torygreen

.@ionet مررت نحو 416 مليار وحدة رمزية عبر OpenRouter في أكتوبر.
إن الحفاظ على وتيرة تقارب 13.4 مليار وحدة رمزية يوميًا عبر شبكة GPU موزعة هو ما يضع البنية أمام اختبار حقيقي.
فالتوجيه عبر أجهزة متنوعة، والحفاظ على زمن استجابة متوقع، وجعل الأعطال غير مرئية للمستخدم، كلها أمور تزداد أهمية بكثير عندما تصبح حركة المرور بهذا القدر من الاستمرارية.
إجمالًا، كان شهرًا قويًا جدًا لـ ionet، وأعطى لمحة جيدة عما قد تبدو عليه الشبكة على نطاق أكبر بكثير.

الرف نفسه من طراز B300: نحو $600k خارج الصين، ونحو 2.8 مليون دولار داخلها. لا عجب أن المختبرات الصينية تستأجر الموارد من الخارج.
والآن، تخبر Nvidia شركات الحوسبة السحابية بأن 51% على الأقل من السعة الجديدة يجب أن تذهب إلى عملاء من غير الصين (عبر FT). أما الصفقات القائمة فتظل سارية.
أكثر ما يقلقني مزودو السحابة الناشئة في آسيا، الذين يعتمدون في رواية الطلب لديهم بالكامل على المختبرات الصينية. ويقول أحد المشغلين في سنغافورة بالفعل إنه يصعب العثور على مشترين من غير الصين خارج الولايات المتحدة. وإذا لم يتمكنوا من ملء تلك الرفوف مجدداً، فسيكون هناك عدد كبير من وحدات معالجة الرسومات الباحثة عن مستأ

النموذج نفسه. المهام نفسها. رموز أقل بنسبة 88%.
أعاد الباحثون بناء الحلقة حول DeepSeek Harness، فانخفض عدد الرموز لكل مهمة HumanEval من 96 ألفاً إلى 11.6 ألفاً. كما حل النموذج عدداً أكبر منها، إذ ارتفعت النسبة من 71% إلى 86%.
يهدر الوكلاء كثيراً من الرموز في إعادة التفكير في أعمال حسموها بالفعل بعد كل استدعاء لأداة. أزل هذه الخطوة، وستنخفض الفاتورة نحو 8 أضعاف من دون المساس بالأوزان.
إذا كنت تتوقع الطلب على الاستدلال استناداً إلى عدد الرموز لكل مهمة اليوم، فجزء كبير من هذا الرقم لا يعكس سوى عدم كفاءة منظومة التشغيل. ويُعاد كتابة منظومات التشغيل كل شهر.

يبدو أن 6 فبراير كان آخر يوم استهلك فيه البشر رموزًا أكثر من الوكلاء على @OpenRouter.
ارتفع الاستخدام الأسبوعي من 0.5 تريليون رمز في يناير 2025 إلى 128.4 تريليون بحلول سبتمبر 2026. أي نحو 250 ضعفًا خلال 20 شهرًا.
أعتقد أن هذه الإحصائية الأولى أهم بكثير من معظم الرسوم البيانية لنمو مستخدمي الذكاء الاصطناعي.
لدى البشر سقف صارم إلى حد ما لكمية الذكاء الاصطناعي التي يمكنهم استخدامها في اليوم. أما الوكلاء فيمكنهم العمل طوال الليل، وإعادة المحاولة، واستدعاء وكلاء آخرين، ومواصلة استهلاك القدرة الحاسوبية بسرعات هائلة.
حالما تصبح الآلات العميل الرئيسي لخدمات الاستدلال، سيبدو سقف الطلب على الذكاء الاصطن

ضخت الولايات المتحدة في الذكاء الاصطناعي رأس مال خاصاً يزيد بنحو 23 ضعفاً عما ضخته الصين.
في المقابل، كانت النماذج الخمسة الأكثر استخداماً على OpenRouter صينية، وعالجت نحو 74 تريليون رمز.
وهذا تفاوت لافت للغاية.
تتصدر المختبرات الأمريكية سباق رأس المال، لكن النماذج الصينية تنتشر في الجزء من منظومة التقنية الذي يتعامل معه المطورون يومياً: الاستدلال، والوكلاء، وأدوات البرمجة، وأحمال العمل الرخيصة عبر واجهات API.
إذا استمر هذا التراكم، فلا تحتاج الصين إلى إنفاق أكثر من الولايات المتحدة لتعزيز نفوذها؛ يكفي أن تستقر نماذجها في أساس عدد كافٍ من المنتجات.

