استخدام الذكاء الاصطناعي أصبح أرخص بألف مرة. تطويره يزداد تكلفة كل عام

في نوفمبر ٢٠٢١، كان الحصول على مليون رمز نصي من GPT-٣ عبر الواجهة البرمجية يكلف ٦٠ دولارًا. بعد ثلاث سنوات، أصبح نموذج بجودة مماثلة ينتج نفس المليون مقابل $٠٫٠٦^١: انخفاض بألف ضعف، بمعدل يقارب عشرة أضعاف سنويًا، وهو أسرع من وتيرة انخفاض تكلفة الحوسبة في عصر الحواسيب الشخصية أو تكلفة النطاق الترددي خلال طفرة الدوت كوم^١. مؤشر الذكاء الاصطناعي في ستانفورد رصد نسخة من نفس الانخفاض لجودة GPT-٣٫٥ بمعدل ٢٨٠ ضعفًا تقريبًا خلال ثمانية عشر شهرًا^٢. أما Epoch AI، التي تتبع الأسعار عبر معايير مختلفة، فوجدت أن متوسط الانخفاض تسارع ليصل إلى نحو ٢٠٠ ضعف سنويًا منذ يناير ٢٠٢٤^٣.

ملاحظة منهجية تستحق التقديم. هذه الانخفاضات في الأسعار محسوبة عند قدرة متكافئة، أي نماذج تُقارن عبر الزمن عند مستوى مرجعي واحد، لا عند سعر نموذج الحدود في كل لحظة، وهي تخلط رموز الإدخال بالإخراج، والجودة بالسرعة، والأسعار المعلنة بالمتفاوض عليها. الاتجاه ورتبة الحجم يصمدان أمام كل تعديل معقول؛ أما المضاعف الدقيق فيتوقف على مستوى الجودة ومزيج الرموز الذي تثبته.

في الوقت نفسه، ارتفعت الكلفة الأخرى في القطاع. التكلفة الموزعة لتدريب نموذج متقدم نهائيًا زادت، وفق الاتجاه الذي تقدّره Epoch لعمليات التدريب المتقدمة، بنحو ٢٫٤ ضعف سنويًا منذ ٢٠١٦^٤. تشغيل GPT-٤ كلف عشرات الملايين من الدولارات: نحو ٤٠ مليون دولار وفق حسابات Epoch المعتمدة على توزيع تكلفة العتاد، ٧٨ مليون دولار بأسعار السحابة، وأكثر من ١٠٠ مليون دولار بحسب الشركة المنتجة^٤. ووفق الاتجاه الحالي، تتجاوز أكبر عمليات التدريب حاجز المليار دولار بحلول ٢٠٢٧^٤. استخدام الذكاء الاصطناعي ينخفض سعره؛ تطوير حدوده يزداد تكلفة.

لماذا انهارت تكلفة الاستنتاج

لم يكن هناك حل واحد؛ بل خمسة عوامل تراكمت^١. أجيال وحدات معالجة الرسوميات واصلت التطور. تقنيات التكميم خفضت العمليات الحسابية من ١٦ بت إلى ٤ بت، أي بمقدار أربعة أضعاف وحدها. برمجيات الاستنتاج تعلمت تجميع الطلبات والتخزين المؤقت والبث لتجاوز اختناقات الذاكرة. تقنيات ما بعد التدريب علمت النماذج الصغيرة ما كان يعرفه فقط الأكبر حجمًا، فأصبح بضع مليارات من المعاملات تتفوق على النموذج الأصلي ذي ١٧٥ مليار معلمة. وإصدارات الأوزان المفتوحة من Meta وMistral والمختبرات الصينية حولت تقديم النماذج إلى سوق سلعية يتنافس فيها مزودون عديدون للوصول إلى تكلفة الكهرباء الهامشية.

الآلية الأخيرة هي الأكثر تأثيرًا في تحديد الأسعار النهائية. النموذج المملوك يُسعّر نفسه مقابل أقرب منافس، أما النموذج ذو الأوزان المفتوحة فيسعّر مقابل فاتورة السحابة لأي طرف. كلما تم تكرار قدرة متقدمة في أوزان مفتوحة، عادة خلال عام أو عامين، ينخفض سعر تلك القدرة إلى هامش الخدمة السلعية، ويضطر المختبر المتقدم إما للانتقال إلى مستوى أعلى أو قبول تآكل هامشه. الانخفاض بـ٢٨٠ ضعفًا ليس كرمًا؛ بل هو نتيجة المنافسة عندما تتسرب الوصفة.

