لماذا الذكاء الاصطناعي التوليدي كارثة هندسية؟ مشكلة التوسع والتكلفة مشروحة
عبارة " الذكاء الاصطناعي التوليدي كارثة هندسية " انتشرت بعد مقال في مجلة "ذا أتلانتيك" في يوليو 2026 جادل بأن الصناعة بنت تقنية تستهلك موارد هائلة لا تنخفض تكاليفها مع التوسع بنفس سلاسة تكاليف البرامج التقليدية. العنوان استفزازي عن قصد، لكنه يشير إلى سؤال خطير: هل يمكن للأنظمة التي تولد كل إجابة في الوقت الفعلي أن تصبح أرخص وأكثر موثوقية واستدامة بسرعة كافية لتبرير بنيتها التحتية الضخمة؟
النسخة الأقوى من الانتقاد ليست أن نماذج اللغة الكبيرة لا تعمل أبدًا. بل هي أن اقتصادياتها قد تكون صعبة هيكليًا: خدمة المزيد من المستخدمين تعني معالجة المزيد من الرموز، والسياقات الأطول تستهلك المزيد من الذاكرة، وتشغيل التدريب المتقدم يزداد حجمًا، والمخرجات غير المكتملة لا تزال تتطلب التحقق. في الوقت نفسه، يمكن أن يكون وصف "الكارثة" مضللاً لأن أسعار الاستدلال، وكفاءة الأجهزة، وأداء النماذج الأصغر تحسنت بشكل كبير.
المصدر: صورة بواسطة بريت سايلز / بيكسلز
النقاط الرئيسية
- الانتقاد يتعلق بشكل أساسي باقتصاديات الوحدة. النموذج التوليدي يجب أن يقوم بحساب جديد لكل طلب بدلاً من مجرد إرجاع صفحة أو ملف مخزن مسبقًا.
- هناك مشكلتا توسع مختلفتان. إحداهما تتعلق بتكلفة خدمة المزيد من المستخدمين؛ والأخرى تتعلق بالحوسبة المتزايدة المطلوبة لدفع قدرة النموذج إلى الأمام.
- السياق الطويل والاستدلال يمكن أن مضاعفة التكلفة. المزيد من الرموز المدخلة يزيد من عمل الانتباه والذاكرة، بينما يزيد الاستدلال الأطول خطوات استدلال إضافية.
- البنية التحتية المادية مهمة. الرقائق، والذاكرة ذات النطاق الترددي العالي، والشبكات، والتبريد، والكهرباء، واتصالات الشبكة هي جزء من المنتج، وليست تفاصيل خلفية غير مرئية.
- الاتجاه المعاكس حقيقي. تكلفة الوصول إلى مستوى ثابت من أداء النموذج انخفضت بشكل حاد بسبب تحسن الرقائق، والخوارزميات، والتكميم، والنماذج المتفرقة، وبرامج الخدمة.
- الحكم العملي يعتمد على القيمة لكل نتيجة. الذكاء الاصطناعي التوليدي هدّار عندما يستخدم نموذج مكلف بلا تمييز، ولكنه يمكن أن يكون عقلانيًا عندما يحل محل ما يكفي من العمالة، أو التأخير، أو الأخطاء لتبرير التكلفة الكاملة.
ماذا يعني "الذكاء الاصطناعي التوليدي كارثة هندسية" حقًا؟
في هذا النقاش، "كارثة هندسية" لا تعني أن ChatGPT، Claude، Gemini، أو النماذج المفتوحة معيبة عالميًا. بل تصف تطابقًا محتملاً بين تجربة المنتج والآلية المطلوبة لتقديمها. الواجهة تبدو خفيفة: اكتب سؤالاً واحصل على إجابة. ومع ذلك، وراء هذا التفاعل، قد يقرأ نموذج كبير آلاف الرموز المدخلة، وينقل أوزان النموذج والسياق المحفوظ عبر ذاكرة المسرّع، ويحسب الرمز التالي، ويكرر هذه العملية حتى اكتمال الاستجابة.
