هل أعمال الذكاء الاصطناعي غير مربحة؟ لقد بدأت إشراقة DeAI بالظهور

تأليف: تشانغ فنغ

تعد الذكاء الاصطناعي (AI) بلا شك واحدة من أكثر مجالات التكنولوجيا رواجًا في العالم، حيث تعيد تقنية الذكاء الاصطناعي تشكيل مختلف الصناعات بسرعة غير مسبوقة. ومع ذلك، وراء هذه الازدهار والضجيج، توجد حقيقة قاسية تتمثل في أن الغالبية العظمى من أعمال الذكاء الاصطناعي، وخاصة الشركات الناشئة، لم تتمكن من العثور على مسار ربح مستدام وثابت. لقد وقعوا في مأزق “الإشادة ولكن دون نتائج”، حيث تتواجد الازدهار التكنولوجي مع الخسائر التجارية.

أولاً، لماذا “تخسر المال لتكسب الشهرة”؟

إن معضلة ربحية الأعمال المرتبطة بالذكاء الاصطناعي ليست ناجمة عن فشل التكنولوجيا نفسها، بل ترجع إلى نموذج التنمية المركزي الذي أدى إلى تناقضات هيكلية. وبشكل أكثر تحديدًا، يمكن تلخيص ذلك في ثلاثة أسباب رئيسية:

تركز مركزي مفرط: تكاليف باهظة واحتكار من قبل القلة. الذكاء الاصطناعي السائد حاليا، وخاصة النماذج الكبيرة، هو مثال نموذجي لصناعة “الأصول الثقيلة”. تتطلب عمليات التدريب والاستدلال استهلاك كميات هائلة من القدرة الحاسوبية (GPU) والتخزين والكهرباء. وهذا يؤدي إلى تباين حاد: من جهة، هناك عمالقة التكنولوجيا ذوو رأس المال الضخم (مثل Google وMicrosoft وOpenAI) الذين يمكنهم تحمل تكاليف تصل إلى مئات الملايين أو حتى عشرات المليارات من الدولارات؛ ومن الجهة الأخرى، هناك عدد كبير من الشركات الناشئة التي تضطر إلى “تقديم” معظم تمويلها إلى مزودي الخدمات السحابية للحصول على القدرة الحاسوبية، مما يضغط بشكل كبير على هوامش الأرباح. هذه النمط يخلق “احتكار القدرة الحاسوبية”، مما يقتل حيوية الابتكار. على سبيل المثال، حتى OpenAI، في مراحلها المبكرة، كانت تعتمد بشكل كبير على استثمارات Microsoft الضخمة وموارد الحوسبة السحابية Azure، مما أتاح لها دعم تطوير وتشغيل ChatGPT. بالنسبة لمعظم اللاعبين، فإن التكاليف الثابتة العالية تجعل من الصعب تحقيق أرباح على نطاق واسع.

أزمة البيانات: حواجز الجودة ومخاطر الخصوصية. وقود الذكاء الاصطناعي هو البيانات. تواجه شركات الذكاء الاصطناعي المركزية عادةً مشكلتين رئيسيتين للحصول على بيانات تدريب عالية الجودة وبأعداد كبيرة. أولاً، تكلفة الحصول على البيانات مرتفعة. سواء من خلال جمع البيانات المدفوعة، أو التعليق على البيانات، أو استخدام بيانات المستخدمين، يتطلب الأمر استثماراً ضخماً من المال والوقت. ثانياً، مخاطر الخصوصية والامتثال للبيانات ضخمة. مع تشديد القوانين العالمية المتعلقة بالبيانات (مثل GDPR وCCPA)، فإن جمع واستخدام البيانات دون إذن واضح من المستخدم يمكن أن يؤدي في أي وقت إلى دعاوى قضائية و غرامات كبيرة. على سبيل المثال، واجهت العديد من شركات التكنولوجيا المعروفة غرامات باهظة بسبب مشكلات استخدام البيانات. وهذا يشكل تناقضاً: بدون بيانات، لا يمكن تطوير الذكاء الاصطناعي، لكن الحصول على البيانات واستخدامها صعب للغاية.

