيدًا تحت الظروف التي تم اختباره عليها. غيّر السوق. أضف رسوم التداول. زِد التقلبات. اترك مركزًا خاسرًا يعمل لفترة أطول من المتوقع. فجأة، قد يبدأ الاستراتيجية التي بدت رائعة في التفكك. لهذا السبب، أنا أقل اهتمامًا بلوحة شاشة تُظهر ربحًا، وأكثر اهتمامًا بما يحدث عندما تتوقف الاستراتيجية عن العمل. كم يمكن أن تخسر؟ كيف تتصرف تحت الضغط؟ هل يمكنها البقاء في سوق لم تُصمم له؟ لأن كسب المال في ظروف مواتية شيء واحد. أما البقاء في ظروف غير مواتية فهو شيء آخر تمامًا. وأعتقد أن هذا هو التحدي الحقيقي للتداول بالذكاء الاصطناعي. ليس تعليم الآلة كيفية العثور على صفقات رابحة. بل تعليمها التعرف على متى لم تعد استراتيجيتها فعّالة.