بعد ترقية ChatGPT، صار التأخر في المحادثة معه شبه معدوم. أما نماذج الصوت الفوري الأحدث، فالتأخر لديها يقارب 200-300 مللي ثانية، وفواصل ردود الفعل الطبيعية في الحوار البشري أيضًا 200-300 مللي ثانية. هذا هو نفسه تقريبًا.

لكن تكلفة “انعدام التأخر” هي النسيان. نافذة السياق في نماذج الصوت الفوري تبلغ 32k رمزًا، أي أنها تساوي 1/300 من نموذج النص الخالص. التأخر المنخفض = ذاكرة أصغر + نسيان فعّال. ومع ذلك، إذا أردنا الرد بسرعة والتذكر بكل كلمة قلتها، فهذا حالياً معضلة.
الحوسبة ما زالت غير كافية. إن إنشاء صورة SDXL باستخدام بطاقة 5090 واحدة يتطلب ثانيتين، وتستغرق FLUX 9 ثوانٍ، وتدريب شخصية LoRA يحتاج 10-30 صورة؛ حاليًا ما زال يستغرق ساعة إلى ساعتين.
سعر 5090 التي أستأجرها الآن يقترب من 5000 دولار، وبقدرة كاملة تصل إلى 575W، ولا يشمل تكلفة الكهرباء. البطاقات التي تُشترى بعقد مدته سنتان إلى ثلاث سنوات تصبح قدراتها متقادمة بعد ذلك بسرعة. مكلف حقًا.
منذ 15 عامًا كنا نتبادل رسائل نصية، ثم صارت الرسائل المصورة يمكن أن ترسل صورًا، ثم انتقلنا إلى إرسال فيديو، وصولًا إلى الآن حيث لدينا مكالمات فيديو عالية الدقة فورية تمامًا دون تأخر. رسالة واحدة فيها 140 بايت فقط. ومن 9.6kbps في 2G إلى ذروة 20Gbps في 5G، الفارق في عرض النطاق يبلغ 200 مليون ضعف.
مسار استخدام الذكاء الاصطناعي متشابه تمامًا. في البداية كانت رموزًا نصية، ثم في العام الماضي صارت صورًا، والآن أصبح لدينا صوت، والخطوة التالية على الأرجح ستكون تواصلًا فيديو دون تأخر.
في الحقيقة، الفيديو بدأ بالفعل. كان Gemini Live قادرًا في العام الماضي على فتح الكاميرا وإجراء محادثة فورية، حيث يحرق 300 رمز في الثانية، والحد الافتراضي يصل إلى دقيقتين، لكن بعد أن تنتهي المحادثة ينسى كل شيء. مكلف + الأداء ضعيف + وما زال بدائيًا في أبعاد كثيرة، ما يجعل استخدامه شبه مستحيل.
ما يزال عاملونا (Agent) يعتمدون على النص من أجل التخطيط، ويفهمون هذا العالم عبر النص؛ فكل سلسلة الاستدلال هي رموز، أما الاستدلال الكامن خارج النص (غير النصي) فهو مجرد محاولة بدأتها للتو.
فهم الذكاء الاصطناعي للوقت ما زال محصورًا في النص. حتى نموذج يستطيع الفوز بميداليات في الأولمبياد الرياضي، دقة قراءته لساعة محاكاة لا تتجاوز نحو 50%. أما الإحساس باللمس، والعاطفة، والإدراك الجسدي (具身感知)، فما زالت بعيدة جدًا جدًا عن النضج.
ثم التخزين. أنا لا أعتقد فعلًا أنه “نقص دائم في التخزين”، فلفظ “دائمًا” مبالغ فيه جدًا.
تكلفة التخزين لكل GB انخفضت بنسبة 99.99% خلال 45 سنة، ومن المنطقي أن تكون أرخص أكثر على المدى الطويل.
لكن الآن استهلكت منظمة (AI) الذاكرة حتى آخرها؛ ارتفعت أسعار DRAM بنسبة 90% خلال ربع سنة، وهي حالة ضيق مرحلية، لا تعني بالضرورة أنها ستنقص دائمًا.
فهل هذا طلب زائف؟ الطلب الزائف تكون علامته أنه يُستخدم هذا الشهر فقط، ثم يتوقف استخدامه في الشهر التالي.
الـGoogle تعالج عددًا من الرموز (token) في الشهر زاد خلال عام بمقدار 7 أضعاف، ليصل إلى 3200 تريليون. والـChatGPT يبلغ 900 مليون مستخدم نشط أسبوعيًا.
سعر الرمز (token) ينخفض عشر مرات سنويًا، لكن الجميع يناقشون كيفية استخدام الرموز بكفاءة أعلى، وليس كيف نتوقف نحن عن استخدامها.
الرموز التي يحرقها كل جلسة Agent تتراوح بين 50 و200 لكل محادثة منفردة؛ وإذا انخفض السعر فسنستخدم المزيد.
حقق الذكاء الاصطناعي التوليدي نسبة 53% من الاختراق عالميًا خلال 3 سنوات. أما الإنترنت فاحتاج 7 سنوات، وأما الحاسوب الشخصي فاحتاج 15 سنة.
لذلك فنحن بالطبع ما زلنا في مرحلة مبكرة من الذكاء الاصطناعي، والتحول غير قابل للانعكاس. مثلنا في عصر 2G: حتى نغمة الرنين كانت “浪漫手机”، ومع امتلاء صندوق الواردات لم نكن نستطيع أن نتخلى عن حذف بضع رسائل.
（الصورة هي التي أنشأتها باستخدام Fable5 🎮）