إعادة تقييم Kimi K3 للسرد الذكي: هل ستقطع النماذج الرخيصة موجة القوة الحاسوبية؟

TL;DR
· بعد إطلاق Kimi K3، انخفضت أسهم الشركات المرتبطة بالذكاء الاصطناعي يوم الجمعة الماضية، حيث أعادت السوق القلق بشأن نفقات القوة الحاسوبية لـ DeepSeek R1.
· تخطط شركات السحاب الأمريكية لإنفاق حوالي 700 مليار دولار على بنية الذكاء الاصطناعي التحتية هذا العام، وهو الرقم الأساسي الذي يؤثر على تقييمات النماذج المفتوحة.
· قد تؤدي النماذج المفتوحة إلى خفض أسعار النماذج المغلقة، لكنها قد تزيد أيضًا من استخدام الذكاء الاصطناعي، مما لا يعني أن الطلب على القوة الحاسوبية قد بلغ ذروته.

أشارت Deutsche Bank في تقرير موجه للمستثمرين العاديين إلى أنه بعد إطلاق Kimi K3 من Moonshot AI، شهدت أسهم الذكاء الاصطناعي يوم الجمعة الماضية ما يسمى بـ "لحظة DeepSeek": بدأت السوق في إعادة طرح السؤال، إذا كانت النماذج المفتوحة من الصين يمكن أن تقترب من النماذج المغلقة الرائدة بتكاليف أقل، فهل لا تزال نفقات البنية التحتية للذكاء الاصطناعي التي تتجاوز مئات المليارات من الدولارات من قبل عمالقة التكنولوجيا الأمريكية معقولة؟

هذه ليست مجرد مناقشة تقنية بحتة. أشار التقرير إلى أن "السبعة الكبار في التكنولوجيا" انخفضت أسهمهم بنحو 1.8% يوم الجمعة، وانخفض مؤشر فيلادلفيا للرقائق بنحو 1.6%، مما جعل إجمالي انخفاضهم خلال الأسبوع يتجاوز 10%. من المتوقع أن تستثمر Alphabet، Google، Microsoft، Amazon AWS، Meta وOracle حوالي 700 مليار دولار هذا العام لبناء قدرات الذكاء الاصطناعي، بزيادة حوالي 70% عن العام الماضي.

سبب قلق المستثمرين واضح جدًا: لقد تم بناء سوق الثور في الذكاء الاصطناعي خلال السنوات القليلة الماضية على فرضية واحدة - النماذج الأقوى تحتاج إلى المزيد من الشرائح، المزيد من مراكز البيانات، المزيد من الطاقة، ونفقات رأسمالية أعلى. لكن بعد DeepSeek R1، تذكر Kimi K3 السوق مرة أخرى أن النماذج الرخيصة والخفيفة والقابلة للتنزيل والتعديل تلاحق عمالقة النماذج المغلقة.

لماذا تؤثر إطلاق نموذج على Nvidia ومزودي السحابة؟

لا تزال الصدمة التي أثارها DeepSeek R1 في يناير 2025 جزءًا من ذاكرة السوق. يستعرض التقرير أنه في ذلك الوقت، كانت السوق قلقة من أن الفرق الصينية يمكن أن تصنع نماذج "جيدة بما يكفي" باستخدام شرائح قديمة وتكاليف تدريب أقل، مما أدى إلى فقدان Nvidia حوالي 600 مليار دولار من قيمتها السوقية في يوم واحد.

تطرح Kimi K3 أسئلة مشابهة: إذا كانت النماذج المفتوحة يمكن أن تصل إلى مستويات قابلة للاستخدام في العديد من السيناريوهات، فهل لا يزال يتعين على الشركات دفع ثمن النماذج المغلقة الأغلى؟ هل لا يزال يتعين على مزودي السحابة بناء مراكز البيانات بالسرعة الحالية؟ هل سيتحول الطلب على الشرائح من "كلما كان أكثر، كان أفضل" إلى "الأرخص، والأكثر كفاءة، والأكثر توزيعًا"؟

المفتاح هنا ليس ما إذا كانت Kimi K3 قد تجاوزت OpenAI أو Anthropic بالكامل، بل ما إذا كانت قادرة على زعزعة جزء من الافتراضات الافتراضية للسوق حول نماذج الأعمال في الذكاء الاصطناعي. طالما أن النماذج "الجيدة بما يكفي" تصبح أرخص، ستتقلص سلطة التسعير لمصنعي النماذج المغلقة، وسيتعين على قصص نمو مزودي السحابة وشركات الشرائح قبول المزيد من الاختبارات.