غالبًا ما تصبح أعمال الإنترنت التقليدية أكثر ربحية مع نموها لأن تكاليف التطوير الثابتة تتوزع على المزيد من العملاء وتصبح التكلفة الهامشية لعرض صفحة أخرى صغيرة جدًا. الذكاء الاصطناعي التوليدي له تكاليف ثابتة أيضًا، ولكنه يحتفظ أيضًا بتكلفة متغيرة كبيرة. كل محادثة إضافية تستهلك وقت المسرّع، وعرض نطاق الذاكرة، والكهرباء. يمكن أن تقلل الدُفعات، والتخزين المؤقت، والنواة المحسّنة هذه التكلفة، لكنها لا تجعل الإبداع الأصلي مجانيًا.
| ضغط التوسع | لماذا يمكن أن يصبح مكلفًا | تأهيل مهم |
|---|---|---|
| المزيد من المستخدمين | المزيد من المطالبات والرموز المولدة تتطلب المزيد من قدرة الاستدلال. | يمكن أن تقلل الدُفعات والاستخدام الأعلى التكلفة لكل رمز. |
| # خطأ: لم يتم العثور على نص المصدر للمعّرف 'text_035'. | المزيد من المعلمات النشطة بشكل عام يزيد من حركة الذاكرة والحوسبة. | نماذج مزيج الخبراء تفعل جزءًا فقط من الشبكة لكل رمز. |
| السياق الأطول | معالجة المطالبات وذاكرة التخزين المؤقت للمفاتيح والقيم تنمو مع طول المحادثة. | FlashAttention، الانتباه المتفرق، وضغط ذاكرة التخزين المؤقت تقلل العبء. |
| المزيد من الاستدلال | الخطوات المولدة الإضافية تزيد الكمون واستهلاك الرموز. | الحوسبة الإضافية يمكن أن تكون مفيدة عندما تحسن بشكل مادي دقة المهام الصعبة. |
| التدريب المتقدم | المجموعات الأكبر، الجولات الأطول، والتجارب المكثفة تتطلب رأس مال كبير. | البيانات الأفضل والتدريب الأمثل للحوسبة يمكن أن يتفوق على نمو المعلمات البسيط. |
| مخرج غير موثوق | الهلاوس والسلوك غير المتناسق يخلق تكاليف مراجعة واختبار وتصحيح. | الاسترجاع، وسير العمل المقيد، والموافقة البشرية يمكن أن تحسن الموثوقية. |
المصدر: pexels.com
الذكاء الاصطناعي التوليدي ليس مجرد مشكلة نموذج. تتطلب أنظمة الإنتاج أيضًا تخطيط القدرات، والمراقبة، والتحويل عند الفشل، والأمن، وترتيب الأولويات، والتحكم الدقيق في الكمون والاستخدام.
مشكلة التوسع الأولى: خدمة كل إجابة تتطلب حوسبة حقيقية
محرك البحث، منصة البث، أو شبكة التواصل الاجتماعي تشغل أيضًا مراكز بيانات مكلفة، لذا فإن التكلفة المتغيرة وحدها لا تجعل الذكاء الاصطناعي التوليدي فريدًا. الفرق هو كمية الحوسبة الجديدة المرتبطة بكل استجابة مخصصة. يمكن تقديم مقال مخزن مؤقتًا لملايين القراء بمعالجة إضافية محدودة. نموذج اللغة عادة ما ينشئ تسلسلاً جديدًا لكل مستخدم، رمزًا واحدًا في كل مرة.
