لا تحقق شركات الذكاء الاصطناعي أرباحاً؛ ينبغي لها الاستفادة من خبرات مترو أنفاق هونغ كونغ.

المؤلف: مايكل وينيي لي

الترجمة: شينتشاو تيكفلو

ملخص شينتشاو تيكفلو: أحرقت مختبرات الذكاء الاصطناعي عدة مئات من مليارات الدولارات، لكن لا أحد يستطيع أن يوضح متى ستعود الأموال لتحقيق أرباح. تتراجع أسعار الـ API بمعدل 10 أضعاف سنوياً، وتلحق البرمجيات مفتوحة المصدر بالبرمجيات المغلقة بسرعة، بينما ترتفع تكاليف التدريب كلما تراكمت بشكل أكبر. وتقف هذه المقالة خارج منظور قطاع التكنولوجيا، وتقدّم جواباً مُلهماً للغاية عبر نموذج العمل التجاري لخطوط المترو في هونغ كونغ MTR لمدة 45 عاماً: لا تفكر في كسب المال من تذاكر الركاب، بل اذهب لامتلاك العقارات فوق المحطات.

لا يمكنها أن تكسب المال، بل إن السؤال نفسه مطروح بطريقة خاطئة

هناك نوع من الأعمال يسير على هذا النحو: يتم ضخ عشرات المليارات من رأس المال في المراحل الأولى، دون أي إيرادات ولو سنت واحد. تتقارب تسعيرة الخدمة الأساسية مع التكلفة الحدّية. تخلق قيمة كبيرة للمستخدمين، لكن المنشئين لا يستطيعون الاحتفاظ بها حتى بقروش معدودة. بل يتعين عليهم أيضاً الاستثمار بلا توقف في البنية التحتية للجيل التالي.

ما سبق لا يتحدث عن مختبرات الذكاء الاصطناعي، بل عن أنظمة السكك الحديدية الكبيرة.

كثيرون يستعملون السكك الحديدية للمقارنة مع قطاع الذكاء الاصطناعي، وغالباً ما يصلون إلى نتيجة مفادها: تمتلك التقنية العامة صفة «المنفعة العامة»، ولا تكتمل الجدوى التجارية إلا بدعم حكومي.

أريد أن أجادل في هذا الاستنتاج. لأن MTR في هونغ كونغ (مترو الأنفاق في هونغ كونغ) تُعالج هذه المشكلة فعلياً. فهي واحدة من القلائل جداً عالمياً التي يمكنها الاستمرار تجارياً في تشغيل المترو، شركة مدرجة، وتوزّع أرباحاً وتلتزم بسياسات توزيع الأرباح، ولا تعتمد على إعانات تشغيلية من الحكومة.

البنية المالية متطابقة

لم تستطع الأعمال الأساسية للسكك الحديدية في MTR قط أن تُموّل توسعها بنفسها. كان 2018 هو أفضل عام قبل الجائحة؛ وبلغت أرباح التشغيل EBIT لقطاع النقل 2 مليار دولار هونغ كونغ. بينما تُقدَّر النفقات الرأسمالية للفترة 2024-2026 بـ 87.9 مليار دولار هونغ كونغ، وتُستخدم تقريباً كلها في السكك الحديدية. أرباح السكك الحديدية في ذروتها خلال ثلاث سنوات تكفي فقط لتغطية 8% من النفقات الرأسمالية. إيرادات التذاكر لم تكن كافية من الأساس للصرف على بناء خط جديد—وهذا ليس المقصود منها أصلاً.

تحافظ MTR على أسعار التذاكر بمستوى يسهل تحمّله عبر آلية تعديل أسعار التذاكر التي تديرها الحكومة. لا يمكنك تحديد الأسعار بحيث تسترد تكاليف إنشاء البنية التحتية؛ فحينها لن يتمكن الناس من تحملها، كما سيكون ذلك مخالفاً للغرض من النقل العام. قد تتمكن كل خط على حدة من تغطية تكاليف تشغيله الخاصة، لكن إيرادات التذاكر لن تكفي أبداً لتشييد الخط التالي.

