منطق قيمة رمز الذكاء الاصطناعي، ودعم النظام البيئي، وتحديات الأمان

المؤلف: زانغ فونغ

واحد، عندما يكون لكل كلمة وجملة علامة سعر، كيف يعيد اقتصاد الذكاء الاصطناعي هيكلة توزيع القيمة؟

منذ عام 2023، تقريبا، تحولت مزودات خدمات النماذج الكبيرة الرائدة عالميا بشكل متزامن إلى نمط الدفع حسب الوحدة المعتمدة على الرموز—الدفع من قبل المستخدم لا يعتمد على عدد استدعاءات API، بل بشكل رئيسي على عدد “الرموز” التي يتم تفكيك النصوص إليها أثناء معالجة النموذج. هذا التغيير الذي يبدو تقنيا، في الواقع، يعيد بشكل سري منطق توزيع القيمة في صناعة الذكاء الاصطناعي: من استئجار موارد الحوسبة التقليدي، إلى نظام اقتصادي جديد يستخدم الرموز كوسيط تداول، ويعتمد على كفاءة الاستنتاج كأساس للتسعير.

بالنسبة لرجال الأعمال، فإن فهم نموذج اقتصاد الرموز لم يعد مجرد مسألة تقنية تتعلق بالتسعير، بل هو قضية استراتيجية تتعلق بتصميم النموذج التجاري، وتحسين هيكل التكاليف، وخلق حواجز تنافسية طويلة الأمد. عندما تصبح الرموز “عملة” لقياس الاستهلاك الذكي، فإن تصميم النموذج الاقتصادي وراءها وآلية استحواذ القيمة تصبحان المفتاح لتمكين شركات الذكاء الاصطناعي من الانتقال من “حرب الأسعار” إلى “تصنيف القيمة”.

اثنين، كيف تصبح الرموز وحدة قياس وتداول قياسية لاقتصاد الذكاء الاصطناعي؟

في عالم الذكاء الاصطناعي، الرموز ليست فقط وحدة دقة معالجة اللغة، بل أيضا أساس قياس التبادل الاقتصادي. من منظور نموذج الأعمال، يبني اقتصاد الرموز دائرة مغلقة: في المرحلة العليا، يقوم النموذج أثناء التدريب والاستنتاج بتقسيم النصوص، الصور، الشفرات، وغيرها من البيانات إلى رموز، وتتم معالجتها بواسطة الشبكة العصبية؛ في المرحلة الوسطى، يحدد مزودو الخدمات السحابية ومقدمو النماذج سعر كل استنتاج استنادا إلى عدد الرموز المستهلكة، ويدفع المستخدمون بناء على إجمالي الرموز المدخلة والمخرجة؛ في المرحلة السفلى، يمرر مطورو التطبيقات تكاليف الرموز إلى المستخدم النهائي، مكونين تدفق قيمة متعدد المستويات. جوهر هذا النموذج هو تحويل القدرة الحسابية غير الموحدة أصلا إلى وحدة قياس، قابلة للتداول، وقابلة للتجميع، تشبه الكيلوواط ساعة في عصر الكهرباء أو حزمة البيانات في عصر الاتصالات.

من الجدير بالذكر أن نماذج الخبراء المختلطة (MoE) الحالية غيرت بشكل أكبر من طريقة تدفق الرموز—حيث يتم توزيع الرموز المدخلة على الخبراء الأكثر صلة، مما يزيد من تفاوت استهلاك القدرة الحسابية لنفس الكمية من الرموز عبر مهام مختلفة، مما يفرض متطلبات أكثر دقة على نماذج التسعير وإدارة الموارد.

ثلاثة، جوهر أرباح الاستنتاج هو لعبة كفاءة بين دخل كل رمز وتكاليفه

المنطق الأساسي لنموذج الربح واضح وقاسٍ: مزودو الذكاء الاصطناعي يحققون أرباحا عن طريق خفض تكاليف كل رمز، مع الحفاظ على أو زيادة دخل كل رمز. أظهرت الدراسات أن المتغيرات الرئيسية تشمل طول الرموز المدخلة والمخرجة، معدل نجاح ذاكرة الكي-فاي (KV)، ونوع الاستنتاج متعدد الوسائط، وهذه العوامل تحدد بشكل مشترك الحد الأدنى لتكلفة الاستنتاج لكل عملية.