توزيع القيمة غير المتوازن: يتم استبعاد المساهمين والمبدعين من العوائد. في النظام البيئي الحالي للذكاء الاصطناعي، توزيع القيمة غير عادل للغاية. يعتمد تدريب نماذج الذكاء الاصطناعي على سلوكيات بيانات المستخدمين التي أنتجها عدد لا يحصى من المستخدمين، والمحتوى الذي ينتجه المبدعون (نصوص، صور، أكواد، إلخ)، وأكواد المصدر المفتوح التي يساهم بها المطورون في جميع أنحاء العالم. ومع ذلك، فإن هؤلاء المساهمين الرئيسيين لا يحصلون تقريبًا على أي عائدات من القيمة التجارية الضخمة التي تخلقها نماذج الذكاء الاصطناعي. هذه ليست فقط مشكلة أخلاقية، بل هي أيضًا نموذج تجاري غير مستدام. إنها تثبط حماسة المساهمين في البيانات ومبدعي المحتوى، وعلى المدى الطويل، ستقوض أساس تحسين وابتكار نماذج الذكاء الاصطناعي المستمر. واحدة من الحالات النموذجية هو أن العديد من الفنانين والكتاب اتهموا شركات الذكاء الاصطناعي باستخدام أعمالهم للتدريب وتحقيق الربح، دون تقديم أي تعويض، مما أثار جدلاً واسعاً ونزاعات قانونية.

ثانياً، نموذج الربح الجديد

DeAI (الذكاء الاصطناعي اللامركزي) ليس تقنية واحدة، بل هو نمط جديد يدمج بين blockchain، التشفير، والحوسبة الموزعة. يهدف إلى إعادة بناء علاقات الإنتاج في الذكاء الاصطناعي بطريقة لامركزية، مما يساعد على معالجة النقاط الثلاث الرئيسية المذكورة أعلاه، وفتح آفاق للربح.

تقوم DeAI من خلال نموذج “التمويل الجماعي” بتوزيع احتياجات القوة الحاسوبية على العقد غير المستخدمة في جميع أنحاء العالم (مثل أجهزة الكمبيوتر الشخصية ومراكز البيانات وغيرها). هذا مشابه لـ “Airbnb لمعالجات الرسوميات”، مما يخلق سوقًا عالميًا تنافسيًا للقوة الحاسوبية، مما يقلل بشكل ملحوظ من تكاليف القوة الحاسوبية. يحصل المشاركون على حوافز رمزية من خلال المساهمة بالقوة الحاسوبية، مما يحقق تحسين توزيع الموارد.

DeAI من خلال تقنيات مثل “التعلم الفيدرالي” و"التشفير المتجانس"، تحقق “تحريك النموذج دون تحريك البيانات”. لا يحتاج إلى تجميع البيانات الأصلية في مكان واحد، بل يقوم بتوزيع النموذج إلى مصادر البيانات المختلفة للتدريب المحلي، ويجمع فقط تحديثات المعلمات المشفرة. وهذا يحمي خصوصية البيانات بشكل جوهري، بينما يستخدم قيمة البيانات الموزعة بشكل قانوني ومتوافق. يمكن لمالكي البيانات اتخاذ القرار بأنفسهم بشأن ما إذا كانوا سيقدمون البيانات والاستفادة منها.

تقوم DeAI من خلال “اقتصاديات الرموز” و"العقود الذكية" ببناء نظام توزيع قيمة شفاف وعادل. يمكن لمساهمي البيانات ومقدمي القدرة الحاسوبية ومطوري النماذج وحتى مستخدمي النماذج الحصول تلقائيًا على مكافآت رمزية مناسبة استنادًا إلى مساهماتهم من خلال العقود الذكية. وهذا يجعل الذكاء الاصطناعي يتحول من “صندوق أسود” يتحكم فيه عمالقة السوق إلى اقتصاد مفتوح يتم بناؤه وإدارته ومشاركته من قبل المجتمع.

ثالثًا، التحول إلى بنية ثلاثية الطبقات

يتطلب نقل الأعمال التقليدية للذكاء الاصطناعي المركزي إلى نموذج DeAI إعادة هيكلة منهجية على ثلاثة مستويات: التقنية، والأعمال، والحوكمة.