واجهت تسعيرة API في مجال الذكاء الاصطناعي المعضلة نفسها في نسخة مرآوية. تؤدي عملية التقطير (distillation) والبدائل مفتوحة المصدر إلى هبوط سعر الـ API بمعدل يقارب 10 أضعاف سنوياً. أي مختبر يضع تسعيراً أعلى من التكلفة الحدّية سيخسر الكمية لصالح منافسين. يمكن لكل نموذج أن يحقق ربحاً تشغيلياً على مستوى الاستدلال، لكن هامش الربح لن يكون كافياً أبداً لتغطية نفقات التدريب للجولة التالية.

الحل المتبع عالمياً هو الدعم. مترو لندن يعتمد على تمويل TfL، والقطارات فائقة السرعة في الصين تحمل ديوناً بمئات المليارات من الدولارات، و94% من الخطوط لا تحقق أرباحاً. وعلى المسار نفسه يتقدم الذكاء الاصطناعي: قانون CHIPS، ومشروع Stargate، واستثمارات صناديق الثروة السيادية، وعقود وزارة الدفاع الأميركية. والنتيجة النهائية الافتراضية هي البنية التحتية شبه العامة التي تعتمد على الدعم.

لكن MTR وجدت طريقاً آخر.

السكك الحديدية + العقارات

عند بناء MTR عام 1979، أدرك المصممون منذ البداية أن الأسعار لن تغطي أبداً تكاليف إنشاء البنية التحتية. لذلك شيدوا الشركة على افتراض مختلف تماماً: ينبغي أن يرفع القطار قيمة الأراضي المحيطة، ومن ثم يجب امتلاك الأرض.

طوّرت MTR مساكن وفنادق مكتبية ومراكز تسوق فوق المحطات وحولها، واحتفظت لنفسها بمدخول تزايد قيمة هذه الأصول الناتجة عن بنيتها التحتية. ترد أرباح العقارات إلى تشغيل السكك الحديدية، وتموّل الخط التالي. اليوم تمتلك MTR 13 مركزاً للتسوق، وتدير 47 مشروعاً عقارياً مبنياً فوق المحطات، وتشكّل أرباح العقارات الجزء الأكبر من الأرباح الفعلية.

المنطق واضح: لا تحاول التقاط القيمة من خدمة السكك الحديدية نفسها؛ اذهب لامتلاك تلك الأصول التي ترتفع قيمتها بسبب وجود السكك الحديدية.

المعادلة مع الذكاء الاصطناعي

«متى يمكن لمختبر الذكاء الاصطناعي أن يحقق أرباحاً؟» و«متى يمكن للسكك الحديدية أن تُموّل نفسها عبر أسعار التذاكر؟» هما مشكلتان متطابقتان في البنية. الإجابة نفسها: لا يمكن، والسؤال نفسه مطروح بشكل خاطئ.

شركة ناشئة في التكنولوجيا الحيوية تستخدم نماذج رائدة لفحص مركبات دوائية واختصار سنتين من مدة التجارب السريرية. شركة لوجستية تستخدمه لتحسين المسارات وتوفير 40 مليون دولار من تكاليف الوقود. ومطوّر مستقل أنجز خلال عطلة نهاية أسبوع مشروعاً كان فريق من خمسة أشخاص يستغرق ثلاثة أشهر لإنجازه. في كل حالة من هذه الحالات، لا يحصل مزوّد النموذج إلا على نسبة ضئيلة جداً من القيمة عبر رسوم الـ API. ولا يستطيع المزود رفع الأسعار، لأن هناك أربع مختبرات أخرى وعشرات البدائل مفتوحة المصدر تقدم قدرات متقاربة. تتجه القيمة المتبقية إلى المستخدمين والاقتصاد الأوسع.

التقنيات العامة تعمل هكذا. لم تضف الآلات البخارية والكهرباء وTCP/IP أي دخل يذكر لمن اخترعوها.

عبرة MTR: لا تحاول بعد الآن أن تغطي أسعار التذاكر تكلفة إنشاء البنية التحتية؛ ابحث عن «عقاراتك» فوق المحطات.

