انهيار شركة الذاكرة بمئات المليارات، هل كانت مجرد سهو؟

استثمر في البورصة وانظر إلى التقارير التحليلية للمحللين لدى شركة جين كيلين؛ فهي تتميّزة بالسلطة والاحترافية والسرعة والشمولية، وتساعدك على اكتشاف فرص الموضوعات ذات الإمكانات!

（المصدر: أخبار نتِّيي）

إذا لم تُقم Google TurboQuant بهذه المسرحية المضحكة من نوعها، لما اكتشفت أننا كنا نستطيع أن نصبر على الـ AI كل هذه المدة.

في يوم 24 من هذا الشهر، نشرت فجأة Google Research منشورًا يشرح بالتفصيل خوارزمية شديدة الضغط تُسمّى TurboQuant.

يلخّص هذا المنشور ببساطة استخدام TurboQuant—إذ يمكنه ضغط ذاكرة KV cache أثناء استدلال النماذج الكبيرة إلى 3.5 bit (بنحو 6 مرات)، وبالكاد دون خسارة في الدقة.

بعبارة “بلغة الناس”: إن Google Research قدّمت خوارزمية تقلّل بشكل كبير استهلاك الذاكرة لدى النماذج الكبيرة. فالأعمال التي كانت تتطلب 600G من الذاكرة أصبحت بعد استخدام هذه الخوارزمية تتطلب فقط 100G!

في اليوم التالي، انخفضت أسعار بعض شركات التخزين الكبرى التي كانت ما تزال منهمكة في تناول الفهيرة والغناء—فجاء الهبوط فورًا.

هبط سهم Micron Technology بنسبة 3.4%، وخسرت القيمة السوقية 15.66 مليار دولار أمريكي. كما هبط سهم SanDisk (SanDisk) إلى أن سجل هبوطًا بلغ 6.5% في وقت ما، ثم ضاق هامش الهبوط عند الإغلاق إلى 3.5%، وخسرت القيمة السوقية 3.63 مليار دولار أمريكي. وهبطت Western Digital بنسبة 1.63%، وخسرت القيمة السوقية 1.66B دولار أمريكي.

مصدر الرسم البياني: Sina Finance

انفجر كامل مجتمع الـ AI، وبدأ الجميع في التحليل: فين بالضبط تكمن قوة TurboQuant، وكيف يؤثر ذلك

حتى إن الرئيس التنفيذي لـ Claudflare نشر منشورًا لتقييم الأمر، وقال إن هذه هي “لحظة DeepSeek” من Google.

قد يرى بعض الأصدقاء هذا الخبر ويضحكون ربما داخل البطانية: عملٌ رائع! هل ستنخفض أيضًا الذاكرات، والأقراص الصلبة ذات الحالة الصلبة (SSD)، تبعًا لذلك؟ ألن يكون مجمعو قطع الحاسوب (تجميعية) قد أقبل أخيرًا دورهم في الاستفادة؟

أنا بالطبع آمل أن تسير الأمور في هذا الاتجاه.

ولكي أتأكد مما إذا كان هذا أبسط أمنيتي يمكن تحقيقه، قمت خصيصًا ببعض الواجبات المنزلية، ودرست ما هو TurboQuant بالضبط.

لكن قبل أن أفهم حتى “كيف يضبط” TurboQuant نفسه—جاء انقلاب بزاوية 180°—

في مساء 27 مارس، عند الساعة 10 مساءً، نشر الدكتوراه/ما بعد الدكتوراه (Postdoc) جيان يانغ قاو (Gao Jianyang) من المعهد الفدرالي السويسري للتكنولوجيا في زيورخ بالتزامن منشورات على منصات مثل Zhihu وX وICLR، متهمًا بشكل صريح بأن الورقة الأكاديمية التي استخدمتها Google لتعريف TurboQuant تشتمل على مخالفات أكاديمية خطيرة.

اكتشف الدكتور Gao أن TurboQuant الخاص بـ Google يتطابق إلى حد كبير مع خوارزمية RaBitQ التي طورها فريقه. وعلى المستوى الأساسي، استخدم كلاهما “دورانًا عشوائيًا مع تحويل JL”.

قد يُقال إن تشابه الأفكار بين الأبطال وارد، لكن الأمر اللا معقول هو أن الأدلة التي طرحها الدكتور Gao على البريد الإلكتروني تُظهر أنه منذ يناير 2025، كان صاحب الورقة المشارك الثاني (Majid) في ورقة Google قد أرسل بريدًا بالفعل خصيصًا إلى الدكتور Gao طالبًا منه المساعدة، بخضوع وبصوت منخفض، لمعرفة كيفية تشغيل كود RaBitQ.

وهذا لا يليق: هل يُعتبر ما قامت به Google هو أنها كشفت تفاصيل عمل الطرف الآخر ثم في وقت تسوية النصر لم تذكر مطلقًا ماذا فعل الآخرون؟

ليس فقط أنها أخفت المصادر—بل إن فريق Turbo Quant لدى Google تجاهل حتى البرهان الرياضي الراسخ، ثم كتب في الورقة ببساطة من دون أي مستندات، “يزعق” على نظرية الدكتور Gao.

