智谱 تندفع بسرعة وتفقد الدم

اسأل الذكاء الاصطناعي · تجاوز نفقات تطوير Zhipu للإيرادات بكثير، هل يمكن أن تستمر هذه النمط؟

إنتاج｜مجموعة هوكسيو للتكنولوجيا

المؤلف｜سونغ سيه-هانغ

المحرر｜مياو تشنغ-تشينغ

الصورة الرئيسية｜تشوانجوي فيجوال تشاينا

إذا كانت هناك تجارة، “لكل 1 يوان من الإيرادات تُنفق 4.4 يوان على البحث والتطوير”، فهل ستكون هذه صفقة جيدة؟

تحاول شركة Zhipu AI، أول شركة لخط نماذج كبيرة (Big Model) مدرجة في العالم (ويُشار إليها فيما بعد بـ “Zhipu”) الإجابة عن هذا السؤال. في 31 مارس 2026، أعلنت Zhipu عن نتائجها المالية لعام 2025، وهي أيضًا أول ميزانية شهرية لها بعد إدراجها في البورصة.

تُظهر البيانات المالية أن Zhipu حققت إجمالي إيرادات بلغ 724 مليون يوان صيني لعام 2025، بزيادة قدرها 131.9% على أساس سنوي؛ كما ارتفعت تكلفة المبيعات بنسبة 213.3% إلى 427 مليون يوان. في ظل هذه النتائج للإيرادات والتكاليف، ارتفع هامش الربح الإجمالي سنويًا بنسبة 68.7% إلى 297 مليون يوان، كما وصل هامش الربح الإجمالي الموحد للشركة خلال العام إلى 41%. وفيما يخص شركة MiniMax، وهي أيضًا شركة مدرجة في نماذج كبيرة، فإن هامش ربح Zhipu الإجمالي أعلى بكثير من MiniMax، إذ تبلغ هامش ربح الأخيرة 25.4%.

إذا تم تفكيك الإيرادات من حيث التكوين، فإن هامش الربح الإجمالي 41% وراءه اتجاه تمايزي: انخفض هامش ربح أعمال النشر المحلي من 66.0% في 2024 إلى 48.8% في 2025، بينما ارتفع هامش ربح أعمال النشر السحابي من 3.3% في 2024 إلى 18.9% في 2025. (ملاحظة هوكسيو: يشير النشر المحلي إلى نشر نموذج كبير محليًا، بينما يشير النشر السحابي إلى المنصة المفتوحة وواجهات API). ومن هذه الزاوية، فقد أثبتت Zhipu بشكل كافٍ قدرتها على تحقيق ربح.

لكنها لا تزال في حالة خسائر.

وبسبب نفقات البحث والتطوير البالغة 3.18 مليار يوان في الفترة نفسها، وصلت خسائر Zhipu الصافية بعد التعديلات إلى 3.182 مليار يوان، بزيادة قدرها 29.1% على أساس سنوي. وكانت قيمة الخسائر في الفترة نفسها تعادل 4.39 مرات إجمالي إيرادات Zhipu، بل وتصل إلى 10.7 مرات إجمالي هامشها الإجمالي. ومن الجدير بالملاحظة أن الخسائر تأتي أساسًا من الإنفاق على البحث والتطوير. ووفقًا للبيانات المالية، بلغت تكلفة البحث والتطوير في Zhipu لعام 2025 نحو 3.184 مليار يوان، بزيادة قدرها 44.9%؛ بينما بلغت النفقات الرأسمالية 74.7 مليون يوان.

وذكرت البيانات المالية أن نمو تكاليف البحث والتطوير يرجع أساسًا إلى:

(1) زيادة تكاليف الموظفين، بما في ذلك توسيع فريق البحث والتطوير وزيادة مصروفات الدفع على شكل أسهم؛

(2) دفع رسوم خدمات الحوسبة إلى موردي خدمات الحوسبة من جهات خارجية، بما في ذلك تكاليف تكرار النماذج والاستثمار في بنى تحتية تدريب نماذج أكثر تقدمًا.

لكن من الجدير بالذكر أن تكاليف الحوسبة المستخدمة لتدريب النماذج الكبيرة لا تُدرج ضمن مصروفات البحث والتطوير، بل تُسجل بشكل منفصل ضمن النفقات الرأسمالية بصيغة تأجير الحوسبة. وفي سياق Zhipu، تشير “تكاليف الحوسبة” السابقة المستخدمة لتدريب النماذج الكبيرة إلى تكاليف استدعاء وحدات GPU لدى مورد الحوسبة وفق مدة تدريب النموذج؛ وهذه النفقات المرنة تُحتسب في تكاليف البحث والتطوير. أما “قفل” موارد GPU، والتعاقد طويل الأجل مع مورد بعينه، فيُعد نفقات رأسمالية.

