أنا رئيس استراتيجية كلوديرا وإليك سبب أن ميزانيتك $1 مليار دولار للذكاء الاصطناعي أصبحت قديمة

الذكاء الاصطناعي يدخل مرحلة جديدة: عصره 2.0. كان الذكاء الاصطناعي 1.0 مبنيًا على البيانات غير المنظمة، حيث طبق التعلم الآلي العام على مشاكل تجارية واسعة. ويمثل ذلك الانتقال من الذكاء الاصطناعي التجريبي إلى أنظمة تشغيلية مبكرة وأنظمة تعتمد على الوكيل، مؤمنين بأن النماذج الأكبر ستنتج بشكل طبيعي نتائج أكثر قوة. وقد عزز هذا المفهوم السباق بين الشركات الكبرى لبناء نماذج حدودية ضخمة، مما أدى إلى سباق تسلح دفع إلى تحقيق إنجازات، ولكنه أيضًا أدى إلى طلبات حسابية غير مستدامة وتكاليف بنية تحتية متزايدة.

فيديو موصى به

الذكاء الاصطناعي 2.0 مختلف ويتحدى هذا الاعتقاد، حيث أثبتت النماذج الأكبر في الممارسة أنها أقل قيمة بكثير. بدلاً من نمذجة اللغة أو الاحتمالات الإحصائية، يركز الذكاء الاصطناعي 2.0 على نمذجة الديناميات الواقعية للعالم الحقيقي. يعتمد على التعلم الآلي المستنير بالفيزياء – نماذج دقيقة ومحاكاة مستندة إلى المعادلات التفاضلية، ولكنها معجلة بواسطة الذكاء الاصطناعي. هذه النماذج لا تتوهم؛ فهي تحسب وتتوقع ضمن قيود العمليات الواقعية، مما يجعلها أكثر ملاءمة لبيئات الإنتاج. كما يعزز هذا التحول أن المؤسسات لم تعد تستطيع الاعتماد فقط على اقتصاديات الشركات الكبرى. يتطلب تدريب النماذج ذات النطاق الحدودي قدرات حسابية لا يمكن إلا لعدد قليل من المزودين دعمها، مما يدفع المؤسسات إلى إعادة التفكير فيما إذا كانت “الأكبر” متاحة حتى، ناهيك عن كونها مثالية، لحالات استخدامها.

في النهاية، السمة المميزة للذكاء الاصطناعي 2.0 ليست الحجم، بل الاعتدال. نحن نتجه نحو أنظمة ذكاء اصطناعي تعرف متى تتوقف عن التفكير. هذه نماذج مصممة للدقة والكفاءة من حيث التكلفة والتفكير السليم، بدلاً من الحسابات اللامتناهية.

الانتقال من الذكاء الاصطناعي 1.0 إلى 2.0

كان الذكاء الاصطناعي 1.0 يعتمد بشكل كبير على الاستنتاج، وكان يهيمن عليه التجارب وإثبات المفاهيم، حيث كانت المؤسسات تركز على العروض التوضيحية والمعايير بدلاً من النتائج التشغيلية. السؤال الرئيسي لم يكن هل يمكن للذكاء الاصطناعي أن يتوسع بشكل اقتصادي وموثوق؛ بل هل يمكن أن يعمل على الإطلاق.

في هذه المرحلة، وقع العديد من القادة في ما أصبح يُعرف بـ “فخ الدقة”، حيث كانوا يركزون على الدقة فقط، بدلاً من الحساب أو الوعي السياقي. النماذج التي بدت قوية في بيئات محكومة فشلت في النشر الفعلي لأنها كانت إما بطيئة جدًا لمتطلبات العالم الحقيقي أو مكلفة جدًا للتوسع مع اقتصاديات الوحدة الصحية. كانت الغريزة هي البدء بأكبر نموذج ممكن، على افتراض أن التكيف سيحسن الأداء بشكل طبيعي.