(أ) من إعادة هيكلة التكنولوجيا من المركزية إلى اللامركزية

تستند طبقة قوة الحوسبة إلى مشاريع الشبكات المادية اللامركزية (DePIN)، مثل شبكة Akash، وشبكة Render، لبناء تجمعات حوسبة موزعة مرنة ومنخفضة التكلفة، كبديل لخدمات السحابة المركزية التقليدية.

تستخدم طبقة البيانات التعلم الفيدرالي كإطار تدريب رئيسي، جنبًا إلى جنب مع تقنيات التشفير مثل التشفير المتماثل والحسابات المتعددة الآمنة، لضمان خصوصية وأمان البيانات. إنشاء سوق بيانات قائم على blockchain، مثل Ocean Protocol، لتمكين تداول البيانات مع ضمان حقوق الملكية والأمان.

تقوم طبقة النموذج بنشر نموذج الذكاء الاصطناعي المدرب على شكل “عقد ذكي للذكاء الاصطناعي” على blockchain، مما يجعله شفافًا وقابلًا للتحقق، ويمكن استدعاؤه دون الحاجة إلى إذن. يمكن تسجيل وتوزيع كل استخدام للنموذج والعائدات الناتجة بدقة.

(2) إعادة هيكلة الأعمال من خدمات البيع إلى بناء النظام البيئي المشترك

من SaaS إلى DaaS (خدمة البيانات) و MaaS (خدمة النموذج)، لم تعد الشركات تبيع مجرد عدد مرات استدعاء API، بل أصبحت كمنشئي النظام البيئي، من خلال إصدار رموز وظيفية أو رموز حوكمة، لتحفيز المجتمع على المشاركة في بناء الشبكة. وقد توسعت مصادر الدخل من رسوم الخدمة الفردية إلى زيادة قيمة الرموز الناتجة عن نمو النظام البيئي، مثل أرباح رسوم المعاملات.

لذا ، فإن بناء منصة مهام لامركزية ، حيث يتم نشر مهام مثل تسمية البيانات ، وضبط النماذج ، وتطوير التطبيقات في سيناريوهات معينة في شكل “جوائز” ، يمكن أن يتولى الأعضاء من المجتمع العالمي هذه المهام ويكسبوا مكافآت ، مما يقلل بشكل كبير من تكاليف التشغيل ويحفز الابتكار.

(3) إعادة هيكلة الحكم من الشركة إلى DAO

استنادًا إلى حوكمة المجتمع، يتمتع المشاركون في المجتمع (المساهمون، المستخدمون) بحق التصويت على القرارات الأساسية من خلال حيازة رموز الحوكمة، مثل اتجاه تعديل معلمات النموذج، واستخدام أموال الخزانة، وأولوية تطوير الميزات الجديدة، وما إلى ذلك. وهذا يحقق حقًا “المستخدم هو المالك”.

استنادًا إلى الانفتاح والشفافية، يتم تسجيل جميع الأكواد والنماذج (بعضها مفتوح المصدر) وسجلات المعاملات وقرارات الحوكمة على السلسلة، مما يضمن الشفافية العامة للعملية، ويؤسس لعلاقة تعاونية لا تحتاج إلى ثقة، وهذا بحد ذاته يمثل أصلًا قويًا للعلامة التجارية وضمانًا للثقة.

كمثال على التحول من منصة بيانات اللوجستيات التقليدية إلى DeAI، تكمن معضلة منصة بيانات اللوجستيات التقليدية في أنها على الرغم من جمعها بيانات من الشحن البحري، والنقل البري، والتخزين، إلا أن المشاركين يرفضون “مشاركة” البيانات بسبب مخاوف من تسرب الأسرار التجارية، مما يؤدي إلى وجود جزر بيانات وقيمة محدودة للمنصة. يتمثل جوهر التحول إلى DeAI في إطلاق قيمة البيانات وتحفيزها بشكل عادل دون كشف البيانات الأصلية:

بناء شبكة حوسبة موثوقة من الناحية التقنية. لم يعد النظام الأساسي يخزن البيانات مركزياً، بل تحول إلى طبقة تنسيق قائمة على تقنية البلوك تشين. من خلال اعتماد نماذج تقنية مثل التعلم الفيدرالي، يتم “إنزال” نماذج الذكاء الاصطناعي إلى الخوادم المحلية في الشركات (مثل شركات الشحن، والمستودعات) للتدريب، حيث يتم فقط تجميع تحديثات المعلمات المشفرة، وتحسين النموذج التنبؤي العالمي بشكل مشترك (مثل وقت وصول السفن إلى الميناء، ومخاطر الاكتظاظ في المستودعات)، لتحقيق “البيانات ثابتة، والقيمة متحركة”.

تطبيق أصول البيانات والمكافآت الرمزية في الأعمال. إصدار نقاط عملية على المنصة، حيث تقوم شركات اللوجستيات “بتعدين” المكافآت من خلال تقديم البيانات (معلمات النموذج). بينما يقوم العملاء في الأسفل (مثل أصحاب الشحن) بدفع الرموز للاستعلام عن “نتائج التنبؤ” عالية الدقة (مثل: معدل الالتزام بمواعيد الرحلات القادمة للأسبوع المقبل) بدلاً من شراء البيانات الأصلية. يتم توزيع العائدات تلقائيًا على مقدمي البيانات عبر العقود الذكية.

بناء DAO صناعي في الإدارة، حيث يتم اتخاذ القرارات الرئيسية (مثل تطوير ميزات جديدة، وتعديل الرسوم) من خلال تصويت مشترك من حاملي الرموز (أي المشاركين الأساسيين)، مما يحول المنصة من شركة خاصة إلى مجتمع صناعي.

تحولت المنصة من كيان مركزي يحاول استخراج رسوم وساطة البيانات إلى نظام عصبي مشترك للبناء والإدارة والمشاركة على مستوى سلسلة الإمداد بأكملها، من خلال حل مشكلة الثقة، مما عزز بشكل كبير كفاءة التعاون في الصناعة وقدرتها على مقاومة المخاطر.

٤. الامتثال والأمان

على الرغم من أن آفاق DeAI واسعة ، إلا أن تطويرها لا يزال في مرحلة مبكرة ويواجه مجموعة من التحديات التي لا يمكن تجاهلها.

الامتثال وعدم اليقين القانوني. في ما يتعلق بقوانين البيانات، حتى لو لم يتم نقل البيانات، فإنه يجب الالتزام الصارم بمطالب اللوائح مثل GDPR فيما يتعلق بـ “تقييد الأغراض” و"تقليل البيانات" وحقوق المستخدمين (مثل حق النسيان) عند معالجة البيانات الشخصية باستخدام نماذج مثل التعلم الفيدرالي. يجب على الأطراف المعنية تصميم آليات قانونية للموافقة على البيانات والخروج منها.

فيما يتعلق بقوانين الأوراق المالية، فإن الرموز المميزة التي يصدرها المشروع من السهل أن تُعتبر أوراق مالية من قبل الجهات التنظيمية في الدول المختلفة (مثل هيئة الأوراق المالية والبورصات الأمريكية)، مما يعرضها لرقابة تنظيمية صارمة. كيفية تجنب المخاطر القانونية عند تصميم نموذج الاقتصاد الرمزي هي مفتاح بقاء المشروع.

فيما يتعلق بالمسؤولية عن المحتوى، إذا أنتج نموذج DeAI تم نشره على السلسلة محتوى ضار أو متحيز أو غير قانوني، فمن هو المسؤول؟ هل هو مطور النموذج، مزود القوة الحسابية، أم حاملو رموز الحوكمة؟ هذا يطرح موضوعات جديدة على النظام القانوني القائم.

فيما يتعلق بتحديات الأمان والأداء، فإن أمان النموذج يعني أن النماذج الموزعة على السلاسل العامة قد تواجه أنواعًا جديدة من هجمات، مثل استغلال ثغرات العقود الذكية، أو الإضرار الخبيث بنظام التعلم الفيدرالي من خلال بيانات ملوثة.