وبالمقارنة مع MiniMax، فإن الحجم الإجمالي لـ Zhipu أكبر. ويعود ذلك أساسًا إلى اختلافات في تكوين أعمال الشركتين وبنيتهما التنظيمية. على سبيل المثال، حجم موظفي Zhipu يساوي ضعفي حجم MiniMax، وهو ما يؤدي أيضًا إلى أن تتكبد Zhipu تكاليف بحث وتطوير أعلى وخسائر أكثر خطورة؛ بينما تتميز الأخيرة بكفاءة أعلى من حيث العائد لكل موظف.

ومن النقاط التي تستحق الاهتمام في هذه البيانات المالية أنها، مثل MiniMax، جنت Zhipu “ريع الجراد البحري” (لوبستر).

ابتداءً من الربع الأول من 2026، ساهم نمو أداء Zhipu بشكل رئيسي بالاعتماد على AutoClaw التي أطلقتها في مارس، بنقرة واحدة لنشر الجراد البحري.

وبحسب الرئيس التنفيذي لـ Zhipu، تشانغ بنغ، فإن تسعير مكالمات API في الربع الأول ارتفع بنسبة 83%. لكن هذا تزامن أيضًا مع توقيت انفجار الطلب. ففي ذلك الوقت، كانت موجة شهرة “الجراد البحري” قد استمرت شهرًا كاملًا. وبعد نصف شهر من رفع الأسعار، بدأت Zhipu نشر الجراد البحري. لذلك، حتى مع نمو الأسعار، ظلت كمية استدعاءات نموذج GLM لدى Zhipu تنمو بنسبة 400%. ووفقًا للبيانات المالية، بعد يومين من إطلاق الخطة، تجاوز عدد المستخدمين المشتركين 100 ألف، وبعد 20 يومًا تجاوز 400 ألف.

وبالمقابل، يتمثل ذلك في مؤشر قدرة Zhipu على تحقيق الربح، أي منصة MaaS التي تركز عليها الشركة. ومن المعروف أن منصة MaaS API حققت ARR بقيمة 1.7 مليار يوان (حوالي 250 مليون دولار أمريكي)، بزيادة قدرها 60 ضعفًا على أساس سنوي.

أي أن هذه البيانات المالية لـ Zhipu تُثبت من ناحية مساحة تحقيق الربح لديها، ومن ناحية أخرى فإن الخسائر لم تتوقف.

منطق نمو Zhipu تغيّر، لكنه لم يعيد هيكلة البنية بعد

من منظور هيكل الإيرادات الإجمالي، فإن المتغير الأهم في هذه البيانات المالية ليس إجمالي الإيرادات بحد ذاته، بل مصدر الإيرادات. ومن خلال تفكيك التغيرات الدقيقة في مصدر الإيرادات، يمكن فهم منطق النمو الجديد لدى Zhipu ومدى قابليته للاستمرار.

عند تفصيل الصورة، بدأ مركز نمو Zhipu يميل نحو السحابة، أي MaaS. إذ تبلغ نسبة هذه الأعمال 26.3%، بينما في عام 2024 كان النشر السحابي يشكل 15.5% فقط من إجمالي الإيرادات. وبعد صدور هذه البيانات المالية، صرحت Zhipu أيضًا بأن التركيز الاستراتيجي للشركة سيستمر على MaaS.

ومع ذلك، رغم أن نسبة أعمال النشر السحابي ارتفعت بشكل ملحوظ من حيث الأرقام، فإن عدة متغيرات داخل ذلك تعتبر حاسمة بشكل خاص.

أولًا، يأتي المحرك الأهم من API. وبعبارة أخرى، فإن نمو هذه الجولة لدى Zhipu يعتمد جوهريًا على نمو حجم الاستدعاءات.

ومن بين ذلك، تُعد “الجرادة” (OpenClaw) المتغير الأكثر مباشرة. ومع بدء Agent بتنفيذ المهام تلقائيًا، غالبًا ما ترتبط كل عملية طلب بعدة جولات استدعاء، ويصبح استهلاك Token مُضاعفًا، ما يؤدي إلى ارتفاع عدد استدعاءات API تبعًا لذلك.