اعتبر الدكتور Gao أن خوارزمية RaBitQ الخاصة به قد تم إثباتها بشكل صارم بأنها تصل إلى معيار مستوى قمة في مجال علوم الحاسوب النظرية.

لكن فريق TurboQuant لم ينظر حتى إلى أي استنتاجات؛ وبدون أي دليل، وضع مباشرةً في متن الورقة قبعة على الدكتور Gao بعنوان “غير أمثل نظريًا وتحليل بدائي”.

الأكثر تماسكًا/عدم معقولية بالنسبة لي—هو معيار “التقييم بالركض” السحري تقريبًا لدى Google.

تفاخر الورقة بأن خوارزميتها أسرع بعدة مراتب من RaBitQ، لكن عملية التلاعب بالمعايير من وراء الكواليس كانت شائنة جدًا:

فقد زوّدت Google نفسها بوحش حسابي A100 GPU، بينما أعطت للمنافس CPU مع إيقاف تعدد الخيوط (multithreading).

وإضافةً إلى ذلك، مع أنهم تركوا جانبًا كود C++ مفتوح المصدر وجاهز وعمليًا ومُحسّنًا للغاية، لم يستخدموا ذلك، بل أصرّوا على استخدام نسخة Python نصف جاهزة مترجمة من قبل مشارك الورقة الثاني من TurboQuant—لتشغيل الاختبارات—وبذلك أعادوا وضع “debuff” إضافي فوق خوارزمية الدكتور Gao.

في رسالة البريد الإلكتروني في مايو من العام الماضي، اعترف كاتب الورقة الثاني لهذه الدراسة بصراحة بهذا النوع من العملية غير المتماثلة “مع نواة واحدة تغلب متعددة النوى”، كما اعترف بأنه تم إخطار ذلك الأمر أيضًا إلى بقية المؤلفين المشاركين في الورقة.

لكن في الورقة المنشورة النهائية، تم محو تمامًا معلومات البرمجيات والعتاد التي يمكن أن تُحدث فروقًا على مستوى “تحول بالكم إلى كيف بالفرق في النتائج”.

وفي الوقت نفسه، رفض المؤلفون أيضًا الاعتراف بأن خوارزميتهم تتشابه بنيويًا مع RabitQ للدكتور Gao.

تم قبول هذه الورقة التي تحوي أخطاء صارخة ضمن المؤتمر ICLR 2026، وبعدها—كان هناك القصة التي ذكرناها في البداية، أي أن Google Research قامت بطرح هذه الورقة على نطاق واسع عبر قنواتها الرسمية.

ذكرت Google Research فقط مدى روعة TurboQuant وقدر ما يمكنها توفيره من الذاكرة، لكنها لم تذكر على الإطلاق كل الأخطاء الموجودة في الورقة نفسها والتي تدعم TurboQuant.

وعند وصول عدد مرات مشاهدة هذه الترويجيات على وسائل التواصل الاجتماعي إلى عشرات الملايين، حدثت في الأسبوع الماضي تقلبات في سوق الأسهم لدى عدة شركات تخزين رائدة.

قدّر الدكتور Gao أيضًا أنه لم يعد يستطيع تحمل ذلك، فاختار أن ينشر ويكشف كل شيء علنًا.

وفي الوقت ذاته، بدأت سوق التخزين أيضًا بالتعافي تدريجيًا من موجة الارتجاج الأولى.

في اليوم الذي رد فيه Amir Zandieh على بريد الدكتور Gao، ارتفع سهم Micron Technology (MU) بنسبة 0.5% في ذلك اليوم، وبقيمة تداول 16.25B دولار أمريكي، لكن خلال هذا الأسبوع ككل ما يزال هناك انخفاض بنسبة 15.5%.

لا أعرف كيف سيشعر الأصدقاء بعد سماع هذه القصة.

أشعر أني مثل “آكل الجوافة” البطيء في استيعاب ما يحدث في حقل القرع: كنت أرى زملائي قد أنهوا هذا اللغز (الخبر)، وقد بدأوا بالفعل بالذهاب للبحث عن التالي، وكنت مترددًا في أنني ربما سأُقصى.

لكن عندما التفت—اكتشفت أن “إخوتي في أكل الخبر” كانوا ينفثون بالفعل — إن هذا الخبر “سام”.

وما يجعل الأمر أكثر عدم فهم بالنسبة لي هو أن هذه الورقة المثيرة للجدل ذات الأخطاء الواضحة، والتي تم إثارتها بعد مرور سنة فقط كي تخرج Google للترويج لها—لم نسمع على ما يبدو أي أحد وقف ليشكك، حتى ظهور الدكتور Gao ليضرب Google بأدلة ملموسة.

