كثيرون يعتقدون أن فقاعة الذكاء الاصطناعي هي شيء حدث اليوم فقط.

في الواقع، شهد تاريخ الذكاء الاصطناعي مرة واحدة موجة من الهوس الرأسمالي النموذجي.
وهي فقاعة "الأنظمة الخبيرة" في الثمانينيات.
خلفية هذه الموجة من الذكاء الاصطناعي كانت بعد الشتاء الأول للذكاء الاصطناعي، حيث وجدت الصناعة أخيرًا مسارًا يبدو قابلاً للتسويق.
كان الباحثون الأوائل في الذكاء الاصطناعي قد حاولوا صنع ذكاء عام مباشر، لكن مجالات مثل الترجمة الآلية والاستدلال العام والروبوتات لم تحقق التوقعات، مما أدى إلى تباطؤ سريع في التمويل والثقة.
وهكذا في الثمانينيات، غيرت صناعة الذكاء الاصطناعي نهجها:
بما أن الذكاء العام صعب جدًا، فلنبدأ بالذكاء الرأسي.
أخذوا خبرات الأطباء والمهندسين والكيميائيين وخبراء المال وخبراء صيانة المعدات، وقسّموها إلى قواعد، وكتبوها في الحواسيب.
إذا حدث A وB معًا، فالحكم هو C.
إذا ظهرت مجموعة معينة من الأعراض، فالتوصية بتشخيص معين.
إذا كان هناك تعارض في تكوين طلب، فالنظام يصحح تلقائيًا.
هذا هو النظام الخبير.
إنه ليس نموذجًا كبيرًا مدربًا على كميات هائلة من البيانات كما هو الحال اليوم، بل هو قاعدة معرفية تم تجميعها يدويًا، إلى جانب محرك استدلال.
في ذلك الوقت، لم يكن مجرد مفهوم نظري.
نظام XCON/R1 من شركة DEC كان واحدًا من أشهر الأمثلة التجارية. ساعد DEC في تكوين طلبات الحواسيب الصغيرة المعقدة تلقائيًا، مما قلل من أخطاء التكوين وزاد من كفاءة التسليم، واعتبر لاحقًا حالة نجاح رمزية لتسويق الأنظمة الخبيرة.
عندما ظهرت هذه الحالة، اندلعت خيالات السوق بشكل كامل.
بدأت الشركات تعتقد:
إذا كان النظام الخبير يمكن أن يحل محل حكم بعض المهندسين، فهل يمكنه أيضًا أن يحل محل حكم الأطباء؟
إذا كان يمكنه تكوين الحواسيب، فهل يمكنه أيضًا تكوين المصانع وإدارة سلاسل التوريد واتخاذ القرارات المالية وإجراء الاستدلال القانوني؟
وهكذا بدأ رأس المال يتدفق.
أنشأت الشركات الكبرى أقسامًا للذكاء الاصطناعي، مثل IBM وDEC وGE وGM، جميعها استثمرت في الأنظمة الخبيرة.
بدأت الشركات الناشئة في الظهور، تعمل في هندسة المعرفة وبرمجيات الأنظمة الخبيرة ومحركات الاستدلال وحلول الصناعة.
والأكثر إثارة للاهتمام، أن فقاعة الذكاء الاصطناعي سرعان ما امتدت إلى الأجهزة.
لأن العديد من برامج الذكاء الاصطناعي في ذلك الوقت كانت تستخدم لغة Lisp، التي تتطلب موارد حسابية وبيئة تطوير عالية، فظهرت مجموعة من الشركات المتخصصة في أجهزة Lisp المحسّنة للذكاء الاصطناعي.
شاركت شركات مثل Symbolics وLisp Machines Inc. وTexas Instruments في هذه الموجة من أجهزة الذكاء الاصطناعي المتخصصة.
وهذا يشبه إلى حد كبير انعكاسًا تاريخيًا اليوم:
في ذلك الوقت، كانت الأنظمة الخبيرة تقود أجهزة Lisp.
واليوم، النماذج الكبيرة تقود وحدات معالجة الرسومات (GPU) وHBM والوحدات الضوئية والمفاتيح ومراكز البيانات والطاقة والتبريد السائل.