ثانيًا، المصدر الرئيسي لإيرادات MaaS. إذ تشرح البيانات المالية أنه ضمن عشر شركات إنترنت، يوجد تسع شركات إنترنت قد قامت بالاتصال بنماذج Zhipu.

وهناك تغيير يستحق الانتباه هنا: فهذه شركات الإنترنت لديها في الأساس نماذجها الكبيرة الخاصة، لكنها ليست معتمدة بالكامل على نماذجها؛ بل ستختار نماذج مختلفة وفقًا لأعمال مختلفة. أي أنه حتى مع امتلاك نماذج كبيرة مطورة ذاتيًا في الأجل القصير، ستظل تختار Zhipu في سيناريوهات محددة. ومع ذلك، لا يعني هذا أن عمالقة الإنترنت التسع هذه سيواصلون اختيار هذه الاستراتيجية على المدى الطويل.

كما أن أحجام استدعاء هذه الشركات تحتل تقريبًا نصف إيرادات MaaS لدى Zhipu. أي أنه إذا فقدت Zhipu أي عميل من هذه العملاء، فسيؤدي ذلك إلى ضربة شديدة لأعمال MaaS الحالية.

ثالثًا، يأتي نمو MaaS أيضًا من “تصدير” Token. خلال العام الماضي، تعاونت Zhipu مع عدة دول في الشرق الأوسط وجنوب شرق آسيا، وقدمت قدرات النماذج إلى المنطقة المحلية؛ وبشكل جوهري، يتم تحقيق الإيرادات أيضًا عبر شكل استدعاءات Token.

وبشكل شامل، فإن الإشارة الواضحة التي تطلقها هذه البيانات المالية هي أن Zhipu تقوم بتحويل سردية النمو من الاعتماد على النشر المحلي إلى بيع النماذج، أي بيع Token.

لكن من ناحية النتائج، على الرغم من أن إيرادات Zhipu الحالية لا تزال تعتمد أساسًا على النشر المحلي، فإن نمط MaaS أظهر اتجاهًا نحو نمو قابل للاستمرار.

وعلى هذا الأساس، اقترحت Zhipu أيضًا مفهومًا جديدًا: TAC (Token Architecture Capability، قدرة بنية الـ Token).

وفقًا لتعريفها، يتكون TAC من ثلاثة أجزاء: استدعاء ذكي لكمية Token، جودة ذكية، وكفاءة التحويل الاقتصادية. وببساطة، يتعلق الأمر بعدد الـ Token التي تم استدعاؤها، وما إذا كانت هذه الاستدعاءات فعّالة، وما إذا كانت في النهاية قادرة على التحول إلى إيرادات.

ومن وجهة نظر كاتب هذه السطور، بعد حدث “الجرادة”، بدأ في الصناعة تكوين توافق حول Token تدريجيًا: عندما يمتلك نموذج كبير قدرة على تنفيذ مهام بعيدة المدى، فإن الاستدعاء لا يصبح مجرد إدخال/إخراج لمرة واحدة، بل يُنظم في نظام يعمل باستمرار.

إذن، غالبًا ما ترتبط مهمة واحدة بعدة جولات استدعاء، واستدعاءات أدوات وحتى تحقق ذاتي، ولم يعد Token مجرد شيء يتم استهلاكه، بل يتم “تنسيقه”، أي أن المستخدم هو من يحدد كيفية تنظيم استدعاءات النموذج الكبير.

وليس من الصعب فهم سبب تقديم TAC في هذا التوقيت.

خلال العامين الماضيين، كانت المنافسة في صناعة النماذج الكبيرة تتمحور أساسًا حول حجم المعلمات، وقدرات النموذج، والسعر. لكن مع اقتراب حرب الأسعار من نهايتها وتزايد تقارب قدرات النماذج، أصبحت هذه المؤشرات أقل قدرة على تفسير فروقات النمو بين الشركات.

في ظل هذه الخلفية، تحتاج Zhipu إلى منظومة مؤشرات جديدة للإجابة عن سؤال أكثر واقعية: عندما تكون الفروقات في قدرات النموذج ليست كبيرة، فمن أين يأتي النمو؟

فخ “التكلفة” لدى Zhipu

عند توسيع النظر من Zhipu إلى كامل الصناعة، سنجد أن نموذج الأعمال للنماذج الكبيرة بدأ يتقارب.