تعتبر عنق الزجاجة في الأداء هي سرعة معاملات blockchain (TPS) وقيود التخزين التي قد لا تدعم طلبات استدلال النماذج الكبيرة ذات التردد العالي وزمن الاستجابة المنخفض. وهذا يتطلب دمج فعال لحلول التوسع Layer 2 والحوسبة خارج السلسلة.

كفاءة التعاون، على الرغم من أن التعاون اللامركزي عادل، قد تكون كفاءة اتخاذ القرار والتنفيذ أقل من الشركات المركزية. إن كيفية تحقيق التوازن بين الكفاءة والعدالة هي فن يحتاج إلى استكشاف مستمر في إدارة DAO.

DeAI كثورة في علاقات الإنتاج، من خلال التكنولوجيا الموزعة، والاقتصاد القائم على الرموز، وحوكمة المجتمع، من المتوقع أن تكسر احتكار العملاق، وتحرر القدرة الحاسوبية وقيمة البيانات غير المستغلة على مستوى العالم، لبناء نظام بيئي جديد وأكثر عدلاً واستدامة وربما أكثر ربحية للذكاء الاصطناعي.

خمسة، الاتجاهات الاستكشافية الحالية

إن تطور أدوات الذكاء الاصطناعي الحالية لا يزال بعيدًا عن تحقيق الذكاء الاصطناعي اللامركزي المثالي. نحن لا نزال في مرحلة مبكرة يهيمن عليها الخدمات المركزية، ولكن بعض الاستكشافات قد أشارت إلى اتجاهات المستقبل.

التحديات المستقبلية والاستكشاف الحالي. على الرغم من أن DeAI المثالي لم يتحقق بعد، إلا أن الصناعة تقوم بالفعل بمحاولات قيمة، مما يساعدنا على رؤية مسار المستقبل والعقبات التي يتعين علينا تجاوزها.

كنموذج أولي لتعاون نظام الوكلاء المتعددين. بعض المشاريع تستكشف بناء بيئة تتعاون فيها وكلاء الذكاء الاصطناعي ويتطورون معًا. على سبيل المثال، يهدف مشروع AMMO إلى إنشاء “شبكة تعايش بين البشر والذكاء الاصطناعي”، حيث توفر الإطار المتعدد الوكلاء وبيئة محاكاة RL Gyms، مما يسمح لوكلاء الذكاء الاصطناعي بالتعلم حول التعاون والمنافسة في سيناريوهات معقدة. يمكن اعتبار هذا محاولة لبناء قواعد التفاعل الأساسية لعالم DeAI.

مثل المحاولات الأولية لنموذج الحوافز. في تصور DeAI، يجب أن يحصل المستخدمون الذين يساهمون بالبيانات والعقد التي توفر قوة الحوسبة على تعويض عادل. بعض المشاريع تحاول إعادة توزيع القيمة مباشرة للمساهمين في النظام البيئي من خلال نظام حوافز قائم على التشفير. بالطبع، لا يزال التحدي الكبير هو كيفية تشغيل هذا النموذج الاقتصادي على نطاق واسع وبشكل مستقر وعادل.

كما أن الخطوة نحو الذكاء الاصطناعي الأكثر استقلالية: تُظهر منتجات مثل Deep Research قوة استقلالية الذكاء الاصطناعي في مهام محددة (مثل استرجاع المعلومات والتحليل). يمكنها تخطيط وتنفيذ العمليات متعددة الخطوات بشكل مستقل وتحسين النتائج بشكل متكرر، وهذه القدرة على أتمتة المهام هي أساس عمل وكلاء الذكاء الاصطناعي بشكل مستقل في شبكة DeAI المستقبلية.

بالنسبة للعاملين في مجال الذكاء الاصطناعي الذين يكافحون في البحر الأحمر، بدلاً من الانغماس في الأنماط القديمة، فمن الأفضل أن يحتضنوا بشجاعة بحر DeAI الجديد. هذه ليست مجرد تحويل في المسارات التكنولوجية، بل هي إعادة تشكيل للفلسفة التجارية - من “الاستخراج” إلى “التحفيز”، من “الإغلاق” إلى “الانفتاح”، ومن “احتكار الأرباح” إلى “النمو الشامل”.