للاستدلال الإنتاجي مرحلتان عريضتان. أثناء التعبئة المسبقة, ، يقوم النموذج بمعالجة المطالبة المدخلة وبناء ذاكرة تخزين مؤقت داخلية. أثناء فك التشفير, ، يقوم بإنشاء المخرجات بشكل تسلسلي مع استخدام متكرر لأوزان النموذج وذاكرة التخزين المؤقت للمفاتيح والقيم. هذا هو السبب في أن المطالبات الطويلة، والنماذج الكبيرة، والتزامن العالي، والإجابات الطويلة يمكن أن تزيد التكلفة. وهذا أيضًا السبب في أن وكيل الذكاء الاصطناعي الذي يقوم بعشرات الاستدعاءات للنموذج قد يكون أكثر تكلفة بكثير من طلب الدردشة الواحد المرئي للمستخدم.
وبالتالي، فإن مقياس العمل ذا الصلة ليس مجرد "السعر لكل مليون رمز". الرمز الأرخص لا يزال يمكن أن ينتج فاتورة أكبر إذا أنتجت المنتجات المزيد من الرموز، أو أرفقت المزيد من المستندات، أو شغلت سلاسل تفكير أطول، أو وضعت مساعد ذكاء اصطناعي داخل كل تطبيق. هذا التأثير الارتدادي هو أحد الأسباب التي تجعل الطلب الإجمالي على البنية التحتية يمكن أن يرتفع حتى مع انخفاض أسعار الوحدة.
مشكلة التوسع الثانية: مكاسب القدرة لها عائدات متناقصة
تُظهر قوانين التوسع العصبية أن خسارة نموذج اللغة تميل إلى التحسن بشكل يمكن التنبؤ به مع زيادة حجم النموذج، وبيانات التدريب، والحوسبة. هذا التنبؤ ساعد في إنشاء استراتيجية نماذج الحدود الحديثة: استثمار المزيد من الحوسبة وتوقع أداء أفضل. ولكن علاقة القوة القانونية تشير أيضًا إلى تناقص العائدات. الاستمرار في تقليل الخطأ المتبقي يمكن أن يتطلب موارد أكبر بشكل غير متناسب.
هذا لا يعني أن كل نموذج جديد يجب أن يحتوي فقط على المزيد من المعلمات. أظهر عمل Chinchilla من Google DeepMind أن نموذجًا بمعلمات 70 مليار مدرب بتوازن أكثر كفاءة للحوسبة بين حجم البيانات وحجم النموذج يمكن أن يتفوق على نموذج Gopher ذي 280 مليار معلمة بنفس ميزانية حساب التدريب. الدرس مهم: قد يكون نمو المعلمات بالقوة المفرطة هدّارًا، وجودة البيانات، ومدة التدريب، والبنية، واستراتيجية ما بعد التدريب مهمة.
المصدر: pexels.com
يعتمد تقدم نماذج الحدود على مجموعات كبيرة من المعجلات التي تعمل كنظام واحد. يمكن أن يصبح الاتصال، والوصول إلى الذاكرة، ومعالجة الفشل بنفس أهمية الأداء الحسابي الخام.
تمتد تكلفة التدريب أيضًا إلى ما بعد التشغيل الناجح النهائي. يقوم مطورو النماذج بإجراء تجارب، وإعداد بيانات، ودراسات إزالة، واختبارات أمان، وتشغيلات فاشلة. حتى عندما يرى الجمهور إصدار نموذج واحد، قد يستهلك برنامج البحث الأساسي حوسبة أكبر بكثير من تشغيل التدريب الرئيسي وحده.
