يُظهر تقرير Vercel لشهر يونيو أن النماذج مفتوحة الأوزان تتعامل مع 29% من توكنات البوابة، ارتفاعاً من 11% في أبريل، حيث يستحوذ DeepSeek وحده على 22.6% من هذا الحجم. تشير هذه القفزة إلى تحول سريع: حيث يبتعد المطورون عن الاعتماد على نموذج واحد "أفضل" ويعاملون نماذج الذكاء الاصطناعي كبنية تحتية قابلة للتوجيه.

لماذا يعامل المطورون النماذج كبنية تحتية

النماذج مفتوحة الأوزان الرخيصة — والعديد منها من مزودين صينيين — تكلف جزءاً بسيطاً من العروض المميزة مثل Anthropic. بالنسبة للمهام الروتينية مثل استخراج الكود، أو تنظيف النصوص، أو عمليات البحث البسيطة عن البيانات، يمكن أن يكون النموذج الذي يكلف سنتات بدلاً من دولارات أكثر جاذبية، حتى لو كان أقل دقة ببضع درجات مئوية.

والنتيجة هي نمط تصميم جديد. يرسل التطبيق أولاً طلباً إلى نموذج منخفض التكلفة للقيام بالجزء "الممل" من العمل. إذا اجتازت المخرجات فحص جودة بسيط، يستمر مسار العمل؛ وإذا لم تنجح، يتم استدعاء نموذج أعلى سعراً لإجراء مراجعة ثانية أو اتخاذ قرار نهائي. يصبح منطق التوجيه (routing logic) هو الجزء الحاسم، وليس اختيار نموذج واحد.

ماذا تقول الأرقام

تُظهر بيانات Vercel، المستمدة من بوابتها التي تخدم العديد من مزودي الذكاء الاصطناعي، انتقال النماذج مفتوحة الأوزان من الهامش إلى التيار السائد. في أبريل، كانت تمثل ما يزيد قليلاً عن عُشر جميع التوكنات؛ وبحلول يونيو، اقتربت من الثلث. وقد ساهم DeepSeek، وهو نموذج صيني، بأكثر من خمس حجم التوكنات بمفرده.

لا تزال النماذج الراقية تهيمن على الإنفاق. Anthropic، على سبيل المثال، لا تزال تستحوذ على الجزء الأكبر من الإنفاق المالي لأن تسعيرها لكل توكن أعلى. الحسابات بسيطة: النماذج الرخيصة تفوز بالأعمال ذات الحجم الكبير والهامش المنخفض، بينما تحتفظ النماذج الغالية بالمهام ذات الهامش العالي والتأثير العالي.

التداعيات على وكلاء الذكاء الاصطناعي (AI agents)

يقوم وكيل الذكاء الاصطناعي عادةً بسلسلة من الخطوات: التخطيط، واسترجاع البيانات، واستدعاء الأدوات، وتحسين النتائج. عندما يمكن تخصيص كل خطوة للنموذج الأكثر فعالية من حيث التكلفة، تنخفض تكلفة التشغيل الإجمالية بشكل كبير.

  • استرجاع البيانات واستخراجها غالباً ما يتطلبان فقط فهماً لغوياً أساسياً، وهي مهمة تتفوق فيها النماذج الرخيصة.
  • الحكم النهائي — الجزء الذي يقرر ما إذا كانت الإجابة مقبولة أم لا — يظل من اختصاص النماذج المميزة التي تتمتع بموثوقية أعلى.

يسمح هذا النهج متعدد الطبقات للمطورين بأتمتة أعباء عمل أكبر دون استنزاف الميزانيات. كما أنه يفرض تحولاً من "اختر أفضل نموذج" إلى "قِس النجاح لكل خطوة ووجّه العمل بناءً على ذلك".

المخاطر والحدود

الجدوى الاقتصادية مقنعة، لكن الانتقال ليس خالياً من العقبات.

  • الامتثال: تفرض بعض الولايات القضائية قواعد صارمة لمعالجة البيانات قد تحد من استخدام النماذج المستضافة في الخارج.
  • تعقيد الاستضافة: يصعب تشغيل النماذج الراقية الكبيرة داخلياً، لذا يجب على المؤسسات الاعتماد على واجهات برمجة التطبيقات (APIs) الخارجية، مما قد يؤدي إلى زيادة زمن الاستجابة (latency) ومخاوف الارتباط بالمورد (vendor-lock).

بسبب هذه العوامل، من غير المرجح أن تحل النماذج الرخيصة محل النماذج المميزة تماماً. بدلاً من ذلك، ستصبح الخيار الافتراضي للعمل الروتيني، بينما تظل النماذج المميزة في "طبقة القرار" حيث تبرر تكلفتها العالية.

ما يجب مراقبته لاحقاً

  • أدوات التوجيه: مع تحول طبقة التوجيه إلى عنصر مركزي، يمكننا توقع موجة من أدوات تطوير البرمجيات (SDKs) والمنصات التي تؤتمت اختيار النموذج بناءً على زمن الاستجابة، والتكلفة، وعتبات الثقة.

المطورون الذين يبدأون في قياس النجاح على مستوى المهمة، وتتبع عمليات إعادة المحاولة، والفصل الواضح بين "الحجم" و"الحكم"، سيكونون في أفضل وضع للاستفادة من عقلية البنية التحتية الناشئة.

الخلاصة: تتحول بنية الذكاء الاصطناعي من مجرد اختيار نموذج واحد إلى مشكلة توجيه، حيث تتعامل النماذج مفتوحة الأوزان الرخيصة مع الجزء الأكبر من العمل، بينما تُخصص النماذج المميزة للقرارات عالية التأثير. وسيكون إتقان هذا التوجيه هو الميزة التنافسية التالية لبناة الذكاء الاصطناعي.