ما يقرب من 90% من رموز الوكلاء على @OpenRouter هي قراءات من الذاكرة المؤقتة.
لا تشكّل المخرجات والاستدلال سوى نحو 1%.
وتستهلك مفاتيح API المستخدمة من الوكلاء بالفعل رموزاً تزيد بنحو 7 أضعاف على تلك المستخدمة من البشر.
يبدو ذلك منطقياً حين تنظر إلى طريقة عمل الوكلاء فعلياً. فكل خطوة تعيد تمرير موجّه النظام وتعريفات الأدوات والملفات واستدعاءات الأدوات السابقة وحالة المحادثة عبر النموذج.
يصبح الوكيل الذي يعمل مدة طويلة، في الأساس، مجموعة عمل ضخمة يجب أن تظل جاهزة في الذاكرة المؤقتة.
كما يتكيف مزودو الخدمات بسرعة. ارتفع معدل الذاكرة المؤقتة الوسيط لحركة الوكلاء من 44% في يناير إلى 85% بحلول سبتمبر

استحوذ الذكاء الاصطناعي على 64% من تمويل رأس المال الجريء عالمياً في الربع الثالث.
$102B من أصل 159 مليار دولار.
وبطريقة ما، يزداد تركّز الأموال في الوقت نفسه.
جمعت 27 شركة جولات تمويل بقيمة مليار دولار فأكثر، واستحوذت على نحو ثلث إجمالي التمويل العالمي. وشكّلت الجولات التي تجاوزت 100 مليون دولار نحو 90% من تمويل المراحل المتأخرة.
بدأ الذكاء الاصطناعي في طليعة المجال يبدو أقل شبهاً بالاستثمار الجريء المعتاد في البرمجيات، وأكثر شبهاً بالصناعات الثقيلة ذات التكاليف الأولية الباهظة.
فالحوسبة ومراكز البيانات والتدريب والمواهب والتوزيع كلها تحتاج إلى تمويل قبل أن يعرف أحد فعلياً أين ستستقر هوامش ال

قد ينتهي الذكاء الاصطناعي إلى إجبار الشركات على التوقف عن الاعتماد على المعرفة المتوارثة داخل المؤسسة.
لا يستطيع الوكلاء تجاوز الأمور التي ينفذها البشر بطريقة ما: القرارات العالقة في الاجتماعات، والأولويات الموجودة في ذهن شخص ما، والاستثناءات الغريبة التي يعرفها الجميع لكن لم يدوّنها أحد.
يصطدم @AnthropicAI بهذا الأمر بالفعل. فلديهم نحو 6 ساعات عمل للوكلاء مقابل كل ساعة عمل لموظف بشري، ومع ذلك لا يزال هؤلاء الوكلاء يقضون معظم وقتهم التفاعلي في انتظار الأشخاص.
يبني الموظفون تعليمات دائمة، وأدوات مراقبة، ومراجعين من الوكلاء، بل وحتى رؤساء أركان من الوكلاء، فقط لإبقاء طبقة الآلات متزامنة مع ما تف

تنخفض تكلفة وحدة من قدرات الذكاء الاصطناعي بقيمة $1 اليوم إلى نحو 8 سنتات بعد عام إذا استمر المنحنى الحالي.
انخفاض التكلفة بنسبة 47% كل ربع سنة يعني أن القدرة الثابتة تصبح عملياً بنصف السعر كل نحو 100 يوم.
أما الأجهزة التي تقوم عليها هذه القدرات فلا تتطور بالسرعة نفسها تقريباً.
تحسن أداء رقائق الذكاء الاصطناعي لكل دولار بنحو 49% سنوياً منذ 2023، بينما تصبح قدرة النماذج المعدلة حسب الجودة أرخص بنحو 13 ضعفاً.
لذلك، يحدث معظم هذا الانكماش فوق مستوى السيليكون: معماريات أفضل، وتدريب، وتكميم، وتقديم، إلى جانب منافسة شرسة بين المختبرات.
ويُستهلك الذكاء الأرخص تقريباً فوراً.
خفضت @OpenRouter أسعار Lun