أربعة خيارات مرشحة، مرتبة حسب الطابع الدفاعي

الترتيب الأول هو «حقوق النشر» التي تمنحها الحكومة. تُخوِّل الحكومة مختبراً واحداً بالوصول الحصري إلى السجلات الطبية الوطنية أو أنظمة الضرائب أو الإمداد الدفاعي. إن البيانات المتراكمة لدى المختبر في المجال، وعمق تكامل الأنظمة، والمؤهلات التنظيمية—كل ذلك يحتاج إلى سنوات حتى يمكن نسخه. وهذه هي آلية MTR نفسها: تمنح الدولة حقوق التطوير استناداً إلى خصائص الاحتكار الطبيعي.

الترتيب الثاني هو بيانات تعزيز التعلم (reinforcement learning) المتراكمة. تُستخدم مليارات إشارات التفاعل في تدريب الجيل التالي من النماذج. وبخلاف أوزان النموذج (التي تتراجع قيمتها مع التقطير)، فإن بيانات RL شبه مستحيل نسخها، كما أنها تتراكم بمضاعفة مركبة عبر الأجيال. لا يمكن تحويلها مباشرة إلى نقد، لكنها أرضٌ ما زالت تُطوَّر، وفي طريقها إلى ارتفاع القيمة.

الترتيب الثالث هو التكامل على طريقة النشر المسبق. بدلاً من بيع واجهة النموذج لشركة استشارية وتتركها تجني فائض الإنتاجية، من الأفضل أن تمتلك أنت—نهايةً إلى نهاية—طبقة تسليم الخدمة كاملة. مثلما يدمج Palantir المهندسين داخل المؤسسات الحكومية بدل بيع تراخيص البرامج. لا تفرض المختبرات رسوماً عبر API على مكاتب المحاماة؛ بل تصبح المختبرات نفسها خدمة البحث القانوني، تسعيرها يكون حسب نتائج التسليم لا حسب استهلاك token. وتزداد تكلفة التحويل كلما تراكمت بيانات المجال ومعرفة المؤسسة. وهذا هو مركز تسوق MTR: تحويل تدفق الركاب الذي تولده السكك الحديدية إلى أرباح، لا رفع أسعار التذاكر على الركاب.

الترتيب الرابع هو استضافة مجموعات البيانات الحكومية. تمتلك الحكومات في مختلف الدول كميات كبيرة من مجموعات البيانات غير المستغلة بشكل كافٍ (سجلات المرضى وإقرارات الضرائب). يحصل مختبر رائد يتم تعيينه كجهة استضافة على وصول حصري لهذه البيانات، ويقوم بتدريب النماذج وبناء المنتجات اعتماداً عليها. لكن هذا قد يخلق احتكاراً للبيانات بين القطاعين العام والخاص، ما يتطلب بنية حوكمة صارمة: تحديد حدود الاستخدام، وتحديد منافع تعود إلى الجمهور، وإشراف مستقل، وآليات مساءلة ملزمة فعلاً.

إعادة تعريف المشكلة

المختبرات القادرة على البقاء ليست تلك التي تجعل API مربحاً، بل تلك التي تجد مكانها «عند امتلاك عقار فوق المحطة» الآن، وتبدأ في بنائه. الـ API هو السكك الحديدية، ولن يصبح أبداً كافياً لتحقيق أرباح كبرى. المال موجود في الأصول الواقعة حول السكك الحديدية، وهي الأصول التي ترتفع قيمتها.

وتنجم عن ذلك أيضاً مشكلة على مستوى السياسات: بدل دعم تكاليف التدريب والتشغيل، ينبغي للحكومة أن تصمم آليات تنظيمية (إطار حقوق النشر، وبنية استضافة البيانات، ومعايير قياس الإنتاجية) لكي يتمكن المختبر من التقاط القيمة المتبقية التي تنتجها بنيته التحتية.

وفي النهاية، هناك مفارقة. تهيمن مناقشات سياسة الذكاء الاصطناعي على أطر تسيطر عليها الولايات المتحدة والصين: مختبرات السوق الحرة الأميركية في مواجهة «شركات أبطال» مدعومة من الدولة في الصين. وربما لا تكون أنظمة كلتيهما هي الأكثر قابلية للاحتذاء. بل قد تكون الإشارة الأنسب هي نموذج هونغ كونغ: كيان مختلط بين القطاعين العام والخاص ذو تاريخ يمتد 45 عاماً، يعمل بشكل تجاري، ويحقق تمويله الذاتي عبر التصميم المؤسسي لا عبر الأيديولوجيا.