لهذا السبب تؤثر إطلاق نموذج واحد على سوق الأسهم. من بين السبعة الكبار في التكنولوجيا، العديد من الشركات هي مقدمو نماذج وتطبيقات الذكاء الاصطناعي، وكذلك أكبر مشترين لمراكز البيانات في العالم؛ بينما يتحمل مؤشر الشرائح مباشرة توقعات السوق بشأن الطلب على GPU، معدات الشبكات، وخوادم الذكاء الاصطناعي.

ما يؤثر حقًا على التقييم ليس كلمة "مفتوح المصدر"

الكثير من النماذج التي تسميها السوق "مفتوحة المصدر"، يمكن أن يقال عنها بشكل أكثر دقة أنها "مفتوحة الوزن".

النماذج المغلقة تشبه أكثر خدمات "التوصيل الفوري". عادةً ما يتم التحكم في النماذج الرائدة مثل GPT من OpenAI وClaude من Anthropic من قبل المطورين الذين يتحكمون في أوزان النموذج، وطرق التدريب، والتسعير، والتحديث، والقيود الأمنية، حيث يقوم المستخدمون بالاستدعاء من خلال التطبيقات، API أو خدمات السحابة. مزاياها هي الراحة، والاستقرار، ودرجة عالية من التكامل؛ عيوبها هي أن المستخدمين يجدون صعوبة في السيطرة على القاعدة الأساسية، ويجب عليهم قبول أسعار وقواعد مقدمي الخدمة.

تفتح النماذج المفتوحة الأوزان بعد التدريب، مما يسمح للمستخدمين بتنزيلها، ونشرها، وتعديلها، وحتى تعديل بعض إعدادات الأمان تقنيًا. تعتبر DeepSeek R1 وLlama من Meta، والعديد من نماذج Mistral أقرب إلى هذا النوع. لا يتعين عليها بالضرورة نشر بيانات التدريب الكاملة، أو كود التدريب، أو تفاصيل إعادة الإنتاج، وبالتالي لا تعادل أنظمة مفتوحة المصدر بالمعنى الدقيق.

هذا الفرق مهم للعملاء من الشركات. تعني النماذج المفتوحة الأوزان مزيدًا من السيطرة: يمكن للشركات تشغيل النماذج على خوادمها الخاصة، مما يقلل من الاعتماد على API الخارجية؛ كما يمكنها تخصيصها وفقًا للصناعة، أو اللغة، أو المهمة؛ بالنسبة للهيئات التي لا يمكنها نقل البيانات المالية، الطبية، أو الحكومية خارج بيئتها المحلية، فإن النشر المحلي يصبح أكثر جاذبية.

لكن "القابلية للتنزيل" لا تعني "مجانية". لا يزال يتعين على الشركات دفع تكاليف القوة الحاسوبية، والطاقة، والهندسة، والمراقبة، والصيانة، والأمان. كما أن النماذج المفتوحة قد لا تمتلك نفس القدرات العامة، وتجربة المنتج، والتعهدات الخدمية مثل النماذج الرائدة المغلقة. بعبارة أخرى، تأثيرها لا يكمن في استبدال النماذج المغلقة بين عشية وضحاها، بل في تقديم خيار آخر للعملاء.

أربعة أماكن يتم فيها استجواب تقييم الذكاء الاصطناعي

تؤثر نماذج مثل Kimi K3 أولاً على "الندرة".

إذا كانت النماذج القوية يمكن أن يتم نسخها، وتعديلها، واستضافتها من قبل المزيد من المطورين، فقد تصبح نماذج الذكاء الاصطناعي نفسها أكثر شبيهة بالبنية التحتية للبرمجيات الأساسية، بدلاً من كونها منتجات ذات هوامش ربح عالية تملكها عدد قليل من الشركات. لا يزال بإمكان مصنعي النماذج المغلقة تحقيق الأرباح من خلال المنتجات، والبيانات، والأمان، والنظام البيئي، لكن من الصعب عليهم فرض أسعار مرتفعة فقط بناءً على "تفوق قدرة النموذج".