حاليا، يتحول القطاع من “شراء القدرة الحاسوبية بشكل أساسي للتدريب” إلى “الإنتاج المستمر للاستنتاج”—أصول مصنع الرموز هي تجمعات وحدات معالجة الرسوميات (GPU)، طالما أن المستخدم يستدعي، فإن القدرة الحاسوبية تتآكل باستمرار. هناك رأي يقول إن الادعاء بأن “النماذج الكبيرة ستكون أرخص بعشرة أضعاف” يخفي اتجاه ارتفاع التكاليف الفعلي، لأن زيادة حجم معلمات النموذج وطول السياق يؤدي إلى استهلاك أكبر للقدرة الحسابية لكل رمز أثناء الاستنتاج. لذا، فإن مفتاح الربح والخسارة يكمن في جانبين: الأول، تحسين الهيكل (مثل MoE، التكميم، الحساب المتناثر) لخفض تكلفة كل رمز؛ الثاني، تقديم خدمات متميزة (مثل أولوية عالية، زمن استجابة منخفض، نافذة سياق طويلة) لزيادة قدرة التسعير لكل رمز.

ومن الجدير بالذكر أن بعض الشركات تحاول ربط دخل الرموز بمساهمة البيانات لخلق حوافز، مثل نموذج عمل رموز OPN، من خلال مكافأة مزودي البيانات وعقد التحقق لبناء سوق بيانات—وهذا يفتح آفاقا تتجاوز مجرد تحصيل رسوم على التدفق.

أربعة، دعم ثلاثي من القياس الدقيق، التخصيص الفعال، وتحفيز النظام البيئي

نموذج اقتصاد الرموز يمتلك ثلاث مزايا أساسية لا يمكن استبدالها مقارنة ببيع موارد الحوسبة التقليدية.

الأول، القياس الدقيق يجعل تكلفة وقيمة خدمات الذكاء الاصطناعي قابلة للتتبع: يدفع المستخدم فقط مقابل الحسابات الدلالية التي يستهلكها، وليس مقابل الوقت الثابت للآلة أو عدد استدعاءات API، مما يقلل بشكل كبير من عتبة دخول المطورين الصغار والمتوسطين، ويدفع مقدمي الخدمة لتحسين كفاءة الاستنتاج باستمرار.

الثاني، التخصيص الفعال، أي أن الرموز كوسيط تداول، يمكن أن يتيح تخصيص موارد الحوسبة بين نماذج مختلفة، ومستخدمين مختلفين، ومهام مختلفة في الوقت الحقيقي، ويعد توجيه الخبراء في بنية MoE مثالا نموذجيا، مما يتجنب “جزيرة الحوسبة” غير الفعالة في المجموعات التقليدية.

الثالث، تحفيز النظام البيئي، أي أن آلية استحواذ القيمة المبنية على الرموز يمكن أن تمتد إلى مساهمي البيانات، ومدربي النماذج، وعقد الاستنتاج، وغيرها من الأطراف، مكونة عجلة نمو إيجابية. على سبيل المثال، في بعض مشاريع البلوكشين، يتم تحفيز السلوكيات من خلال المكافآت لتحفيز إمدادات البيانات والتحقق الشبكي، وإذا تم تطبيق هذه الآلية على اقتصاد رموز الذكاء الاصطناعي، فمن المتوقع أن تحل مشكلة ندرة البيانات عالية الجودة وتوزيع القدرة الحاسوبية غير المتوازن.

هذه المزايا الثلاثة تشكل الركيزة الأساسية لبناء تأثير الشبكة على منصات الذكاء الاصطناعي—من يستطيع أن يتفوق في دقة قياس الرموز، وكفاءة التخصيص، وتحفيز النظام البيئي، هو من سيسيطر على سلطة التسعير في المرحلة التالية من المنافسة.

خمسة، من التسعير الموحد إلى تصنيف القيمة، كيف يتنافس اللاعبون على زيادة قيمة الرموز؟

لقد تطور سوق رموز الذكاء الاصطناعي حاليا من نمط “السعر لكل مليون رمز” إلى تصنيفات متعددة من القيمة، ويمكن تصنيفها إلى ثلاث فئات رئيسية.

