ثلاث جبهات لنماذج الذكاء الاصطناعي: كيف تضع Google Cloud قواعد جديدة للعبة

تحوّل السباق نحو أذكى نموذج لغوي منذ زمن بعيد إلى رياضة تتنافس فيها عمالقة التقنية، لكن Google Cloud AI تقترح النظر إلى المشهد من زاوية أوسع. ووفقًا لـ TechCrunch، تعلن وحدة الذكاء الاصطناعي السحابية في Google تصدّرها في ثلاث جبهات لتطوير النماذج في آن واحد. وهذا ليس مجرد خطوة تسويقية، بل محاولة لإعادة تعريف منظومة الإحداثيات ذاتها التي يقيس بها القطاع تقدّم الذكاء الاصطناعي.

الجبهات الثلاث المقصودة هي الذكاء الخالص (raw intelligence)، وسرعة الاستجابة (response time)، وما يمكن تسميته القابلية للتوسع (extensibility). المعيار الأول واضح: إلى أي مدى يحسن النموذج الاستدلال وحل المسائل المعقدة وفهم السياق. والمنافسة هنا قائمة منذ زمن طويل، وكل إصدار جديد من GPT أو Claude أو Gemini تصاحبه اختبارات أداء تُظهر تحسنًا بكسور من النقطة المئوية. أما المعيار الثاني، زمن الاستجابة، فتزداد أهميته مع دمج نماذج الذكاء الاصطناعي في منتجات حقيقية وسير عمل فعلي. فالمستخدم الذي ينتظر الإجابة خمس ثوانٍ هو مستخدم يتجه إلى المنافس. لكن الجبهة الثالثة، القابلية للتوسع، هي التي تستحق اهتمامًا خاصًا، لأنها تحدد مدى قدرة النموذج على تجاوز حدود معارفه والاتصال بالعالم الخارجي: قواعد البيانات وواجهات API والأدوات ومصادر المعلومات الحديثة.

ولفهم سبب رهان Google على هذا الثالوث تحديدًا، لا بد من استحضار السياق. فعلى مدى العامين الماضيين، انشغل القطاع بالتوسع في الحجم: مزيد من المعاملات، ومزيد من بيانات التدريب، ومزيد من الموارد الحاسوبية. وقد أعطت هذه الاستراتيجية نتائج لافتة، لكنها اصطدمت بتناقص العائد. فكل قفزة جديدة في «الذكاء الخام» تكلّف أكثر بشكل متسارع، بينما يصبح الفارق في تجربة المستخدم أقل وضوحًا. وفي الوقت نفسه، بدأ العملاء من الشركات، وهم مصدر الإيرادات الرئيسي لمزودي الخدمات السحابية، بصياغة متطلبات مختلفة تمامًا. فهم لا يحتاجون إلى أذكى نموذج بالمطلق، بل إلى نموذج يجيب بسرعة، ويعمل مع بياناتهم، ويندمج في بنيتهم التحتية القائمة.

وتتمتع Google Cloud بموقع فريد في هذه اللعبة. فالشركة تتحكم في الحزمة التقنية كاملة رأسيًا: من شرائح TPU الخاصة بها التي توفر زمن تأخير منخفضًا، إلى بنية Vertex AI التحتية التي تتيح ربط النماذج ببيانات الشركات عبر آليات مثل grounding وfunction calling. وتحقق نماذج Gemini من الجيل الأحدث نتائج لافتة في سرعة الاستدلال، فيما تفتح نافذة السياق التي تبلغ ملايين الرموز (tokens) المجال للعمل مع وثائق ضخمة دون هندسة إضافية. والقابلية للتوسع هنا ليست مفهومًا مجردًا، بل مجموعة أدوات ملموسة: الاتصال بـ Google Search للحصول على معلومات محدّثة، والتكامل مع مخازن بيانات الشركات، وإمكانية استدعاء دوال خارجية مباشرة من الحوار مع النموذج.

ومن المهم الإشارة إلى أن المنافسين لا يقفون مكتوفي الأيدي. فـ OpenAI تطوّر بنشاط منظومة الإضافات وGPTs، وAnthropic تستثمر في الأمان وموثوقية الاستدلال الطويل، وAmazon تقدّم عبر Bedrock نهجًا متعدد النماذج. غير أن أيًا منها لا يطرح استراتيجيته حتى الآن بوصفها تقدمًا متزامنًا على المحاور الثلاثة جميعًا. أما Google فتقول للسوق عمليًا: كفّوا عن تقييم النماذج بمؤشر واحد. وهذا يذكّر بتطور الهواتف الذكية، إذ حلّ في مرحلة ما التقييم الشامل للكاميرا محل سباق الميغابكسل، وفازت الشركات المصنّعة التي أدركت ذلك أولًا.

وبالنسبة للعملاء من الشركات، لهذا التحول تبعات عملية تمامًا. فإذا كان اختيار مزود الذكاء الاصطناعي في السابق يُختزل في سؤال «نموذج من أذكى في اختبارات الأداء؟»، فإن القرارات المعمارية تتصدر الآن: ما مدى سرعة استجابة النموذج تحت الحمل الفعلي، وما مدى سهولة دمجه مع الأنظمة القائمة، وما مدى مرونة ضبطه لمهام محددة. وتملك Google Cloud، بما لديها من قاعدة عتادية خاصة وشبكة عالمية من مراكز البيانات ومنصة سحابية ناضجة، ميزة بنيوية في هذه المنافسة الجديدة.

ومع ذلك، فإن إعلان الريادة شيء وإثباتها شيء آخر. فسوق الذكاء الاصطناعي المؤسسي شديد التنافسية، والعملاء يزدادون خبرة. وستكشف الأرباع القليلة المقبلة ما إذا كانت Google ستنجح في تحويل هذا التموضع التقني إلى حصة سوقية فعلية. لكن مجرد انتقال أكبر مزود سحابي بالنقاش من «من الأذكى» إلى «من الأنفع» إشارة تستحق أن تؤخذ على محمل الجد. فعصر النماذج المنفردة المتنافسة في اختبارات مجردة يفسح المجال لعصر أنظمة الذكاء الاصطناعي المتكاملة، ومن يتقن الجبهات الثلاث أولًا سينال أفضلية حاسمة.