هل نماذج اللغة الكبيرة تتوسع حقًا بشكل تربيعي؟
الانتقاد الفيروسي غالبًا ما يقول إن نماذج اللغة الكبيرة "تتوسع بشكل تربيعي". هذا البيان صحيح جزئيًا ولكنه واسع جدًا عند تطبيقه على خدمة ذكاء اصطناعي كاملة. في بنية Transformer الأصلية، يتمتع الانتباه الذاتي الكامل القياسي بتعقيد حوسبة لكل طبقة يقارب O(n² × d) ، حيث هو طول التسلسل و هو بُعد التمثيل. وبالتالي، فإن مضاعفة طول الإدخال يمكن أن تجعل جزء الانتباه من معالجة المطالبة أكثر تكلفة بكثير. O(n² × d)
ومع ذلك، فإن نموذج لغة كبير مستخدم ليس خوارزمية تربيعية غير متمايزة. يستخدم فك التشفير الاستقرائي التلقائي ذاكرة تخزين مؤقت للمفاتيح والقيم بحيث لا تحتاج الحالات السابقة إلى إعادة حسابها من الصفر لكل رمز جديد. يمكن أن يهيمن الوصول إلى أوزان النموذج، وعرض نطاق الذاكرة، وحجم الدُفعة، وسعة ذاكرة التخزين المؤقت على الأداء. تستخدم الأنظمة الحديثة أيضًا FlashAttention، والانتباه المجمع للاستعلام، والانتباه المتفرق، والتكميم، وتقنيات إدارة ذاكرة التخزين المؤقت لتقليل حركة الذاكرة وتحسين الإنتاجية.
الاستنتاج الدقيق أضيق: السياق الطويل يظل تحديًا كبيرًا للأنظمة، خاصة أثناء معالجة المطالبات وتحت تزامن عالٍ، ولكن "النموذج بأكمله يكلف دائمًا n²" ليس وصفًا كاملاً للاستدلال الإنتاجي.
المصدر: pexels.com
على نطاق واسع، يعتمد أداء الذكاء الاصطناعي على نقل البيانات بكفاءة بين المعجلات والذاكرة وروابط الشبكة. يمكن أن يؤدي اختناق في أي طبقة إلى ترك الأجهزة باهظة الثمن غير مستغلة.
لماذا الكهرباء والذاكرة ومراكز البيانات جزء من مشكلة التكلفة
هيكل تكلفة الذكاء الاصطناعي التوليدي مادي. تتطلب المعجلات المتقدمة ذاكرة نطاق ترددي عالي، وروابط سريعة، وتبريدًا كبيرًا. تتطلب مراكز البيانات اتصالات شبكة، وأنظمة احتياطية، وأرضًا، وبناء، ودورات شراء طويلة. عندما يزداد الطلب أسرع من إضافة قدرات إنتاج الرقائق أو توليد الطاقة أو نقلها، تظهر اختناقات محلية.
قدرت وكالة الطاقة الدولية أن مراكز البيانات استهلكت حوالي 415 تيراواط/ساعة من الكهرباء في عام 2024، أي حوالي 1.5٪ من الاستخدام العالمي للكهرباء. وتتوقع قاعدتها الأساسية حوالي 945 تيراواط/ساعة بحلول عام 2030. تتوقع وكالة الطاقة الدولية أيضًا أن تشكل الخوادم المعجلة، التي ترجع بشكل كبير إلى اعتماد الذكاء الاصطناعي، ما يقرب من نصف الزيادة الصافية في الطلب العالمي على الكهرباء في مراكز البيانات حتى عام 2030.
على مستوى العالم، تظل هذه الحصة أصغر من القطاعات الرئيسية مثل الصناعة أو النقل أو المباني. محليًا، مع ذلك، يمكن أن يؤدي الطلب المركز من مراكز البيانات إلى مشاكل صعبة في الشبكة والتصاريح. رفيق مفيد هو تحليل Zerlo الأوسع لـ الطلب على الطاقة للذكاء الاصطناعي، وتكاليف البنية التحتية والاستثمار.
المصدر: pexels.com
تتطلب عمليات نشر الذكاء الاصطناعي الكبيرة إشرافًا تشغيليًا مستمرًا. يجب موازنة القدرات، والطاقة، والأعطال، والكمون، والطلب على عبء العمل في الوقت الفعلي بدلاً من التعامل معها كتكلفة برمجية لمرة واحدة.