الفئة الأولى، عمالقة النماذج الكبيرة العامة (مثل OpenAI، بايدن، علي)، يستخدمون تأثير الحجم والسمعة للحفاظ على دخل مرتفع لكل رمز، لكنهم يواجهون تحديات من الفئة الثانية—المعروفة بكفاءة عالية، والتي تتضمن نماذج مفتوحة المصدر، ومنصات تحسين الاستنتاج المتخصصة، التي تستخدم التكميم، وتحسين ذاكرة الكي-فاي، ورقائق استنتاج مخصصة، لخفض التكاليف للوحدة إلى الحد الأقصى، بهدف الاستحواذ على سوق التطبيقات ذات الحجم الكبير بأسعار منخفضة. الفئة الثالثة، هم من منسقي النظام البيئي، مثل المشاريع التي تدمج رموز البلوكشين ورموز الذكاء الاصطناعي، لا تتنافس مباشرة على السعر، بل تبني حلقات مغلقة من البيانات، والحوسبة، والتطبيقات من خلال آليات تحفيزية للرموز، وتستخدم تأثير الشبكة لاحتكار المستخدمين.

الأقوياء ليسوا دائمًا دائمين. إن هامش الربح لكل رمز يعتمد بشكل كبير على سيناريو الاستنتاج، حيث أن الربح من استنتاج النصوص الطويلة، والاستنتاج متعدد الوسائط أعلى بكثير من المحادثة البسيطة، مما يعني أن التركيز على السيناريوهات ذات القيمة العالية قد يتجنب حرب الأسعار، ويحقق استحواذًا أعلى على القيمة. بالنسبة للشركات الصينية، قد يكون من الضروري التحول من “الاستثمار في تكلفة الاستنتاج” إلى “تحسين أرباح الاستنتاج”، بدلاً من مجرد تقليد خفض الأسعار.

ستة، هيكلة دالة التكاليف، تنويع التسعير، وتحسين النظام البيئي

حاليا، تنخفض تكلفة رموز الذكاء الاصطناعي بسبب ضغط نماذج الضغط، وتحسين كفاءة القدرة الحاسوبية، والمنافسة المفتوحة المصدر، لكن سيناريوهات متعددة الوسائط وطول السياق لا تزال تتقلب على المدى القصير. تتغير آليات التسعير من نمط واحد يعتمد على الدفع حسب الاستخدام إلى نمط مختلط: استمرارية استدعاء الأساس تعتمد على الدفع بالرموز، مع إضافة اشتراكات أو خصومات على الحجز المسبق للموارد، وتحاول بعض المنصات تعديل الأسعار ديناميكيًا بناءً على التأخير أو جودة الإنتاج.

أما على مستوى النظام البيئي، فإن نمط الخدمات المركزية (MaaS) يهيمن، حيث يوفر وصولًا منخفض العتبة؛ بينما شبكات الحوسبة اللامركزية تعتمد على اقتصاد الرموز لتحفيز الموارد غير المستغلة، وتشكيل طبقة مجتمعية بديلة. في المستقبل، ستؤدي عمليات الوكيل وسيناريوهات التخصص إلى ظهور استراتيجيات تسعير أكثر دقة ومعايير تداخل، مما يقلل من تكاليف التطبيق ويدفع نحو تسويق قدرات الذكاء الاصطناعي كسلعة.

ومن المعروف أن سعر رموز DeepSeek-V4 من المتوقع أن ينخفض بشكل كبير في النصف الثاني من هذا العام، والسبب الرئيسي قد يكون الابتكار التكنولوجي واستبدال القدرة الحاسوبية المحلية. من خلال آلية انتباه متفرعة جديدة، حققت كفاءة الاستنتاج قفزة هائلة، مما خفض بشكل كبير من تكلفة الاستدعاء الواحد. بالإضافة إلى ذلك، فإن الاعتماد على شرائح محلية مثل Huawei Ascend 950 يقل بنسبة تزيد عن 60% عن الحلول التي تعتمد على NVIDIA، مما يوفر مساحة واسعة للتخفيضات. هذا يمثل خطوة حاسمة لتسريع إغلاق دورة النظام البيئي المحلي للقدرات الحاسوبية الصينية وتحقيق الانتشار الشامل. على مستوى العالم، تلعب DeepSeek دور “المطهر” من خلال ميزتها التنافسية في التكاليف ونموذج المصدر المفتوح، وتحول معايير المنافسة من “منافسة على الإنفاق” إلى “كفاءة قصوى” في مرحلة جديدة.