في كل موجة من الذكاء الاصطناعي، أول من يجني المال ليس غالبًا التطبيقات، بل بائعي المعاول.
لكن المشكلة ظهرت بعد التطبيق على نطاق واسع.
العقبة الأساسية للأنظمة الخبيرة كانت الحصول على المعرفة.
المعرفة الحقيقية للخبراء ليست كتيب إرشادات.
الكثير من الأحكام تأتي من الخبرة والحدس والظروف الحدودية وسنوات من التجربة والخطأ.
حتى الخبراء أنفسهم قد لا يستطيعون التعبير بوضوح عن كل المعرفة الضمنية.
وحتى إذا عبروا عنها، فمن الصعب كتابتها كقواعد كاملة.
وهكذا وجدت الشركات أن بناء نظام خبير كان أبطأ وأكثر تكلفة مما توقعوا.
المشكلة الثانية هي تكاليف الصيانة.
العمليات التجارية ليست ثابتة.
تتغير المنتجات، ويتغير العملاء، وتتغير اللوائح، وتتغير سلاسل التوريد، وتتغير ظروف السوق.
كل مرة يتغير فيها العالم الحقيقي، يجب تعديل قاعدة القواعد.
كلما زادت القواعد، ظهرت تعارضات وإغفالات وتداخلات داخل النظام.
في النهاية، لم تشترِ العديد من الشركات آلة لجني المال، بل اشترت متاهة من القواعد لا يمكن إصلاحها أبدًا.
المشكلة الثالثة هي الهشاشة.
يمكن للنظام الخبير أن يعمل بشكل جيد ضمن نطاق تغطية القواعد.
لكن بمجرد مواجهة حالات حدودية أو معلومات غامضة أو غير كاملة، يفشل النظام بسهولة.
ليس لديه معرفة عامة حقيقية.
لا يتعلم بنشاط.
من الصعب عليه فهم تغيرات السياق مثل البشر.
يمكن أن يكون العرض التوضيحي مذهلاً، لكن الأنظمة المؤسسية تواجه عالمًا حقيقيًا يتغير يوميًا.
هذه هي الفجوة الكبيرة بين المختبر وبيئة الإنتاج.
المشكلة الرابعة هي انهيار الجدوى الاقتصادية للأجهزة.
كانت أجهزة Lisp في البداية بنية تحتية للذكاء الاصطناعي.
لكن في أواخر الثمانينيات، أصبحت محطات العمل العامة والحواسيب الشخصية أسرع وأرخص وأكبر بيئيًا.
عندما أصبحت الحواسيب العامة الأرخص قادرة على تشغيل البرامج ذات الصلة، فقدت أجهزة Lisp المتخصصة باهظة الثمن مبررها التجاري.
وهكذا انهار سوق أجهزة Lisp بسرعة.
تم إعادة تسعير سلسلة الأجهزة أولاً، ثم بدأت شركات البرمجيات والاستشارات في الذكاء الاصطناعي تعاني.
أغلقت العديد من شركات الأنظمة الخبيرة أو استحوذت عليها أو تحولت، وأصبح الذكاء الاصطناعي مرة أخرى كلمة لا تريد أسواق رأس المال سماعها.
هذا هو الشتاء الثاني للذكاء الاصطناعي.
لكن هناك تفصيل مهم جدًا هنا:
الأنظمة الخبيرة لم تكن عديمة الفائدة تمامًا.
لم تختفِ، بل تم استيعابها في برامج المؤسسات ومحركات القواعد وأنظمة إدارة المخاطر وأنظمة إدارة المعرفة ونصوص خدمة العملاء وأنظمة أتمتة العمليات.
التقنية نجت.
الفقاعة ماتت.
هذا هو الشيء الذي يستحق أن يتأمله مستثمرو الذكاء الاصطناعي اليوم مرارًا وتكرارًا.
النماذج الكبيرة اليوم ليست بالطبع أنظمة خبيرة.
LLM ليست قاعدة قواعد يدوية، بل تأتي من بيانات ضخمة وشبكات عصبية ومحولات وقوة حسابية وتعزيز التعلم.
إنها عامة، ولديها قدرات لغوية وبرمجية ومتعددة الوسائط تفوق بكثير الأنظمة الخبيرة في ذلك الوقت.
