التحول الأهم في الذكاء الاصطناعي ليس في النماذج بل في مكان البيانات
السؤال الأكثر تأثيراً في قطاع الذكاء الاصطناعي اليوم لم يعد: أي نموذج أكثر ذكاءً؟ بل: أين توجد البيانات، وهل يستطيع الذكاء الاصطناعي الوصول إليها في الوقت المناسب؟ هذا التحول يبدو تقنياً في ظاهره، لكنه في الواقع يعيد تعريف اقتصاديات الصناعة كاملة، من تصميم البنية التحتية إلى سياسات الامتثال وتكاليف التشغيل طويلة الأمد.
خلال السنوات الماضية، بُنيت معظم الاستراتيجيات حول فكرة بسيطة: تجميع البيانات في السحابة، تشغيلها على عناقيد ضخمة من المعالجات الرسومية، ثم استخراج نموذج قادر على التعميم. هذا النهج أثبت فعاليته في مرحلة التدريب، لكنه أصبح أقل ملاءمة مع انتقال الذكاء الاصطناعي من المختبرات إلى قطاعات تعتمد على بيانات موزعة وحساسة، مثل الرعاية الصحية والصناعة والمال والحكومات السيادية.
المعضلة الجديدة يمكن تلخيصها في عبارة واحدة: البيانات لم تعد قابلة للنقل دائماً، بينما الذكاء الاصطناعي يحتاج إليها فوراً. لذلك لم يعد ممكناً افتراض أن البيانات ستأتي إلى النموذج؛ في كثير من الحالات، يجب أن يذهب النموذج إلى البيانات.
الاستدلال يصبح مركز الثقل الاقتصادي
أحد أبرز أسباب صعود هذه المعضلة هو التغير السريع في بنية الإنفاق على الذكاء الاصطناعي. بعد أن كانت التدريب هو المحور الأكبر للميزانيات والاستثمارات، بات الاستدلال هو العبء التشغيلي المستمر الذي يحدد الكلفة الحقيقية لتشغيل الأنظمة في الإنتاج.
تقديرات حديثة تشير إلى أن الاستدلال مثّل نصف إجمالي حوسبة الذكاء الاصطناعي في 2025، مع توقع ارتفاعه إلى نحو الثلثين في 2026. وهناك توقعات أخرى تذهب أبعد من ذلك، إذ يرجح أن يتجاوز الطلب على الاستدلال طلب التدريب بفارق كبير خلال الأعوام المقبلة، مع احتمال أن يشكل الاستدلال 75% من إجمالي الحوسبة المرتبطة بالذكاء الاصطناعي بحلول 2030.
هذا التحول له أثر مباشر على الحسابات المالية. فتكلفة تدريب النموذج لم تعد سوى فاتحة الطريق، بينما تظل تكلفة تشغيله في الواقع أعلى بكثير على مدى عمره الإنتاجي. في بعض التقديرات، قد تنفق المؤسسات ما بين 15 و20 دولاراً على الاستدلال مقابل كل دولار واحد يُنفق على التدريب. بمعنى آخر، الذكاء لا يكلّف فقط عند بنائه، بل عند تشغيله لكل استعلام وكل قرار وكل معاملة.
ورغم أن تكاليف الاستدلال انخفضت بشكل ملحوظ بفضل تحسينات العتاد وكفاءة الطاقة، فإن الاستخدام نما بسرعة أكبر بكثير. وهذه هي المفارقة الاقتصادية الكلاسيكية التي تعود بوجه جديد في عصر الذكاء الاصطناعي: كلما أصبحت الخدمة أرخص، زاد استهلاكها. ومع تضاعف الاستخدامات داخل المؤسسات، تتحول الوفورات التقنية إلى طلب إضافي يلتهمها سريعاً.
البيانات الموزعة تفرض نموذجاً مختلفاً للبنية التحتية
تزداد المشكلة تعقيداً لأن الاستدلال ليس مهمة دفعات كبيرة تُنفذ مرة واحدة داخل مركز بيانات، بل خدمة مستمرة وحساسة للزمن، تعمل قرب نقاط الاستخدام. وهذا يعني أن موقع البيانات أصبح عنصراً حاسماً في تحديد المعمارية المناسبة.
في المستشفيات، لا يمكن لنظام يعتمد على بيانات العناية المركزة أن يتحمل تأخيراً طويلًا في الإرسال إلى سحابة بعيدة. وفي الخدمات المالية، لا يمكن لنماذج كشف الاحتيال أن تنقل بيانات العملاء عبر حدود قانونية قد تخالف التشريعات المحلية أو الأوروبية. وفي البيئات السيادية، يصبح الاعتماد على بنية يملكها طرف تجاري أجنبي خياراً غير مقبول من الأساس.