ثاني شيء يتأثر هو سلطة التسعير. مع استخدام وكلاء الذكاء الاصطناعي وموظفي الشركات لمزيد من الرموز، تتحول تكاليف استدعاء النماذج من فواتير صغيرة في مرحلة التجريب إلى مشاريع كبيرة في ميزانيات الشركات. عندما تقلص الدعم للذكاء الاصطناعي، وتبدأ الشركات الرائدة في فرض رسوم أكثر وضوحًا بناءً على الرموز، سيكون العملاء الحساسة للتكاليف أكثر استعدادًا لتجربة النماذج المفتوحة.

الثالث هو النفقات الرأسمالية. لقد أصبحت استثمارات شركات التكنولوجيا الأمريكية في الذكاء الاصطناعي كبيرة جدًا، حيث أن خطط بناء قدرات الذكاء الاصطناعي التي تبلغ حوالي 700 مليار دولار من Google وMicrosoft وAWS وMeta وOracle هذا العام هي واحدة من الأرقام الأكثر اهتمامًا في السوق. إذا كانت الشركات تستطيع حل معظم المهام باستخدام نماذج أصغر، وأرخص، وأكثر تخصصًا، فسوف يسأل المستثمرون بشكل طبيعي: هل كانت زيادة نفقات الشرائح، والشبكات، والطاقة، ومراكز البيانات سريعة جدًا؟

الرابع هو الحواجز التقنية الأمريكية. تستمر النماذج المفتوحة من الصين في الظهور، مما يضعف تصور السوق بأن الريادة الأمريكية في الذكاء الاصطناعي "لا يمكن زعزعتها". أشار التقرير إلى أنه هذا العام، تجاوز عدد الرموز التي تعالجها النماذج الصينية على منصة OpenRouter عدد الرموز التي تعالجها النماذج الأمريكية. هذا لا يعني أن ميزة الذكاء الاصطناعي الأمريكية قد اختفت، ولكن يعني أن استخدام المطورين وانتشار النظام البيئي أصبح أكثر تشتتًا.

تشير هذه التأثيرات مجتمعة إلى نتيجة واحدة: لا تزال النماذج المغلقة هي معيار القدرات المتقدمة، لكن السرد القائل بأن "النماذج المغلقة تحتكر كل شيء" قد ضعف.

النماذج المفتوحة ليست فقط سلبية للذكاء الاصطناعي، بل قد تزيد أيضًا من الطلب

من السهل على السوق فهم هذه الأحداث على أنها "النماذج الرخيصة تضرب الطلب على الشرائح". لكن الحكم الذي قدمه التقرير أكثر توازنًا: النماذج المفتوحة القوية ستتحدى بالفعل نماذج الأعمال للنماذج المغلقة وتوقعات الطلب على الشرائح، لكنها قد تعزز أيضًا اعتماد الذكاء الاصطناعي، وتطوير التطبيقات، وتخصيص الشركات.

السبب هو أن انخفاض الأسعار عادة ما يزيد من الاستخدام. ستجعل النماذج الأرخص والأكثر كفاءة المزيد من الشركات تدمج الذكاء الاصطناعي في خدمة العملاء، والمكاتب، والبحث والتطوير، والإعلانات، وتحليل البيانات، والعمليات الداخلية. الشركات التي كانت تعتقد سابقًا أن تكاليف API مرتفعة جدًا، أو أن البيانات لا يمكن أن تخرج، أو أن النماذج غير قابلة للتحكم، قد تبدأ في نشر الذكاء الاصطناعي بسبب النماذج المفتوحة.

هذا قريب من منطق "مفارقة جيفن": بعد زيادة كفاءة التقنية، تنخفض التكلفة لكل وحدة، مما يؤدي في النهاية إلى زيادة الاستهلاك. لم تقلل زيادة كفاءة المحرك البخاري من الطلب على الفحم، بل زادت من استخدام الطاقة البخارية. قد يحدث شيء مشابه مع الذكاء الاصطناعي - تصبح الاستدلالات الفردية أرخص، لكن عدد الاستدعاءات، وسيناريوهات التطبيق، وعدد الأجهزة النهائية تزيد بشكل كبير.

