خاض ساتيا نادالا للتو نزاعاً علنياً مع المختبرات التي ساعدت شركته في بنائها. فقد أصدر الرئيس التنفيذي لشركة Microsoft تحذيراً صارماً حول كيفية قيام أكبر شركات الذكاء الاصطناعي بإعادة كتابة قواعد ملكية البيانات، ووصلت الرسالة بقوة غير عادية. في تدوينة حديثة، اتهم نادالا المختبرات الرائدة، بما في ذلك OpenAI وAnthropic، ببناء سوق مُتلاعب بها؛ فهم يحصدون البيانات العامة لتدريب نماذج ضخمة، ثم يطبقون شروط الخدمة الخاصة بهم لمنع أي شخص من التعلم من المخرجات التي تنتجها تلك النماذج. ويجادل بأن النتيجة هي انتقال أحادي الجانب للقيمة، مما يترك الشركات تدفع الفاتورة بينما تتنازل عن معرفتها الخاصة.
ازدواجية معايير التقطير
لفهم هذه الشكوى، من المفيد النظر في التقنية التي تسعى هذه المختبرات جاهدة لمنعها. التقطير (Distillation) هو طريقة تدريب شائعة حيث يتعلم نموذج أصغر ومتخصص من مخرجات نموذج أكبر بدلاً من استيعاب النصوص الخام من الإنترنت من الصفر. قد تقوم شركة ناشئة أو فريق بحثي بتغذية نموذج رائد بملايين الأوامر (prompts)، والتقاط الاستجابات، واستخدام تلك الإشارات الغنية لتدريب نموذج مدمج يعمل محلياً أو يلبي حاجة متخصصة. إنها طريقة أرخص وأقل استهلاكاً للطاقة بكثير من بناء نموذج أساسي (foundation model) من الصفر.
تحظر كل من OpenAI وAnthropic هذه الممارسة في شروط الخدمة الخاصة بهما. وعندما يكتشفون عملية تقطير ممنهجة، فإنهم يعاملونها كخرق للاتفاقية. وغالباً ما يستهدف الإنفاذ المنافسين، وخاصة شركات الذكاء الاصطناعي التي تتخذ من الصين مقراً لها، والتي تُتهم باستخدام هذه الطريقة لسد فجوة القدرات دون مضاهاة المليارات التي أُنفقت على عمليات التدريب الأصلية.
سلط نادالا الضوء على التوتر الكامن في قلب هذه السياسة. فقد قامت هذه المختبرات نفسها ببناء نماذجها الرائدة من خلال زحف الويب المفتوح، وكشط الكتب، والمنتديات، ومستودعات الأكواد، والمقالات، وكل ذلك تحت الحجة القانونية بأن التدريب على البيانات المتاحة للجمهور يشكل "استخداماً عادلاً". لقد استغلوا الموارد المشاعة، ومع ذلك، فهم ينشرون الآن أسواراً قانونية لمنع أي شخص من معاملة مخرجات نماذجهم كمواد تعليمية عامة في المقابل. يبدو أنهم يقولون: يمكنك التعلم من المعرفة المفتوحة للعالم، ولكن لا يحق لأحد التعلم منا.
هذا التفاوت يهم ما هو أبعد من النقاش الأكاديمي؛ فهو يرسخ تسلسلاً هرمياً حيث يتحكم عدد قليل من مزودي البنية التحتية في من يعرف ماذا. وإذا كان الاستخدام العادل يبرر استيعابهم للذكاء البشري المنشور، فإن مخرجات تلك النماذج تبدأ في الظهور كـ "مشاع مُخصخص". ويُمنع المنافسون والعملاء على حد سواء من إعادة تدوير تلك الإشارات في أدوات جديدة. إن المسار لا يؤدي إلا نحو المختبرات الأكبر.
الدفع مرتين مقابل ذكائك الخاص
صاغ نادالا عبارة تصف الفخ الاقتصادي الذي يرى أنه يتشكل: "مفارقة المعلومات العكسية". ومن وجهة نظره، تدفع الشركات حالياً مقابل الذكاء الاصطناعي مرتين، وتظهر واحدة فقط من هاتين الدفعتين في الفاتورة.
التكلفة الأولى واضحة؛ حيث تشتري الشركات أرصدة API، أو تشترك في Copilot، أو ترخص خدمات الدردشة الآلية. أما التكلفة الثانية فهي مخفية. ففي كل مرة يقوم فيها موظف بتصحيح حقيقة مغلوطة، أو يقيم استجابة بأنها مفيدة، أو يحسن تقريراً تم إنشاؤه، فإن هذا الإجراء ينتج ما يسميه نادالا "العوادم" (exhaust). وهي عبارة عن سلسلة من التصحيحات، وبيانات التفضيلات، وسجلات التفاعل التي يتم إنشاؤها أثناء العمل الفعلي.
هذه "العوادم" ليست مجرد حطام رقمي، بل غالباً ما تحتوي على منطق أعمال تم اكتسابه بشق الأنفس. فقد يقوم فريق لوجستي بتوجيه نموذج لتحسين مسارات الشحن باستخدام قيود داخلية قضت الشركة سنوات في تطويرها. وقد تقوم إدارة قانونية بتصحيح لغة العقود بشكل متكرر حتى تتطابق المخرجات مع أسلوب الشركة. وقد تقوم مجموعة أبحاث صيدلانية بالاستعلام عن البيانات السريرية بطرق تكشف عن الأولويات الاستراتيجية. وعندما تتدفق هذه التفاعلات عبر API تابع لجهة خارجية، يرى المزود التبادل الكامل، ويتعلم النموذج كيف تبدو الإجابات الجيدة لهذا المجال المحدد.
بمرور الوقت، تجعل هذه التغذية الراجعة النموذج العام للمزود أكثر دقة في المهام المحددة التي استأجره العميل لأدائها. يمكن للمزود بعد ذلك أن يبيع تلك القدرة المحسنة لمنافس العميل، أو يطلق منتجاً مجاوراً يحاكي سير العمل المتخصص. لقد دفع المرفق الأصلي رسوم الاشتراك، وتبرع بخبرته المملوكة، ودرب منافسه فعلياً.
لماذا ينتقل الذكاء الاصطناعي السيادي من مجرد مصطلح رائج إلى استراتيجية
The logical response to this drain is to reclaim control over the learning loop. Nadella’s argument is clearly designed to position Microsoft as a different kind of landlord. Rather than insisting customers feed their intelligence into a centralized black box, he is making the case for environments where the customer keeps the keys.
This is where the conversation around sovereign AI gains practical weight. Running models inside a private cloud, an on-premise data center, or a tightly controlled virtual network means the interaction data never leaves the organization’s perimeter. The enterprise still benefits from modern foundation models, but the weights, the prompts, and the preference data remain inside a boundary the company administers.
Microsoft has built its Azure cloud business around exactly this promise of private deployments and regional data residency. In his post, Nadella signaled that Microsoft wants to be the platform where enterprises can host their own training and inference without inadvertently shipping their intellectual property to a distant model provider. The pitch is straightforward: use powerful AI, but keep your exhaust.
Other vendors are making similar noises, but Nadella’s intervention carries extra weight because of Microsoft’s deep partnership with OpenAI. For a CEO whose