لماذا ادعاء "الكارثة الهندسية" غير مكتمل
أقوى حجة مضادة هي سرعة تحسن الكفاءة. أشار مؤشر الذكاء الاصطناعي لعام 2025 من ستانفورد إلى أن تكلفة الاستدلال لنظام يعمل بمستوى GPT-3.5 تقريبًا انخفضت بأكثر من 280 مرة بين نوفمبر 2022 وأكتوبر 2024. أشار نفس التقرير إلى انخفاضات سنوية بنحو 30٪ في تكلفة الأجهزة وتحسينات سنوية في كفاءة الطاقة بنحو 40٪.
تأتي هذه المكاسب من عدة طبقات هندسية:
- معجلات أفضل: المزيد من الحوسبة والنطاق الترددي للذاكرة لكل واط.
- التكميم: الأوزان والذاكرات المؤقتة منخفضة الدقة تقلل استخدام الذاكرة وتسرع الاستدلال.
- التقطير: النماذج الأصغر تتعلم سلوكًا مفيدًا من الأنظمة الأكبر.
- مزيج من الخبراء: جزء فقط من المعلمات يتم تنشيطه لكل رمز.
- تحسين الخدمة: الدُفعات المستمرة، التخزين المؤقت للمقدمة، وفك التشفير التنبؤي يحسنون الاستخدام.
- توجيه المهمة: يمكن للطلبات البسيطة الذهاب إلى نماذج صغيرة بينما يستخدم العمل الصعب نماذج مكلفة.
- الاسترجاع والأدوات: يمكن للنموذج استشارة مصدر معرفة مركز بدلاً من الاعتماد فقط على عدد أكبر من المعلمات.
لهذا السبب من الخطأ افتراض أن منحنى التكلفة الحالي دائم. الخطر المركزي هو أن الطلب يمكن أن ينمو أسرع من الكفاءة. إذا أصبح كل استدعاء للنموذج أرخص بعشر مرات ولكن المنتج يقوم بمائة مرة أخرى من الاستدعاءات، فإن التكلفة الإجمالية واستهلاك الطاقة لا يزالان يرتفعان.
متى يصبح الذكاء الاصطناعي التوليدي كارثة هندسية حقيقية
يصبح التصنيف عادلاً عندما تتبنى شركة الذكاء الاصطناعي التوليدي دون تصميم حول قيوده. الأنماط الشائعة للفشل تشمل:
- استخدام أكبر نموذج لكل مهمة. التصنيف، والاستخراج، والتوجيه غالبًا ما يعمل مع أنظمة أصغر بكثير.
- إرسال سياق مفرط. وضع مخازن المستندات بأكملها في المطالبات يزيد من الكمون والتكلفة مع تقليل جودة الإجابة أحيانًا.
- السماح بحلقات وكيل غير محدودة. المحاولات التلقائية واستدعاءات الأدوات يمكن أن تستهلك ميزانيات رموز كبيرة دون إنتاج نتيجة مفيدة.
- تجاهل العمل القابل للتخزين المؤقت. التعليمات المتكررة، والمستندات، والمخرجات الحتمية لا ينبغي دائمًا إعادة حسابها.
- قياس الرموز بدلاً من النتائج. أسعار واجهات برمجة التطبيقات المنخفضة لا معنى لها إذا فشل النظام كثيرًا ويجب على البشر إعادة العمل.
- تخطي هندسة الموثوقية.
- افتراض أن الذكاء الاصطناعي يحل محل سير عمل كامل. التكامل، المراجعة، معالجة الاستثناءات، والصيانة يمكن أن تتجاوز تكلفة استدعاء النموذج نفسه.
هذا يشبه السؤال الأوسع حول كيف يمكن للشركات بناء نماذج أعمال مستدامة للذكاء الاصطناعي؛ المقياس ذو الصلة ليس ما إذا كان العرض التوضيحي يبدو مثيرًا للإعجاب، بل ما إذا كان النظام الكامل ينتج قيمة أكثر مما يستهلك.