يناير ٢٠٢٥ قدم المثال الكلاسيكي. DeepSeek، وهو مختبر صيني، أصدر أوزانًا مفتوحة قريبة من حدود التقنية مع ورقة بحثية تصف ميزانية تدريب أقل بكثير مما كان السوق يتوقع لمثل هذه القدرات، فانخفضت أسعار الخدمة عبر القطاع خلال أسابيع. بغض النظر عن تفاصيل الحسابات، بقي الدرس: فترة التأخر في التكرار تقلصت مجددًا، ومن اتجاه كان من المفترض أن تغلقه ضوابط التصدير. انخفاض الأسعار في هذا القطاع ليس قصة كفاءة فقط؛ بل هو قصة انتشار أيضًا.

لماذا تتضاعف تكلفة الحدود

تكاليف التدريب ترتفع لأن القدرات لا تزال تتناسب مع الحوسبة، والحوسبة عند الحدود تُشترى بوحدات مراكز بيانات ضخمة وأسطول من وحدات معالجة الرسوميات بعشرات الآلاف. تحليل Epoch يعزو نمو التكلفة السنوي بمعدل ٢٫٤ ضعفًا في الغالب إلى كمية العتاد: مجموعات أكبر تعمل لفترات أطول على شرائح أغلى^٤. التحول إلى نماذج التفكير أضاف بعدًا جديدًا في ٢٠٢٤-٢٠٢٥: نماذج تفكر أكثر في كل استعلام، ويشترى جزء من التحسن في وقت الاستنتاج، ولهذا أطلقت OpenAI نموذج o١ بنفس تكلفة ٦٠ دولارًا لكل مليون رمز إنتاج كما كان الحال مع GPT-٣ عند ظهوره^١. سعر الحدود يظهر في قمة كل دورة حتى مع انهيار القاع.

تشغيل بمليار دولار له نتيجة يتحدث عنها القطاع بهدوء: بهذا السعر، ينحصر عدد المؤسسات القادرة على تمويل محاولة عند الحدود في عدد قليل من الشركات المدعومة بأكبر ميزانيات في تاريخ الشركات، بالإضافة إلى الدول التي تعتبر هذه القدرات سيادية. نمو تكلفة التدريب هو آلية تركيز، نفس الآلية العاملة في تصنيع الرقائق، حيث كل جيل من الفواتير الرأسمالية يقلص عدد القادرين على دفع ثمن الجيل التالي.

العيش في الفجوة

كل نموذج عمل في الذكاء الاصطناعي هو تموضع على هذين المنحنيين. شركات التطبيقات تستفيد من المنحنى الهابط: ميزة كانت غير اقتصادية عند ٢٠ دولارًا لكل مليون رمز أصبحت هامش خطأ عند عشرين سنتًا، ولهذا تنتقل القدرات من العرض التجريبي إلى الوضع الافتراضي خلال أشهر. أما نموذج عمل المختبرات فعليه تجاوز المنحنى الصاعد: إيرادات الحدود يجب أن تغطي تكلفة التدريب المتقدم بالإضافة إلى انخفاض قيمة منتج العام الماضي إلى سلعة هذا العام. أخطر جملة في اجتماع مالي لمختبر ذكاء اصطناعي ليست عن المنافسين؛ بل أن المنتج الجاري استهلاكه يفقد قيمته بمعدل عشرة أضعاف سنويًا.

الفجوة تفسر أيضًا الصفقات الهيكلية في القطاع. صانعو النماذج يبيعون التزامات حوسبة للسحابات ويأخذون حصصًا منها لأن فاتورة التدريب تحتاج شريكًا بميزانية ضخمة؛ والسحابات تلتزم لأن الاستنتاج بأسعار سلعية لا يزال يبيع الكهرباء والرفوف بكميات كبيرة. في المقابل، المشترون لقدرات الذكاء الاصطناعي يحصلون على صفقة جيدة تتحسن باستمرار، مع ملاحظة واحدة: الشريحة الرخيصة دائمًا متأخرة بجيل قدرة عن الشريحة الغالية، وقيمة تلك الفجوة، أي أشهر من السبق في القدرات، مسعرة بمئات أضعاف السعر السلعي، وهي المنتج الفعلي الذي تبيعه مختبرات الحدود.