السوق لا يتكلم، لكنه يهتز؛ ومجتمع ما يُسمّى بالـ AI هو مجرد احتفال—فأخيرًا يوجد من يعالج مشكلة النماذج الكبيرة التي تلتهم الذاكرة بشكل أعمى.

وبالنسبة لقلة من المؤسسات التحليلية التي ما تزال تحافظ على قدر من العقل، ولبعض الإعلاميين على وسائل التواصل داخل الصين، فإنهم فقط أشاروا إلى أن الأمر يتوافق تمامًا مع “مفارقة جيفنز” التي يذكرها المخضرمون في وول ستريت دائمًا:

TurboQuant خفّض بالفعل تكلفة الاستدلال للنصوص الطويلة، لكن بمجرد انخفاض العتبة، ستفلت الشركات بالتأكيد زمام الأمور وتبدأ التطوير بحرية—

المعيار السائد لنوافذ السياق (context window) للنماذج المحلية في الصين هو 200K-256K، بينما القلة فقط يمكنها الوصول إلى 1M.

لكن النماذج الرئيسية خارج الصين أصبحت قادرة على الوصول إلى 1M بالفعل. فإذا كانت لديكم هذه الخوارزمية، ألا سيفكر النماذج الأجنبية في توسيع الفارق؟ وهل ستفكر النماذج المحلية في اللحاق بالركب وتحقيق تقدم؟

عندها ستتدفق أعداد كبيرة من التطبيقات المتعددة الوسائط (multimodal) وذات السياق الطويل إلى الإنتاج بكميات كبيرة، لأن كونها “أفضل استخدامًا” سيؤدي إلى زيادة عدد المستخدمين وسيناريوهات الاستخدام بشكل مضاعف. وبذلك، ليس فقط أن القوة الحاسوبية المطلوبة والعتاد التخزيني المطلوب عالميًا لن يمكن توفيره، بل ستتمكن الطلبات الهائلة من تفجيرها مباشرة.

لكن صوت التشكيك في ما إذا كانت TurboQuant “حقًا بهذه القوة” بدا وكأنه غُطي عليه. بمعنى أن جزءًا كبيرًا من الناس، دون أي تدقيق ودون فهم الوضع الحقيقي داخل الأوساط الأكاديمية، افترضوا تلقائيًا أن TurboQuant من Google بالفعل يمكن أن يغيّر العالم.

بالطبع، ما أقوله ليس هدفه انتقاد أحد، لأنني عندما رأيت تقرير TurboQuant أول مرة، كنت أيضًا سعيدًا كما لو كنت طفلًا.

ما أريد توضيحه هو أن “مسرحية” TurboQuant من Google كشفت مدى نفاد صبر الجميع تجاه الـ AI:

لكي نُغذّي وحش العتاد الذي يلتهم المال في سبيل الـ AI، تحملنا كثيرًا جدًا.

منذ نهاية العام الماضي، حتى الهواتف—وهي منتجات إلكترونية يملكها تقريبًا الجميع—ارتفعت أسعارها أيضًا بسبب ارتفاع أسعار الذاكرة.

مصدر الرسم البياني: “Qingke Duyu” لي تشينلين

عندها تغيّر طبيعة الأمر—فإن “الـ AI باهظ الثمن” لا يزال في النهاية سيجبر الجميع على دفع الفاتورة.

والسخرية هي أنه حتى الآن لا يستطيع أحد أن يوضح بوضوح: كم الإنتاجية التي يمكن أن يجلبها الـ AI، وكم من الراحة يمكن أن يوفرها.

في وقت مبكر من هذا العام، نشرت Anthropic دراسة محورية عن تأثير الـ AI على سوق العمل.

أظهرت الدراسة أنه حتى الآن ما يزال استخدام الـ AI مقتصرًا على فئات قليلة من المهن، كما أن نسبة اختراقه في عملهم ليست عالية كما كان متوقعًا.

مصدر الرسم البياني: Anthropic

ببساطة: منتج تُظهر البيانات الصناعية أنه منخفض الاختراق، ولا يكسب المال إلا لقلة من الناس، لكنه في الواقع ليس بهذه الجودة/السهولة—فالأثر السلبي الذي ينتجه هو ما يجعل المجتمع كله يدفع الثمن بالفعل…

في هذا الوقت، إن كان هناك أي خبر يقول لي: الآن توجد أداة/شيء يمكن أن يجعل شهية الـ AI أقل قليلًا، ولا تدفعني لزيادة الأسعار مرة أخرى—فأكيد سأأمل أن يكون هذا الخبر صحيحًا.

قد يكون هذا أيضًا سبب اندلاع هذه العاصفة الكبيرة من ورقة مليئة بالأخطاء، ومن خوارزمية لم تُستثمر بعد تجاريًا.

ومع ذلك، للأسف، تبين في النهاية أن كل ذلك كان مجرد فقاعة/سوء فهم.

كتابة: شي آنغ

تحرير: زاوجي & ميرو

محتوى ضخم، وتفسير دقيق، كل شيء موجود في تطبيق Sina Finance APP