كيفية بناء الذكاء الاصطناعي التوليدي دون وراثة أسوأ مشاكل التكلفة
| ممارسة هندسية | ما يجب قياسه | لماذا هو مهم |
|---|---|---|
| تحديد ميزانية لكل مهمة ناجحة | إجمالي تكلفة النموذج، والبنية التحتية، والمراجعة | يمنع الرموز الرخيصة من إخفاء سير العمل الفاشل باهظ الثمن. |
| التوجيه حسب الصعوبة | معدل النجاح حسب فئة النموذج | يحتفظ بنماذج الحدود للطلبات التي تحتاجها حقًا. |
| التحكم في السياق | الرموز المدخلة، دقة الاسترجاع، والكمون | يقلل الانتباه غير الضروري ونمو ذاكرة التخزين المؤقت للمفاتيح والقيم. |
| تحديد خطوات الوكيل | استدعاءات الأدوات، المحاولات، ومعدل الإكمال | يوقف الحلقات الهاربة ويجعل التكاليف قابلة للتنبؤ. |
| تخزين العمل المتكرر | معدل نجاح ذاكرة التخزين المؤقت والرموز التي تم تجنبها | يحول بعض أعباء العمل التوليدية إلى أعباء عمل تقديم تقليدية. |
| التصميم للامتناع | معدل الثقة الزائفة وجودة التصعيد | يقلل التكلفة المخفية للإجابات المعقولة ولكن الخاطئة. |
| المقارنة مع خط أساس غير ذكاء اصطناعي | الوقت، والجودة، والتكلفة مقابل العملية الحالية | يوضح ما إذا كان الذكاء الاصطناعي يحل مشكلة حقيقية أم يضيف تعقيدًا. |
يمكن للنماذج الأصغر والمحلية أيضًا أن تكون مفيدة حيثما تكون أعباء العمل قابلة للتنبؤ، أو الخصوصية مهمة، أو عدم الرغبة في الاعتماد على واجهات برمجة التطبيقات. إنها لا تلغي تكلفة الأجهزة، ولكن يمكنها جعل معالجة السعة والبيانات أسهل في التحكم. دليل Zerlo لأفضل النماذج اللغوية الكبيرة المحلية للكتابة دون اتصال بالإنترنت يشرح المقايضة بين حجم النموذج، ومتطلبات الذاكرة، والقدرة العملية.أفضل نماذج LLMs المحلية للكتابة دون اتصال بالإنترنتيشرح المفاضلة بين حجم النموذج، ومتطلبات الذاكرة، والقدرة العملية.
أسئلة متكررة
لماذا يقول الناس إن الذكاء الاصطناعي التوليدي كارثة هندسية؟
أصبحت العبارة بارزة بعد مقال في مجلة "ذا أتلانتيك" في يوليو 2026 جادل بأن الذكاء الاصطناعي التوليدي يجمع بين اقتصادات توسع ضعيفة، وطلب متزايد بسرعة على البنية التحتية، وعائدات متناقصة من النماذج الأكبر. إنه تفسير نقدي، وليس إجماعًا تقنيًا راسخًا.
هل يصبح الذكاء الاصطناعي التوليدي أكثر تكلفة مع اكتسابه للمستخدمين؟
عادة ما ترتفع التكلفة الإجمالية مع الاستخدام لأن كل مطالبة ورمز مولد يتطلب حوسبة. يمكن أن تنخفض تكلفة الطلب من خلال الدُفعات، وتحسين الأجهزة، والبرامج المحسّنة، والنماذج الأصغر، لذا فإن السؤال المهم هو ما إذا كانت الكفاءة تتحسن أسرع من نمو الطلب.