يعيد الذكاء الاصطناعي 2.0 صياغة هذا التفكير. أصبح القادة الآن مسؤولين عن عائد استثمار قابل للقياس، وليس عن العروض التوضيحية أو نتائج المعايير. في 2.0، نحتاج إلى التوقف عن تدريب النماذج لتعرف كل شيء، وبدلاً من ذلك، تدريب نماذج الذكاء الاصطناعي لمحاكاة ما يهم. إنه نمط أكثر تخصصًا، حيث الهدف هو التعلم وإتقان قدرة واحدة أو عدة قدرات بدلاً من السعي للتعميم من أجل التعميم.

في الذكاء الاصطناعي 2.0، سيكون لكل صناعة – من الرعاية الصحية إلى التصنيع والخدمات المالية – القدرة على بناء نماذج أصغر، مخصصة للمجال، تحاكي فيزياءها الفريدة وقيودها وبيئاتها. يشبه ذلك الانتقال من التصنيع الجماعي للسيارات إلى التجميع المخصص: حيث سيتمكن الناس من “بناء سياراتهم الخاصة” لأن الإنتاج لن يكون محكومًا فقط باقتصاديات الحجم. على سبيل المثال، في الرعاية الصحية، يمكن لنماذج أصغر مستنيرة بالفيزياء أن تحاكي تقدم المرض أو استجابة العلاج دون الاعتماد على أنظمة عامة ضخمة. هذا يلغي مخاطر الهلوسة ويزيد من الاعتمادية في سير العمل الحرج من حيث السلامة.

علاوة على ذلك، يتغير أيضًا ديناميكيات الشركات الكبرى هنا. بدلاً من تشغيل كل شيء من خلال نماذج مركزية ضخمة، تقوم المؤسسات بتوزيع الذكاء من خلال دمج النماذج الأساسية مع نماذج لغوية صغيرة، مما يقلل الاعتماد على الشركات الكبرى ويحسن الأداء في بيئات محلية محددة.

هذا التحول ليس تقنيًا فقط، بل اقتصاديًا وعمليًا أيضًا.

السر في النجاح: معرفة متى “تتوقف عن التفكير”

في بيئات المؤسسات، “التفكير” له تكلفة حقيقية. عدد المعلمات لا يترجم غالبًا إلى نتائج أفضل لمعظم الأحمال العمل. بالنسبة للعديد من التطبيقات، نماذج من نوع GPT-5 تعتبر مبالغ فيها، مكلفة وبطيئة، مما يؤدي إلى توقف عمليات الإطلاق وتقييد حالات الاستخدام.

أساس الذكاء الاصطناعي 2.0 هو الذكاء المدرك للقيود. تتيح نماذج العالم بناء تمثيل خاص بالمهمة للواقع، مما يسمح للأنظمة بالتفكير فيما يهم بدلاً من إعادة حساب الفهم من الصفر في كل خطوة. أثار حديث مماثل في دافوس هذا العام عندما قال يان ليكون، رائد الذكاء الاصطناعي، إننا “لن نصل أبدًا إلى ذكاء بمستوى الإنسان عن طريق تدريب نماذج اللغة الكبيرة أو التدريب على النص فقط. نحن بحاجة إلى العالم الحقيقي.” موقفه هو أن توليد الكود شيء، ولكن الوصول إلى التعقيد الإدراكي، على سبيل المثال، لسيارات ذاتية القيادة من المستوى الخامس، هو شيء يتجاوز قدرات النماذج الكبيرة الحالية.

كل هذا يؤدي إلى أن نماذج من نوع GPT-5 لا يتم تدريبها على سيناريوهات العالم الحقيقي. في حين أن النماذج الصغيرة والمتخصصة والمضبوطة بكفاءة يمكن أن تحقق دقة كافية بسرعة أكبر، وتوفر زمن استجابة منخفض بشكل كبير، وتعمل بتكلفة أقل بكثير، وتتكيف بشكل متوقع مع الطلب الحقيقي. في الممارسة، لا ينبغي للذكاء الاصطناعي أن يفكر بلا نهاية، ولا يمكنه العمل بنموذج “نموذج واحد يحكم الجميع”. يجب أن يعمل ضمن مساحة قرار محددة. النمط الناشئ يتضمن هياكل توجيه المهام إلى أبسط نموذج فعال، وتصعيدها فقط عند الضرورة، وموازنة الدقة مع السرعة والتكلفة باستمرار.

