Coinbase تتحول إلى نماذج الذكاء الاصطناعي الصينية لخفض تكاليف واجهة برمجة التطبيقات (API)

في الوقت الذي تكافح فيه مختبرات الذكاء الاصطناعي الغربية لتحقيق التوازن بين تكاليف الحوسبة الهائلة والربحية، بدأ قادة الصناعة في التطلع نحو الشرق بحثاً عن الكفاءة. وقد انضمت Coinbase رسمياً إلى مجموعة متزايدة من عمالقة التكنولوجيا الذين يتحولون نحو نماذج الذكاء الاصطناعي الصينية لتحسين نفقاتهم التشغيلية.

التحول نحو النماذج الصينية: GLM و Kimi

كشف Brian Armstrong، الرئيس التنفيذي لشركة Coinbase، مؤخراً أن الشركة قامت بدمج نماذج مطورة في الصين، مثل GLM 5.2 و Kimi 2.7، في بنيتها التحتية. وقد سمح هذا التحول الاستراتيجي لشركة Coinbase بالتعامل مع أحجام أكبر بكثير من الرموز (tokens) مع خفض إنفاقها على الذكاء الاصطناعي إلى النصف في الوقت ذاته.

هذه الخطوة ليست مقتصرة على قطاع العملات المشفرة؛ فقد انتقلت الشركة الناشئة Lindy إلى DeepSeek v4، وتقوم شركة البيانات العملاقة Snowflake حالياً باختبار نماذج صينية كبدائل فعالة من حيث التكلفة للعروض باهظة الثمن من OpenAI و Anthropic. يشير هذا التحول إلى انتقال هائل في كيفية رؤية الشركات لـ "آفاق" الذكاء الاصطناعي، حيث يتم إعطاء الأولوية لنسبة السعر مقابل الأداء على حساب شهرة العلامة التجارية.

التوجيه الذكي وهندسة السياق

ولتحقيق أقصى قدر من هذه المدخرات، طبقت Coinbase نظام توجيه آلي. فبدلاً من الاعتماد على نموذج لغوي كبير (LLM) واحد، يقوم النظام بتقييم كل طلب بناءً على ثلاثة مقاييس حاسمة: تعقيد المهمة، والتكلفة، وإمكانية التخزين المؤقت (caching).

يعتمد التنفيذ التقني لهذه الاستراتيجية بشكل كبير على "هندسة السياق" (context engineering). فمن خلال تشجيع المطورين على إبقاء السياق مختصراً وبدء جلسات جديدة للمهام الجديدة، نجحت Coinbase في زيادة معدل نجاح التخزين المؤقت (caching hit rate) من 5% فقط إلى 60%. وتسمح هذه الكفاءة للشركة بالاستفادة من النماذج الأرخص للمهام الروتينية مع حجز نماذج الاستدلال العالي للعمليات المعقدة، وهي تقنية بدأت تصبح مخططاً لتوسيع نطاق سير العمل الوكيل (agentic workflows).

"Tokenmaxxing" يلتقي مع المساءلة عن الأداء

أدى صعود نماذج "الاستدلال الوكيل" (agentic reasoning) — مثل سلسلة GPT-5.x المرتقبة — إلى طفرة في استهلاك الرموز (tokens). وبينما شهدت شركات مثل Amazon و Meta اتجاهاً نحو "tokenmaxxing"، حيث يستهلك الموظفون كميات هائلة من الرموز دون إشراف صارم، تتبع Coinbase فلسفة مختلفة.

قدم Armstrong نموذجاً من الشفافية دون قيود: حيث لا يوجد حد أقصى لاستخدام المطورين، ولكن إنفاقهم يكون شفافاً. والمبدأ التوجيهي هو "المساءلة القائمة على التأثير" — فكلما أنفق المطور أكثر على رموز الذكاء الاصطناعي، يجب أن يكون المخرج المتوقع والأثر التجاري أعلى. يوازن هذا النهج بين الحاجة إلى حوسبة مكثفة وضرورة تحقيق عائد على الاستثمار (ROI).

اختبار ضغط للأسعار لمختبرات الغرب

يضع النزوح نحو البدائل الصينية الأرخص ضغطاً هائلاً على مختبرات الذكاء الاصطناعي الغربية، لا سيما وأن شركات مثل OpenAI و Anthropic تتطلع إلى الاكتتاب العام (IPO) وتحتاج إلى إثبات نمو مستدام. وبدأت حرب الأسعار تلوح في الأفق بالفعل؛ حيث ورد أن OpenAI تواجه المنافسة من خلال تقديم نسخ أكثر كفاءة في استهلاك الرموز، مثل GPT-5.6-Sol، ونماذج أخف وزناً وأقل سعراً. بالنسبة للمزودين الغربيين، لم يعد التحدي يتعلق بالذكاء فحسب، بل بالحفاظ على نقطة سعر تمنع عملاء الشركات من الانتقال إلى منافسين عالميين أكثر اقتصادية.

النقاط الرئيسية

• تحسين التكلفة: خفضت Coinbase إنفاقها على الذكاء الاصطناعي إلى النصف من خلال دمج نماذج صينية مثل GLM 5.2 و Kimi 2.7 مع زيادة إجمالي استخدام الرموز (tokens).
• الكفاءة التقنية: سمح تنفيذ التوجيه الآلي وهندسة السياق لشركة Coinbase برفع معدلات نجاح التخزين المؤقت من 5% إلى 60%.
• ضغط السوق: يدفع التحول نحو النماذج الأرخص المختبرات الغربية إلى حرب أسعار لتبرير تقييماتها العالية وتوقعات الاكتتاب العام القادمة.