هل نماذج اللغة الكبيرة حقًا O(n²)؟
يحتوي الانتباه الذاتي الكامل القياسي على تعقيد حوسبة تربيعي في طول التسلسل أثناء حساب الانتباه، وهو أمر ذو صلة بشكل خاص بمعالجة المطالبة. يستخدم الاستدلال الإنتاجي أيضًا ذاكرة تخزين مؤقت للمفاتيح والقيم والعديد من التحسينات، لذا فإن وصف خدمة نموذج اللغة الكبير بأكملها ببساطة على أنها O(n²) هو تبسيط مفرط.
لماذا تكلف نافذة السياق الطويلة للذكاء الاصطناعي أكثر؟
يجب على النموذج معالجة المزيد من الرموز المدخلة والاحتفاظ بالمزيد من حالة الانتباه المخزنة مؤقتًا. يمكن أن يزيد السياق الطويل من زمن استجابة المطالبات، واستخدام الذاكرة، وعدد الطلبات المتزامنة التي تناسب المسرّع. الانتباه المتفرق، والضغط، والإدارة الأفضل لذاكرة التخزين المؤقت يمكن أن تقلل التأثير.
هل تكاليف استدلال الذكاء الاصطناعي تنخفض أم ترتفع؟
يمكن أن يكون كلا العبارتين صحيحين. انخفضت تكلفة تحقيق قدرة ثابتة بسرعة، لكن الإنفاق الإجمالي يمكن أن يرتفع لأن الاستخدام، وطول السياق، ورموز الاستدلال، واستدعاءات الوكيل تتوسع أسرع. يجب قياس تكلفة الوحدة وتكلفة النظام الإجمالية بشكل منفصل.
هل يمكن للنماذج الأصغر للذكاء الاصطناعي حل مشكلة التوسع؟
يمكنها حل جزء منها. النماذج الصغيرة أرخص وأسرع وأسهل في النشر، والعديد من مهام العمل لا تتطلب قدرات متقدمة. قد تظل الاستدلالات الصعبة، والمعرفة الواسعة، أو العمل متعدد الوسائط المعقد تتطلب نموذجًا أكبر، وهذا هو السبب في أن التوجيه بين فئات النماذج غالبًا ما يكون أكثر كفاءة من اختيار نموذج واحد لكل شيء.
هل الذكاء الاصطناعي التوليدي غير مستدام اقتصاديًا؟
ليس بالضرورة. تعتمد الاستدامة على القيمة التي يتم إنشاؤها لكل نتيجة ناجحة، وسرعة مكاسب الكفاءة، والتسعير، والاستخدام، وتكاليف البنية التحتية. يمكن أن يكون سير العمل المحدد بعناية مربحًا، في حين أن وكيلًا غير محدود أو ميزة ذكاء اصطناعي بلا تمييز يمكن أن تدمر اقتصادياته الخاصة.
الخلاصة
يصف وصف الذكاء الاصطناعي التوليدي بأنه كارثة هندسية تحذيرًا حقيقيًا: يمكن للتكنولوجيا أن تخفي تكاليف حوسبة وذاكرة وطاقة وتحقق هائلة خلف واجهة بسيطة. خدمة المزيد من المستخدمين ليست مجانية، والسياق الطويل مكلف، والتقدم المتطور يمكن أن يتطلب موارد متزايدة بسرعة لتحقيق مكاسب أصغر.
لكن العنوان ليس القصة بأكملها. انخفضت تكاليف الاستدلال بالقدرة الثابتة بشكل كبير، وتصبح الهياكل أكثر تفرقًا، والنماذج الأصغر تتحسن، وبرامج الإنتاج تتعلم استخدام الحوسبة المكلفة بشكل أكثر انتقائية. يصبح الذكاء الاصطناعي التوليدي كارثة عندما تتعامل المنظمات معه على أنه سحر لا نهائي. يصبح نظامًا هندسيًا عندما تقوم بوضع ميزانية لكل نتيجة، وتوجيه أعباء العمل بذكاء، وتقييد السياقات والوكلاء، ومقارنة النتيجة بصدق مع بديل أرخص غير ذكاء اصطناعي.