هنا تظهر فكرة البنية التحتية القريبة من البيانات، أو ما يمكن وصفه بالحوسبة الموزعة والمرنة تنظيمياً. لا يكفي أن تكون المنصة قوية، بل يجب أن تكون قادرة على العمل داخل القيود الجغرافية والقانونية والأمنية نفسها التي تحكم البيانات. وهذا يفسر لماذا أصبح تصميم الأطر التي تسمح بتشغيل الذكاء الاصطناعي دون نقل البيانات الحساسة مطلباً أساسياً، لا ميزة إضافية.
تصنيف جديد: النماذج اللغوية والمرئية والفيزيائية
ليست جميع تطبيقات الذكاء الاصطناعي متساوية في حساسيتها تجاه موقع البيانات. ويمكن تمييز ثلاث فئات رئيسية تكشف اختلاف حجم التحدي.
أولاً: النماذج اللغوية الكبيرة. هذه النماذج تتعامل غالباً مع رموز نصية، وهي أخف نسبياً ويمكن ضغطها أو معالجتها بطرق تقلل المخاطر المرتبطة بالخصوصية. ومع ذلك، يبقى تحدي البيانات قائماً عندما يتعلق الأمر بالمستندات المؤسسية أو السجلات القانونية أو المعلومات الصحية التي لا يجوز إخراجها من بيئتها الأصلية.
ثانياً: النماذج التوليدية المرئية. هذا النوع يحتاج إلى بيانات أكثر كثافة وحوسبة أكبر، سواء في التوليد أو التحليل. ومع انتقاله من الاستخدام الإبداعي إلى التطبيقات الصناعية، مثل فحص الجودة في المصانع أو تحليل الصور الطبية أو صور الأقمار الصناعية، تصبح مشكلة النقل أكثر تعقيداً لأن البيانات أكبر حجماً وأكثر حساسية وأشد ارتباطاً بالموقع.
ثالثاً: الذكاء الاصطناعي الفيزيائي. هنا تصبح القيود أكثر وضوحاً. فالروبوتات والمعدات الصناعية وأجهزة الاستشعار تولد بيانات محلية لحظة بلحظة، مثل الحركة والاهتزاز والضغط والصوت والرؤية. إرسال هذه البيانات إلى سحابة بعيدة قد يخلق تأخيراً غير مقبول ويهدد السلامة أو يضعف الأداء. لذلك يزداد الاعتماد على المعالجة الطرفية، أي تشغيل الذكاء الاصطناعي قرب مكان تولد البيانات نفسها.
التنظيم والحوكمة يرفعان سقف المتطلبات
المشكلة لم تعد تقنية فقط، بل أصبحت أيضاً قضية حوكمة ومسؤولية. فعندما يُستخدم الذكاء الاصطناعي في قرارات عالية المخاطر، مثل التشخيص الطبي أو إدارة المخاطر المالية أو التحكم في الأنظمة الصناعية، يصبح السؤال عن مكان البيانات مرتبطاً مباشرة بمن يتحمل المسؤولية عن النتيجة.
كما أن الأطر التنظيمية الحديثة تشترط درجة أعلى من الشفافية والتفسير. فإذا كانت البيانات موزعة عبر بيئات متعددة وخاضعة لقوانين مختلفة، فإن إثبات منطق القرار يصبح أكثر صعوبة. وفي هذا السياق، لا يعود التحكم في النموذج كافياً؛ بل يصبح التحكم في بيئة البيانات نفسها جزءاً من الامتثال.
هذا يوضح لماذا تتجه المؤسسات إلى بناء أنظمة قادرة على الفصل بين مستويات مختلفة من البيانات، وتحديد ما يمكن نقله وما يجب إبقاؤه محلياً، مع توفير طبقات مراقبة وتدقيق تتيح تتبع كيفية استخدام المعلومات في كل خطوة.
اتجاهات البنية التحتية المقبلة
حل أزمة «البيانات في كل مكان» لن يكون عبر زيادة قوة النماذج وحدها. المستقبل يبدو أقرب إلى منظومة تجمع بين الاستدلال الموزع، والبيئات الآمنة لمعالجة البيانات، والنماذج المهيأة للعمل على الحافة، وأدوات التنسيق التي تراعي مواقع البيانات والقيود المفروضة عليها.
ومن المرجح أن تنجح الشركات والجهات الحكومية التي تبني بنى تحتية قادرة على تقديم استدلال موثوق وقابل للتفسير ومراعٍ للسيادة الرقمية. فالميزة التنافسية القادمة لن تأتي فقط من امتلاك نموذج أفضل، بل من القدرة على تشغيله حيث توجد البيانات، وبشكل ينسجم مع القانون والأمن والأداء.
بهذا المعنى، لم يعد الذكاء الاصطناعي يُقاس فقط بقدراته المعرفية، بل بقدرته على الوصول إلى العالم الحقيقي دون أن يطلب من البيانات أن تغيّر مكانها. وهذه هي العقدة التي ستحدد ما إذا كان الاستثمار الهائل في التدريب سيترجم فعلاً إلى قيمة تشغيلية مستدامة على نطاق واسع.