بعبارة أخرى، حجم النموذج هو المقياس الأكثر خطورة على لوحة القيادة. إنه بقايا من عصر 1.0 يخلط بين القدرة والقدرة الحقيقية. ما يهم حقًا هو تكلفة حل مشكلة واحدة: مدى كفاءة النظام في تقديم نتيجة دقيقة وموثوقة ضمن قيود العمليات الواقعية.

لن تربح المؤسسات من تشغيل أكبر النماذج؛ بل ستربح من تشغيل الأكثر اقتصادية منها التي تحل المشكلات على نطاق واسع.

التحكيم في المواهب في الذكاء الاصطناعي 2.0

الموهبة عامل حاسم آخر في الذكاء الاصطناعي 2.0، والذي سيغير بشكل كبير ديناميكيات صناعة الذكاء الاصطناعي، حيث يتطلب النجاح قوة عمل يمكنها بناء نماذج لمهام متغيرة بشكل كبير. اليوم، نسبة صغيرة فقط من المواهب العالمية يمكنها تطوير نماذج أساسية، ومعظم تلك المواهب مركزة في عدد محدود من مراكز التكنولوجيا العالمية.

حاليًا، الباحثون هم النجوم ويُعوضون بشكل يتناسب مع الطلب العالي عليهم. لكن الانتقال إلى الذكاء الاصطناعي 2.0 يتطلب التحول من السحرة إلى الميكانيكيين: محترفين يمكنهم ضبط وصيانة وتحسين النماذج لحل مشاكل العالم الحقيقي المحددة. هذا التحول في المواهب سيكون أحد أكبر فرص التحكيم في المرحلة القادمة من الذكاء الاصطناعي. إذا كان الذكاء الاصطناعي سيصبح حقًا ديمقراطيًا، فلابد من وجود مواهب في كل مكان تفهم فيزياء القطاعات – سواء في الطب، التصنيع، اللوجستيات، وغيرها – ويمكنها ترجمة تلك الخبرة إلى أنظمة ذكاء اصطناعي متخصصة وقابلة للاستخدام.

كيف يؤثر ذلك على خطط الذكاء الاصطناعي لعام 2026؟ يعني أننا بحاجة للعمل بشكل أذكى، وليس أصعب. يجب أن تتغير الميزانيات والاستراتيجيات نحو الكفاءة، مع التركيز على قابلية الاستخدام، مع نماذج أصغر ومُحسنة، وهياكل هجينة ومتعددة النماذج، وأنظمة مصممة لتحمل التحديات على نطاق واسع. ستتطور مقاييس النجاح من حجم النموذج إلى تكلفة كل نتيجة، ووقت اتخاذ القرار، والأثر الحقيقي على العالم.

الذكاء الاصطناعي 2.0 لا يعني التخلي عن النماذج الكبيرة، بل استخدامُها بشكل مقصود واقتصادي. المؤسسات التي تتبنى هذه الممارسات ستتحرك بسرعة أكبر، وتنفق أقل، وتحقق أكثر من تلك التي لا تزال تطارد الحجم الأقصى.

الآراء المعبر عنها في مقالات Fortune.com هي آراء مؤلفيها فقط ولا تعكس بالضرورة آراء ومعتقدات Fortune.

انضم إلينا في قمة الابتكار في مكان العمل من Fortune في 19-20 مايو 2026 في أتلانتا. عصر جديد من الابتكار في مكان العمل هنا — والكتاب القديم يُعاد كتابته. في هذا الحدث الحصري والنشيط، سيجتمع قادة أكثر ابتكارًا لاستكشاف كيف يتقاطع الذكاء الاصطناعي والبشرية والاستراتيجية لإعادة تعريف مستقبل العمل مرة أخرى. سجل الآن.