.@ionet بلغ نحو 165 مليار رمز عبر @OpenRouter خلال أول 13 يوماً من أكتوبر.
وهذا يعادل بالفعل نحو 1.8 ضعف كل ما أنجزناه في يوليو.
إذا استمر الوتيرة الحالية، فسيبلغ إجمالي حجم أكتوبر نحو 4 أضعاف إجمالي يوليو.
بصراحة، يهمني ذلك أكثر من مجرد العدد الخام لوحدات GPU.
تتواصل زيادة المخرجات المفيدة لكل وحدة GPU منشورة مع تحسن النماذج المتناثرة وزيادة إحكام مكدس التشغيل. ولذلك يمكن للشبكة أن تنمو في اتجاهين في آن واحد: دخول المزيد من الأجهزة إلى الخدمة، واستخراج المزيد من العمل من الموارد الموجودة بالفعل.
يُعد عدد الرموز التي تُخدَم لكل وحدة GPU مؤشراً ممتازاً على ما إذا كانت الشبكة نفسها تتحسن فعلاً أ

بحلول عام 2032، تتطلب حسابات التوسع الحالية للذكاء الاصطناعي نحو 183 GW من القدرة، تحقق إيرادات تبلغ نحو 6.90 دولار لكل ساعة GPU مفوترة عند معدل استخدام قدره 80%.
وهذه كمية هائلة من البنية التحتية التي يجب أن تظل مشغّلة.
تفترض الحالة الأساسية لدى Van Nieuwerburgh قاعدة رأسمالية تبلغ نحو 9.6 تريليون دولار، وعوائد غير ممولة بالديون قدرها 10%، وهوامش تدفق نقدي تشغيلي تبلغ 50%، وعمرًا لمعدات تكنولوجيا المعلومات يمتد ست سنوات.
وبموجب هذه الفرضيات، يحتاج النظام إلى إيرادات سنوية قدرها 3.725 تريليون دولار، أي نحو 9.2% من الناتج المحلي الإجمالي الأمريكي المتوقع.
وبتغيير الفرضيات، يتراوح حد الإيرادات ا

.@ionet عالج تقريباً العدد نفسه من الرموز عبر @OpenRouter خلال الأسبوع الأول من أكتوبر كما عالجه طوال يوليو.
~92 مليار رمز في يوليو
~86 ملياراً في الفترة من 1 إلى 7 أكتوبر
20.9 ملياراً في 7 أكتوبر وحده
الأجهزة نفسها.
أكثر ما يعجبني هو الطريقة التي يظهر بها الحجم.
يتدفق قدر كبير من الحجم الأخير عبر نماذج متفرقة مثل MiMo وGemma وNemotron، حيث لا يُفعَّل سوى جزء صغير من النموذج مع كل رمز. ومع تحسين تجميع الدفعات والتخزين المؤقت والتوجيه وبنية تقديم الخدمة، تواصل اقتصاديات أسطول GPU نفسه التغير من تحتك.
بالنسبة إلى @ionet، يواصل جانبا المعادلة التحسن:
ينمو الطلب على الاستدلال بسرعة، بينما يتيح كل

قد يكون Jev المثال المثالي على مدى سرعة تحوّل فكرة جيدة في مجال الذكاء الاصطناعي إلى سلعة الآن.
أُطلق في 15 سبتمبر. وخلال أسبوعين، كانت OpenAI وDatabricks وCloudflare تطلق بالفعل حلولاً مبنية على اللبنة الأساسية نفسها. حتى إن Clef-flash من Cloudflare متوافق مع Jev، ويدّعي زمناً وسيطاً أقل للاستجابة بنحو 13 ضعفاً.
لذلك، لم يكن الطلب هو المشكلة. كانت الفكرة سهلة الاستيعاب بمجرد أن رأى الجميع نجاحها.
يبدو أن الميزة الدفاعية هنا يجب أن تكون حلقة التغذية الراجعة، والبيانات المملوكة، والتوزيع.
اكتشف Jev الفئة. ووصل الجميع تقريباً فوراً.