لذا، تشبيه النماذج الكبيرة اليوم بالأنظمة الخبيرة ببساطة ليس دقيقًا.
لكن التشابه الحقيقي في التاريخ ليس في المسار التقني، بل في البنية النفسية لأسواق رأس المال.
كل موجة ذكاء اصطناعي تمر بثلاث خطوات مماثلة:
الخطوة الأولى، تحقيق اختراق تقني حقيقي.
الخطوة الثانية، يعتقد رأس المال أنه يمكنه تحويل جميع الصناعات.
الخطوة الثالثة، تكتشف الشركات أن تحويل التقنية إلى نظام مستقر وقابل للتحكم وقابل للتدقيق ومربح أصعب بكثير مما يتصورون.
النماذج الكبيرة اليوم تدخل أيضًا في الخطوة الثالثة.
في الجانب الاستهلاكي (C-side)، هناك استخدام، لكن هيكل الحركة لم يتغير بشكل جذري بعد.
في الجانب التجاري (B-side)، هناك مشاريع تجريبية، لكن الكثير منها لا يزال في مرحلة الاختبارات الأولية، ولم يدخل في أنظمة إنتاج واسعة النطاق.
الوكلاء (Agent) جذابون، لكن في المهام الطويلة، تتراكم الأخطاء في كل خطوة.
حتى لو كانت دقة كل خطوة تبدو عالية، طالما أن العملية طويلة بما فيه الكفاية، ينخفض معدل النجاح الكلي بشكل ملحوظ.
المجالات مثل الصناعة والمال والطب والقانون وسلاسل التوريد لا تطلب إجابة جميلة مرة واحدة، بل موثوقية شاملة من البداية إلى النهاية، ومعالجة الاستثناءات، والتحكم في الصلاحيات، وتحديد المسؤولية، وسجلات التدقيق، والضمان البشري.
هذه ليست أشياء يمكن حلها في مؤتمر إطلاق نموذج.
لذا أكبر خطر على الذكاء الاصطناعي اليوم ليس أن التقنية لا قيمة لها.
بل العكس، الذكاء الاصطناعي ذو قيمة كبيرة.
المشكلة الحقيقية هي:
هل التدفق النقدي الذي يولده كافٍ لدعم هذه الجولة من الإنفاق الرأسمالي والتقييم؟
إذا اكتشفت الشركات أن عائد الاستثمار في الذكاء الاصطناعي لا يزال غامضًا، فقد يتقلص ميزانياتها بسرعة كبيرة.
إذا اكتشف موفرو الخدمات السحابية أن إيرادات الاستدلال لا تغطي تكاليف الإهلاك والطاقة ومراكز البيانات، فقد يتم تخفيض توجيهات الإنفاق الرأسمالي.
إذا لم تظهر طبقة التطبيقات حلقة مغلقة للدفع قوية بما فيه الكفاية، فستبدأ سلسلة الأجهزة في تداول توقعات الطلب المنخفضة.
التاريخ لا يتكرر ببساطة.
لكن أسواق رأس المال غالبًا ما تدفع اختراقًا تقنيًا حقيقيًا إلى توقعات أرباح مبالغ فيها بنفس الطريقة.
الدرس من الثمانينيات ليس "الذكاء الاصطناعي خدعة".
الدرس الحقيقي هو:
يمكن أن تكون الثورة التقنية حقيقية.
يمكن أن يكون وتيرة التسويق بطيئة.
يمكن أن يكون الاستثمار في البنية التحتية مبالغًا فيه.
يمكن أن تكون تقييمات الأسهم خاطئة.
هذه الأربعة يمكن أن تكون صحيحة في نفس الوقت.
الأنظمة الخبيرة لم تختفِ في النهاية، لكن فقاعة الأنظمة الخبيرة انفجرت.
النماذج الكبيرة اليوم على الأرجح لن تختفي أيضًا.
المشكلة الحقيقية هي:
في هذه الموجة من حمى البنية التحتية للذكاء الاصطناعي، أي الشركات ستصبح بنية تحتية للمستقبل، وأيها مجرد أجهزة Lisp في هذه الدورة؟