بالإضافة إلى Stepwise Star (阶跃星辰)، فإن الشركات الثلاث المتبقية في نماذج الأساس، تتمحور إيراداتها الأساسية حول تقارب نحو استدعاءات API.

سواء كانت Zhipu أو MiniMax أو Dark Side of the Moon (月之暗面)، جميعها تتجه إلى مسار يلتف حول MaaS لاحتضان النمو. لكن على الأقل بالنسبة لـ Zhipu، فهذه المسار لم تكن موجودة منذ البداية.

على سبيل المثال، في مرحلة Zhipu المبكرة، كانت نسبة ToG والنشر الخاص مرتفعة جدًا، وكانت سمات المشاريع (مشروع-لبرنامج) واضحة. وحتى قبل الإدراج بنحو نصف عام، كان ذلك قبل إدراجها تقريبًا بنصف سنة. ولجعل نموذج الأعمال أكثر استدامة وإتاحة مجال تخيل أكبر على نطاق واسع، بدأت Zhipu التحول بوضوح نحو MaaS، مع نقل مركز النمو إلى استدعاءات API عبر السحابة.

ومن النتائج، فقد أدى هذا التحول بالفعل إلى تغييرات: ارتفعت حصة MaaS، وأصبح Token مؤشرًا أساسيًا، وبدأ هيكل الإيرادات يميل نحو التوجه المنصاتي.

فقط أنه، وفقًا للبنية الحالية لدى Zhipu، فإن هيكل يكون فيه النشر المحلي أكبر من النشر السحابي يصعب تغييره بسرعة.

لا يزال نمو MaaS الحالي يعتمد أيضًا بدرجة كبيرة على عدد قليل من كبار العملاء.

وتُظهر البيانات المالية أن جزءًا كبيرًا من إيرادات API لدى Zhipu يأتي من عمالقة الإنترنت. وعلى الرغم من أن هذه الشركات تمتلك نماذج مطورة ذاتيًا، إلا أنها في تطبيقاتها الفعلية ستختار استدعاء قدرات نماذج خارجية. يوفّر هذا النمط من “استدعاء عدة نماذج” بالتأكيد طلبًا مستقرًا لـ MaaS. لكن المشكلة هي أنه لا يعادل مفهوم النمو على نطاق واسع بمعناه الحقيقي.

من ناحية، فإن كبار العملاء يساهمون بمعظم حجم الاستدعاءات. ومن ناحية أخرى، لم يتم فتح سوق النهاية الخلفية (long tail) فعليًا. وبعبارة أخرى، على الرغم من أن شكل منصة MaaS قد ظهر، فإنه لم يتم بناء حجم منصة حقيقي.

وهذا أيضًا يشير إلى مشكلة أكثر جوهرية: تكلفة Token الواحد وهيكل الإيرادات.

تُظهر البيانات المالية أن Zhipu سجلت خسارة إجمالية قدرها 4.718 مليار يوان في عام 2025، بزيادة 59.5% على أساس سنوي؛ ومن ضمن ذلك بلغت نفقات البحث والتطوير 3.18 مليار يوان، بزيادة 44.9%؛ بينما كانت النفقات الرأسمالية 74.7 مليون يوان، بانخفاض يقارب 83.8% على أساس سنوي. يشير الأول إلى تكاليف تدريب النموذج وتكاليف الموظفين، بينما يعود الثاني إلى تكاليف مثل تأجير الحوسبة. وفي عام 2025، قامت Zhipu بتعديل طريقة شراء الحوسبة: فبدلًا من أن تكون تأجير الحوسبة ثابتًا نسبيًا كما كان سابقًا، تم دمج تأجير الحوسبة مع شراء الخدمات، ولذلك انخفضت النفقات الرأسمالية بشكل كبير.

ثم، عند دمج نمو MaaS مع هاتين المجموعتين من البيانات، يمكن ملاحظة سلسلة منطقية مباشرة جدًا:

إذا أرادت شركة ما تعزيز نمو MaaS، فعليها الاعتماد على قدرات النموذج؛ ولتحسين قدرات النموذج يجب الاعتماد على زيادة مستمرة للاستثمار في البحث والتطوير. لكن المشكلة هي أن تكاليف البحث والتطوير وتكاليف الحوسبة لا تنخفض تلقائيًا مع توسع حجم الاستدعاءات.

وبعبارة أخرى، فإن نمو الإيرادات تدفع تكلفته من الأساس.