نفس بيئة اختبار Deepseek، ونفس التعليمات المختصرة، و:
يسجل Deepseek-v4-flash درجة 0.52 في BIABench.
ويحصل Claude Opus 5 على 0.65.
لذلك، فإن إنفاق نحو 50 ضعفًا يشتري زيادة قدرها 0.13 فقط في الدرجة عبر 16 مهمة حقيقية لتحليل الصور الحيوية.
ولا يتحسن ذيل الأداء الصعب إلا بالكاد. فبعض مهام 3D والسلاسل الزمنية تبقى دون 0.19 لدى جميع الوكلاء، بينما قد يؤدي تشغيل النموذج نفسه مجددًا إلى تفاوت أكبر من تبديل النماذج بالكامل.
أرجح أن أستخدم النموذج الرخيص للمهام الروتينية واسعة النطاق، ثم أحيل الحالات غير المؤكدة إلى البشر أو الأدوات المتخصصة.
وفي العلوم، فإن إجابة بقيمة 4.53 دولار لا تزال بحاجة إلى التح

لدى Google حلقة أفضل بكثير مع Argon مقارنة ببقية مختبرات الذكاء الاصطناعي الرائدة
فهي تملك وحدات TPU الكامنة وراء Argon، ويمكنها طرح النموذج مباشرة في واجهات API التي تعالج بالفعل نحو 22 مليار رمز/دقيقة.
وهذا إعداد مثير للإعجاب حقاً.
بناء الشرائح -> تدريب النموذج -> شحنه إلى نطاق توزيع هائل -> إعادة ضخ المكاسب في التشغيل التالي.
ويعمل Argon بالفعل على تحسين البنية المحيطة به أيضاً، إذ يحرر أكثر من 300 TiB من ذاكرة مراكز البيانات عبر نقل أكثر من +800k سطر من C/C++ إلى Rust، ويدفع روتيناً للحوسبة الكمّية إلى أداء يتجاوز خط الأساس المنشور بنسبة 40%.
يمكن لكل جيل من Gemini أن يرث بشكل متزايد البني

.@AnthropicAI ملف S-1 مثير للاهتمام إلى حد ما، لأن الأعمال تتحرك بسرعة تكاد تتجاوز سرعة الإيداع نفسه.
بلغت الإيرادات في 2025 نحو 4.6 مليار دولار. وبلغت إيرادات الربع الثاني من 2026 وحده نحو 11.5 مليار دولار، وبحلول أواخر يوليو، قيل إن الإيرادات السنوية المتكررة تجاوزت 65 مليار دولار.
ثم تجد نحو 80 صفحة لعوامل المخاطر مقابل 48 صفحة عن الأعمال الفعلية، وإفصاحاً يفيد بأن نحو 6% من القدرة الحاسوبية المخصصة لأبحاث الذكاء الاصطناعي ذهبت إلى أعمال السلامة خلال أسبوع واحد جرى اختياره للعينة، واعترافاً صريحاً إلى حد ما بأن الإصدارات المستمرة والمتداخلة للنماذج مطلوبة أساساً للبقاء في طليعة المجال.
يبدو

نما اعتماد الذكاء الاصطناعي بالكاد هذا العام. ومع ذلك، ارتفع إنفاق المستهلكين من ~$12B → 40 مليار دولار.
وهذه إشارة أكثر إثارة للاهتمام بكثير من تحقيق إنجاز آخر في أعداد المستخدمين.
لم يتحرك اعتماد الذكاء الاصطناعي في الولايات المتحدة إلا من 61% → 64%. ونما عدد المستخدمين عالمياً بنحو 11%.
بدأ المستخدمون الحاليون للتو في إسناد أجزاء أكبر بكثير من حياتهم إلى الذكاء الاصطناعي.
جرّب 41% منهم وكيلاً. وسمح 32% منهم بالفعل للذكاء الاصطناعي بالتصرف دون موافقة نهائية. ويدفع 92% من مستخدمي الوكلاء مقابل الذكاء الاصطناعي.
لذلك، من المرجح ألا تحتاج المرحلة التالية من الذكاء الاصطناعي الاستهلاكي إلى اكتشا