سبعة، تحديات الأمان والامتثال المتعددة

يقدم الارتفاع السريع في استدعاءات الذكاء الاصطناعي ثلاث تحديات رئيسية للأمان والامتثال. أولا، من ناحية أمن البيانات، فإن الرموز كأصغر وحدة لمعالجة البيانات، وسلسلة النقل الخاصة بها معرضة بشكل كبير للاختراق والتنصت، مما قد يؤدي إلى انتحال هوية المستخدمين وتسرب المعلومات الحساسة. بالإضافة إلى ذلك، يمكن للمهاجمين زرع “عينات سامة” في بيانات التدريب، وتثبيت أبواب خلفية في النموذج، مما يعرض الأسرار التجارية للخطر إذا لم يتم التعامل معها بحذر.

من ناحية أمن النموذج، يمكن للمهاجمين استخدام رموز خاصة لإنشاء طرق ذكية لتجاوز إجراءات الأمان، مما يؤدي إلى توليد محتوى غير قانوني أو ضار؛ وإذا لم يتم إدارة صلاحيات الوكيل بشكل صحيح، فقد يتسبب ذلك في استيلاء على الحسابات أو خسائر مالية.

أما من ناحية الامتثال والتنظيم، فإن تدفق البيانات عبر الحدود بشكل كبير يتطلب معايير عالية، مع متطلبات تسجيل السجلات التي تتجاوز تلك الخاصة بالتدقيق العادي؛ كما أن تسجيلات الذكاء الاصطناعي في الصين تتطلب معايير أخلاقية واضحة. يتطلب ذلك من الشركات نشر أدوات تشفير البيانات، والمراقبة في الوقت الحقيقي، وبناء آليات استجابة للطوارئ، بالتعاون مع الحكومات والمنصات والأفراد، لضمان وجود جدران حماية أمنية على كامل دورة حياة الرموز.

علاوة على ذلك، فإن تسعير خدمات الذكاء الاصطناعي بشكل تمييزي أو استغلالي (مثل تحديد أسعار رموز مختلفة لعملاء معينين) قد يثير مراجعة من قبل الجهات المختصة بمكافحة الاحتكار. يجب على الشركات أن تدمج في نماذج اقتصاد الرموز إطارًا للامتثال: لضمان عدم إمكانية عكس تدفق الرموز، وعدم انتهاك اللوائح المالية، واتباع مبدأ الحد الأدنى من المعالجة للبيانات. كما ينبغي للممارسين مراقبة توجهات تصنيف “وحدة قياس الذكاء الاصطناعي” ككيان مالي في مختلف الدول.

ثمانية، من وحدة القياس إلى نظام القيمة، تخيل النهاية لنموذج اقتصاد الرموز

مستقبلًا، سيمر نموذج اقتصاد رموز الذكاء الاصطناعي بثلاث مراحل تطورية رئيسية.

المرحلة الأولى، “التوحيد والتشغيل البيني”، حيث ستعمل الصناعة على توحيد معايير قياس الرموز (مثل معادلة الرموز استنادًا إلى معيار FLOPS)، وتطوير آليات تحويل رموز عبر المنصات، لتقليل تكاليف الانتقال.

المرحلة الثانية، “تصنيف استحواذ القيمة”، حيث ستصمم مزودات النماذج تسعيرات متعددة بناءً على صعوبة الاستنتاج، والسرعة، ومستوى خصوصية البيانات، مع تمييز رموز عالية القيمة (مثل التشخيص الطبي) بزيادة في السعر، في حين أن الرموز ذات القيمة المنخفضة (مثل تلخيص النصوص البسيط) ستصبح مجانية أو بأسعار منخفضة جدًا.

المرحلة الثالثة، “الدورة المغلقة للنظام البيئي”، حيث قد تتطور رموز الذكاء الاصطناعي إلى نوع من “إثبات العمل” متعدد الأطراف—حيث يستهلك المستخدم الرموز، ويكسب رموزًا من خلال تقديم ملاحظات عالية الجودة، أو تدريب الحوسبة، أو التحقق، مما يخلق شبكة قيمة تنمو ذاتيًا.

بالنسبة لمن يخطط لاستراتيجية الشركات، فإن النصيحة الأكثر واقعية الآن هي: لا تركز فقط على تكلفة كل رمز مطلقًا، بل على القيمة الحدية التي يخلقها كل رمز. الشركات التي تستطيع تحويل الرموز ذات التكلفة المنخفضة إلى تطبيقات ذات قيمة عالية ستفوز في النهاية في اقتصاد الرموز.