نكتة عن "تدريب الذكاء الاصطناعي باستخدام كتابين"، وتوضح أن القوة الحاسوبية هي المفتاح

هذه النكتة تنقلب لتفضح وهم “البيانات شديدة التبسيط”

قال إيلون ماسك إن Grok تم تدريبه باستخدام “فقط هذين الكتابين”، و"تم الأمر"—وهو أسلوب ساخر نموذجي من ماسك. إنه يسخر من ذلك النوع من الأوهام: القدرة على صنع ذكاء اصطناعي منافس دون الحاجة إلى قدر هائل من القدرة الحاسوبية. الواقع هو أن xAI تُكمل عملية التدريب على حشد ضخم من وحدات GPU. لم يذكر تحديدًا أيّ كتابين بالضبط (وهذه النقطة في الواقع ليست مهمة)، لكن المعنى واضح: في المجالات التي لا تزال فيها معادلة/قانون الحجم تهيمن، كان يسخر من السرديات التي تُبسّط الأمر بشكل مفرط.

أثارت هذه التغريدة ردود فعل منقسمة بين طرفين. اعتبرها البعض إشارة إلى تدريب أكثر كفاءة؛ ورأى آخرون أنها أقرب إلى تحويل الانتباه—حيث إن ما تفعله xAI فعليًا هو دفع التعلم المعزز على نطاق واسع داخل بنيتها التحتية Colossus الخاصة بها. تأتي درجات Grok (مثل Grok 3 Think التي حققت 93.3% على AIME) من القدرة الحاسوبية ونمط التدريب، وليست من “قراءة كتابين من الغلاف الورقي”.

• كثيرون أساءوا فهم هذه المزحة: عدّة ردود فهّمتها على أنها إشارة إلى تحقيق قفزة في كفاءة البيانات. ليس الأمر كذلك. المنهجية التي أعلنتها xAI تتمحور حول توسيع قدرات الاستدلال عبر RL، وليس ضغط بيانات التدريب.
• خبراء جادّون لم يواكبوا: لغياب ردّ من كبار الباحثين مثل Karpathy وLeCun، لم تنجح عبارة “البيانات شديدة التبسيط” في الانتشار على نطاق واسع. لا يمكن لِتغريدة واحدة أن تدفع إجماعًا صناعيًا ما لم تُتحقق.
• الاختبارات القياسية توضّح الصورة أكثر: يتقدم Grok على GPQA (84.6%) وLiveCodeBench (79.4%)—وهذا يعود إلى عوائد الكفاءة الناشئة عن البنية التحتية: يقصد بتحسين الكفاءة بنحو 6 مرات أنه نشر FLOPs بشكل أكثر كفاءة، وليس الاعتماد على قراءة كتب أقل.

الفوز بالحوسبة، و"تقليل البيانات" لا يصمد

يُظهر انتشار هذه التغريدة الهوّة بين شعار “سهل الانتشار” (“فقط كتابان!”) وبين “الرافعة التي تصنع نموذجًا قويًا بالفعل” (تدريب هائل على مجموعات عملاقة). ومع تزايد تدقيق العالم الخارجي في امتثال بيانات التدريب وتسربها—مثل ما وثّقته Stanford مؤخرًا من ظاهرة إعادة نمذجة نماذج لكتب روايات محمية بحقوق النشر—تصير هذه النقطة أكثر أهمية.

تقوم xAI بتثبيت Grok 4 في موقعه باعتباره أفضل مستوى من الاستدلال القائم على الوكيل عبر تطبيق RL على أحجام ما قبل التدريب. وبخلاف المسار الأكثر حذرًا لدى OpenAI وAnthropic، تمزح xAI حول “الكفاءة” بينما تُسلم فعليًا أدوات متعددة الوسائط. إن تفسير هذه التغريدة على أنها “مفتوحة المصدر” أو “ثورة كفاءة” أكثر من كونه توقعًا عاطفيًا شائعًا—حيث توجّه جولة التمويل C بقيمة 6 مليارات دولار من xAI معظمها إلى البنية التحتية، وليس إلى “تبسيط البيانات” في حد ذاتها.

هذا أيضًا يخلق عدم تطابق بين التسعير والسرد. إذا ركّز السوق بشكل مفرط على كفاءة التكلفة، فقد يتجاهل الوزن الأكبر لميزة سلسلة الإمداد بالقدرة الحاسوبية. لدى xAI أفضلية نسبية في البنية التحتية، بينما قد تظل شركات مثل Meta—إذا لم تحصل على حجم مماثل من RL وقدرات التدريب الحسابية—متأخرة في عمق الاستدلال.

**الخلاصة: ** المتغير الحقيقي الذي تخفيه هذه المزحة هو تفوق xAI في القدرة الحاسوبية. فالبناة الذين لم يتحولوا إلى RL القابل للتوسع متأخرون بالفعل؛ ورجال الأعمال/المستثمرون الذين يراهنون على القدرة الحاسوبية ودُرجات حماية البنية التحتية هم في مرحلة مبكرة؛ والمشترون من الشركات يستخدمون أدوات Grok القائمة على الوكيل الآن، وسيكون لديهم تفوق على منافسين ما زالوا يثقون بشكل أعمى بـ “وهم البيانات شديدة التبسيط”.

**الأهمية: ** متوسط
**الفئة: ** رؤى تقنية، اتجاهات الصناعة، تأثيرات السوق

**الحكم: ** الآن هو وقت الدخول إلى هذا السرد بالنسبة لمن يراهن على التمويل للقدرة الحاسوبية وبنية RL التحتية—إنه “ميزة مبكرة”، بينما بالنسبة للبناة الذين ما زالوا يتمسكون بخيار تقليل البيانات فهو “متأخر” بالفعل. الأكثر فائدة عمليًا هم المشاركون الذين يملكون أو يصلون إلى حشود GPU كبيرة وتشغيلية هندسة RL: منشئو البنية التحتية وصناديق الاستثمار متوسطة وطويلة الأجل يستفيدون أكثر؛ كما أن المشترين من الشركات الذين ينشرون مبكرًا سلاسل أدوات Grok القائمة على الوكيل يتمتعون أيضًا بأفضلية؛ أما المتداولون على المدى القصير فباستثناء وجود مُحفّز واضح لتوفير القدرة الحاسوبية، ستكون ميزتهم الحدّية محدودة.