لذا، قد لا يصل الطلب على القوة الحاسوبية إلى ذروته، بل قد يتغير هيكل الطلب. قد تستمر بعض النماذج المغلقة الأكثر تقدمًا في الحاجة إلى أقوى مجموعات التدريب والاستدلال؛ بينما قد يتم نشر العديد من النماذج المفتوحة على السحابة، والخوادم المحلية، والهواتف المحمولة، والسيارات، وغيرها من الأجهزة الطرفية. قد يتحول الطلب على الشرائح أيضًا من السعي وراء أقوى GPU إلى التركيز أكثر على كفاءة الاستدلال، والشبكات، والطاقة، والتخزين، وقوة الحوسبة على الطرف.

بالنسبة لشركات التطبيقات، قد تؤدي النماذج المفتوحة إلى تقليل تكاليف المدخلات. يمكن للشركات استخدام نماذج أرخص لإنشاء سيناريوهات عمودية، ويمكن لشركات البرمجيات تطوير منتجات أكثر تحديدًا على النماذج، ويمكن لمزودي السحابة الاستمرار في تحقيق الأرباح من خلال استضافة النماذج المفتوحة، وتقديم خدمات الاستدلال والدعم للشركات.

ستتعايش النماذج المغلقة والمفتوحة، لكن المسؤوليات التنظيمية لم تتضح بعد

من المحتمل أن يكون الوضع الأكثر احتمالًا هو عدم هزيمة النماذج المفتوحة للنماذج المغلقة، ولا إعادة احتكار النماذج المغلقة، بل التعايش الطويل بين الاثنين.

ستستمر النماذج المغلقة في تحمل دور القدرات المتقدمة، والجودة الصناعية، والتقييم الأمني، والتكامل العميق للمنتجات. بينما ستجبر النماذج المفتوحة الأوزان مصنعي النماذج المغلقة على التحكم في الأسعار، وزيادة المرونة، وتحويل المنافسة من "من لديه أوزان نموذج أقوى" إلى البيانات، وتصميم المنتجات، وقدرات الذاكرة، والأمان، والكفاءة، والخدمات البيئية.

فتح أوزان النموذج من قبل الشركات لا يعني بالضرورة القيام بأعمال خيرية. يمكن للمطورين تحقيق الأرباح من خلال استضافة API، والاشتراكات المتميزة، والاستدلال الأسرع، ودعم الشركات، والتعديل، والخدمات الأمنية، واتفاقيات مستوى الخدمة؛ يمكن لمزودي الخدمات السحابية بيع القوة الحاسوبية اللازمة لتشغيل النماذج المفتوحة؛ يمكن للمنصات الاستهلاكية دمج قدرات النماذج في التوصيات، والإعلانات، وتجربة المستخدم؛ ويمكن لشركات التطبيقات بناء وظائف بتكاليف أقل.

ما لم يتم حله حقًا هو حدود المسؤولية. تعطي النماذج المفتوحة المستخدمين مزيدًا من السيطرة، لكنها أيضًا تجعل المستخدمين يتحملون المزيد من المسؤوليات في الاختبار، والأمان، والأمن السيبراني، والتحديثات، والموثوقية. بمجرد تنزيل النموذج، وتعديله، ونشره محليًا، من سيتحمل مسؤولية سوء الاستخدام، أو الأعطال، أو الحوادث الأمنية سيكون أكثر تعقيدًا من نموذج API المغلق.

قد تؤثر التنظيمات أيضًا على مشهد المنافسة. تدعو شركات النماذج المغلقة مثل Anthropic إلى اختبارات المخاطر الكارثية، والتقييمات الخارجية، ومتطلبات الإفصاح المستمر لمطوري الذكاء الاصطناعي المتقدم؛ بينما يخشى النقاد أن التنظيم المفرط قد يمنح الشركات الكبيرة ذات الموارد المالية الكبيرة ميزة، مما يعيق النظام البيئي المفتوح وابتكارات الفرق الصغيرة.

لذا، فإن "لحظة DeepSeek الثانية" التي جلبتها Kimi K3 ليست مجرد سلبية بسيطة للذكاء الاصطناعي. إنها أشبه باختبار ضغط: يجب إعادة النظر في إنفاق 700 مليار دولار على الذكاء الاصطناعي، ورسوم النماذج المغلقة، والميزة التكنولوجية الأمريكية، وطلب الشرائح، جميعها تجيب على نفس السؤال - عندما تصبح الذكاء "الجيد بما فيه الكفاية" أرخص، من أين ستكسب صناعة الذكاء الاصطناعي المال؟