وهذا ما يجعل شركات النماذج الكبيرة تقع جميعها في نوع من مأزق بنيوي: من أجل الحصول على المزيد من الاستدعاءات، يجب مواصلة تحسين قدرات النموذج؛ ومن أجل تحسين قدرات النموذج، يتوجب مواصلة زيادة الاستثمار.

وهذا يخلق الوضع الحالي: كلما كان النمو أسرع، زادت ضغوط التكلفة.

ومن هذا المنظور، لم يعد الأمر مجرد مشكلة تخص Zhipu وحدها، بل إن الصناعة بأكملها للنماذج الكبيرة تواجه قيودًا مشتركة.

وبينما لم يتم حل هذه المشكلة بعد، يمكن لـ MaaS أن يجلب نموًا، لكنه يصعب أن يجلب أرباحًا.

لماذا تريد Zhipu أن تقارن نفسها بـ Anthropic؟

في مكالمة نشر نتائج الأداء السنوي في ليلة 31 مارس، وقبل أن يقدّم الرئيس التنفيذي لـ Zhipu، تشانغ بنغ، تقريرًا عن النتائج، أشار خصيصًا إلى شركة Anthropic الأمريكية ذات مكانة “وحيد القرن” في مجال الذكاء الاصطناعي. فقد زاد ARR لدى الشركة من 1 مليار دولار أمريكي بنهاية 2024 إلى 9 مليارات دولار أمريكي بنهاية 2025.

وبالواقع، تحاول جميع شركات النماذج الكبيرة الرائدة تقريبًا محاكاة المسار الأمريكي.

فعلى سبيل المثال، وجّه Dark Side of the Moon أنظاره نحو OpenAI، وسلك طريق “قدرات النموذج + المنتجات + الاشتراك”. بينما تحاول Zhipu وMiniMax الاقتراب من نمط Anthropic، أي التأكيد على قدرات نموذج الأساس، وإخراج قدرات الاستدلال من خلال API لبناء منظومة للمطورين.

لكن بغض النظر عن اختيار المسار، فإن جوهر الأمر هو اعتبار النموذج كبنية تحتية، وتحقيق إيرادات على نطاق واسع عبر الاستدعاءات.

حاليًا، تم التحقق من هذا المسار مبدئيًا في الولايات المتحدة. إذ سواء كانت OpenAI أو Anthropic، يمكنهما إثبات أنه عندما تكون قدرات النموذج قوية بما يكفي، يمكن أن تتشكل حلقة رد فعل إيجابي لمنظومة المطورين. لكن المشكلة هي أن هذا المسار يصعب نسخه في الصين.

أولًا، هناك اختلافات في نظام التسعير.

في السوق الأمريكي، يكون العملاء من الشركات والمطورون أكثر استعدادًا للدفع مقابل القدرات، ويمكن تحويل قدرات النموذج إلى علاوة سعرية. لكن في الصين، يتم خفض الأسعار بسرعة منذ البداية. وبعد حرب أسعار استمرت عامين، تطور Token تدريجيًا ليصبح “موارد أساسية”.

ثانيًا، اختلافات في بنية الطلب.

تتجه منظومة النماذج الكبيرة في أمريكا بدرجة أكبر نحو طلبات المطورين ضمن النهاية الخلفية (long tail). أما في الصين، فإن الاستدعاءات تتركز أكثر لدى العملاء الكبار، مثل عمالقة الإنترنت وجهات حكومية/مؤسسات (政企). في ظل هذا النوع من البنية، يصبح MaaS أقرب إلى “الشراء المركزي”، وليس إلى النمو الذي يقوده نظام المطورين.

ثالثًا، اختلافات في التكلفة وتوافر العروض. إن بيئة إمدادات الحوسبة، وبنية الشرائح، وظروف التكلفة الإجمالية، تجعل من الصعب على شركات نماذج محلية خفض تكاليفها مع زيادة الحجم.

ومن هذا المنظور، يصبح مأزق Zhipu أكثر سهولة في الفهم.

عند مراجعة مسار تطور الإنترنت والحوسبة السحابية، غالبًا ما تُبنى الأرباح في طبقة البنية التحتية بعد انفجار نمو طبقة التطبيقات.

وبالمثل، يعني ذلك أنه في المرحلة الحالية، سواء كانت Zhipu أو غيرها من شركات النماذج الكبيرة، فإنها تحتاج إلى انتظار التحقق المستمر من سيناريوهات التطبيقات، حتى يمكن أن تظهر وفورات الحجم.