شرط جيفونز

كل تقنية تصبح أرخص جذريًا تواجه نفس الملاحظة منذ القرن التاسع عشر: الكفاءة تزيد الاستهلاك. المحركات التي وفرت في الفحم استهلكت المزيد منه إجمالًا؛ انخفاض تكلفة الإضاءة جعل الليل مضاءً؛ والرموز التي أصبحت تكلف عُشر ألف من سعرها في ٢٠٢١ تُستهلك بأضعاف ذلك، في وكلاء يقرؤون قواعد شيفرة برمجية كاملة، وخطوط إنتاج تصيغ النصوص مرارًا، ومنتجات تستدعي نموذجًا بدلًا من قاعدة بيانات. الانخفاض لا يقلص حجم إيرادات القطاع؛ بل هو ما يسمح بتوسعها إلى مهام لم تكن تستحق ٦٠ دولارًا لكل مليون رمز وأصبحت بوضوح تستحق ستة سنتات. انخفاض السعر هو نموذج العمل.

بالنسبة للمشترين، القواعد العملية واضحة. لا توقع التزامات طويلة الأجل بسعر الرمز الحالي لحجوم الغد. ابنِ أنظمتك بحيث يمكن تبديل النموذج المستخدم، لأن أرخص نموذج كافٍ يتغير كل ربع سنة. واعتبر الشريحة المميزة خيارًا على السبق في القدرات وليس اشتراكًا في الذكاء، وجددها فقط ما دام السبق يخدم مهمتك. إدارات المشتريات التي تعلمت منحنيات اهتلاك العتاد عبر عقود تعيد تعلمها الآن بسرعة البرمجيات.

ما لا يخفضه الانخفاض

انخفاض سعر الرمز يخفي انتقال الفاتورة، لا اختفاءها. إجمالي الإنفاق على الاستنتاج يرتفع حتى مع انهيار التكلفة لكل وحدة، لأن الاستخدام ينمو أسرع من انخفاض الأسعار؛ وتوسعة مراكز البيانات تمول على هذا الحساب بالضبط. كما أن عبء الأعمال المنطقية يعيد تعقيد اقتصاديات الوحدة: استعلام يستهلك عشرة آلاف رمز تفكير بسعر منخفض قد يكلف أكثر من استعلام استهلك مئة رمز بسعر مرتفع. الرموز الرخيصة لا تضمن إجابات رخيصة؛ بل تضمن أن الإجابات الغالية تشتري تفكيرًا أكثر.

ولا يصل الانخفاض إلى كل مهمة بنفس الدرجة. بيانات Epoch تظهر أسرع الانخفاضات حيث المعايير مشبعة وبدائل الأوزان المفتوحة متوفرة، وانخفاضًا أبطأ بكثير عند حافة القدرات^٣. الأسعار خريطة للمنافسة، والمنافسة خريطة لفترة التكرار. حيث تكون الفترة قصيرة، تقترب الرموز من المجانية؛ وحيث يحتكر مختبر واحد القدرة، يبقى له التسعير، ما دام الحاجز قائمًا، وهو ما تشير إليه التجربة الأخيرة أنه أشهر لا سنوات.

النتيجة الكلية جديرة بالتوضيح: المنحنيان يمولان بعضهما البعض. مئات المليارات من الإنفاق الرأسمالي على مراكز البيانات هي رهان على أن الطلب الإجمالي على الاستنتاج، الذي يركب المنحنى الهابط، سينمو ليملأ القدرة التي تبنى من أجل المنحنى الصاعد. إذا استمر انخفاض أسعار الرموز في توسيع الاستخدام أسرع من تآكل الإيراد لكل رمز، ينجح الرهان ويشبه التوسع السكك الحديدية التي نجحت. إذا تشبع الاستخدام بينما تتضاعف فاتورة التدريب، يكون القطاع قد بنى النوع الآخر من السكك الحديدية. الفارق بين هذين المصيرين هو أكبر عامل عدم يقين في أسواق التقنية اليوم، وهو ما تحدده المنحنيان في هذا المقال.

ما الذي نتابعه

ثلاثة أرقام تحمل القصة إلى الأمام. سعر السوق لمضاهاة كل نموذج حدود جديد، والفترة الزمنية قبله، لأن هذا الزوج يحدد هيكل هامش كل منتج ذكاء اصطناعي. تكلفة أكبر عملية تدريب معلنة مقارنة بمنحنى المليار دولار لدى Epoch^٤، لأن أول تشغيل معلن بمليار دولار سيحدد النقطة التي يصبح فيها هيكل رأس مال الذكاء الاصطناعي المتقدم شبيهًا بقطاع الطيران. ونسبة إيرادات الاستنتاج في القطاع إلى الإنفاق الرأسمالي على التدريب، لأن هذا هو الرقم الذي يحدد ما إذا كان المنحنيان سيلتقيان في قطاع يواصل النمو، أم أن الفجوة تمول إلى أجل غير مسمى على افتراض أنهما سيلتقيان حتمًا. كلا المنحنيين استمر لسنوات. لا أحدهما قانون طبيعي.