-->

حين نتحدث عن سوق الذكاء الاصطناعي، عادة ما نصطف النماذج في قائمة. توجد النماذج الطليعية، ثم النماذج الصينية بنصف السعر، ثم نماذج فائقة الرخص لا يُصدَّق سعرها، ثم نماذج داخلية تبنيها شركات الخدمات، ونماذج تعمل على الجهاز نفسه. هذه الخريطة دقيقة. إنها تُظهر بوضوح أي النماذج موجودة.

لكن هذه الخريطة لا تجيب عن سؤال واحد: من يفوز، ومن يستحوذ على الهامش. جواب هذا السؤال ليس فوق النموذج، بل أسفله. على أي رقاقة يعمل، وكيف يُقدَّم، وبماذا يُقيَّم ويُراقَب، وبأي ترخيص صدر، وما هي الأداة المنتجة التي تلفّه. هذه الطبقات الخمس هي ساحة المعركة الحقيقية. يرسم هذا المقال خريطة للطبقات الخمس التي تتجاهلها خريطة سرد النماذج، بالاستناد إلى بيانات حقيقية من منتصف 2026، ويشير إلى أن ثلاثاً من هذه الطبقات الخمس تقف بالضبط حيث تقف منصتنا.

الطبقات الخمس أسفل النموذج والمواضع الثلاثة التي تقف فيها ThakiCloud

خريطة النماذج تُظهر فقط ما هو موجود. من بين الطبقات الخمس أسفلها، رقائق الاستدلال واقتصاديات التقديم والتقييم والمراقبة هي الطبقات التي تحدد الهامش والمعركة، وهي بالضبط حيث تقف ThakiCloud. أما الترخيص والأداة فيحددان من سيبني خندقاً دفاعياً فوقهما.

الطبقة الأولى: رقائق الاستدلال أصبحت ساحة معركة مستقلة

بمعزل عن جودة النموذج، أصبح “كم رمزاً سريعاً بكم تكلفة رخيصة” محوراً تنافسياً بحد ذاته. تقول Cerebras إنها تشغّل نموذج Kimi K2.6 بحجم تريليون معامل بمعدل 981 رمزاً في الثانية، وشركة Devin التابعة لـ Cognition عميل فعلي لديها. عند 981 رمزاً في الثانية، ينخفض زمن انتظار مهمة وكيل تستدعي نموذج لغوي 200 مرة من خمس ساعات ونصف إلى عشر دقائق. نموذج البرمجة الخاص بـ Windsurf يعمل أيضاً على Cerebras. أما Groq فتدفع النماذج الصغيرة بمئات الرموز في الثانية عبر معالج LPU، وتقدّم Llama 3.1 8B بسعر شبه أدنى يبلغ 0.05 دولار لكل مليون رمز. وجمعت SambaNova مليار دولار بتقييم 11 مليار دولار في 8 يوليو، وضمّت JPMorgan وأرامكو وSoftBank كعملاء.

المحور الجيوسياسي المهم هنا هو هواوي. صُمم DeepSeek V4 منذ البداية للتدريب والتقديم على سلسلة Huawei Ascend 950. هذا ليس نقلاً، بل تصميماً مشتركاً. يعني هذا أن مساراً قد انفتح لتشغيل نماذج بمستوى الطليعة دون Nvidia، وهو ما يفتح مجالاً لخفض التكلفة بمعزل عن ضوابط التصدير أو إمدادات وحدات معالجة الرسوميات. مع ذلك، فإن الأرقام المتداولة هنا، “خفض السعر 75 بالمئة، أي واحد من خمسين من تكلفة Anthropic”، هي ادعاءات من المورّد نقلتها وسائل إعلام صينية ولم يتحقق منها طرف ثالث، لذا من الأسلم قراءتها كاتجاه لا كحقيقة مؤكدة.

جوهر الأمر هو هذا: تختار Cognition وJPMorgan وSoftBank الرقائق بمعزل عن أي نموذج يعمل عليها. من يملك رموزاً رخيصة وسريعة يستحوذ على الهامش أياً كان النموذج الفائز. هذه الطبقة غائبة تماماً عن أي لوحة تصنيف للنماذج.

الطبقة الثانية: اقتصاديات التقديم، حيث يعيش الهامش فعلياً

كيفية تقديم النموذج هي ما يحدد اقتصادياته الوحدوية. اعتباراً من منتصف 2026، في مكدس التقديم المفتوح، يُعد vLLM الخيار الافتراضي الأوسع دعماً للأجهزة، ولدى SGLang قياسات تُظهر تفوّقه على vLLM بنحو 29 بالمئة في أحمال عمل الوكلاء والمحادثات متعددة الأدوار وRAG بفضل تقنية RadixAttention للتخزين المؤقت للبادئات، بينما TensorRT-LLM هو الأسرع بعد التصريف لكنه حصري لـ Nvidia وتكلفة إعداده مرتفعة.

توجد الآن تقنيات أصبحت معياراً. فصل مرحلتي التعبئة المسبقة وفك الترميز (PD disaggregation) دخل إلى vLLM وNvidia Dynamo عبر NIXL، وLMCache يلغي إعادة الحساب بين العُقد عبر مخزن KV خارجي، وأصبح التجميع المستمر افتراضاً أساسياً في جميع المحركات، كما يتطور فك الترميز التخميني بسرعة. ولإعطاء إحساس بالحجم، فإن الإعداد غير المتجانس الذي يمزج التعبئة المسبقة على H100 مع فك الترميز على H200 يكلّف نحو 44 بالمئة أكثر في الساعة مقارنة بالتموضع المشترك، لكنه يضاعف الإنتاجية تقريباً، ما يخفض تكلفة كل رمز بشكل ملموس. يقلّص LMCache زمن الوصول إلى أول رمز بمقدار 1.5 إلى 1.8 مرة. لا يوجد رقم نهائي واحد مؤكد، لكن قاعدة عامة جيدة هي أن مكدس تقديم مُحسَّن يقدّم تحسناً بنحو 1.5 إلى 2 مرة أو أكثر في التكلفة والإنتاجية مقارنة بالتقديم الساذج.

هذه الطبقة لا تظهر أبداً في لوحة تصنيف الذكاء القياسية. لكن الاقتصاديات الوحدوية الفعلية لمنتج الذكاء الاصطناعي تُحسم هنا بالضبط، لا في جودة النموذج.

الطبقة الثالثة: التقييم والمراقبة، الأرضية التي تجعل التنسيق ممكناً

الحديث عن توجيه نماذج متعددة حسب المهمة يتكرر باستمرار. لكن لتشغيل ذلك فعلياً، لا بد من طبقة تقييم ومراقبة. القرار بإرسال طلب إلى DeepSeek ثم التحويل إلى GLM ثم التوجيه إلى Kimi، ومعرفة على أي أساس يُتخذ القرار وكيف تُكتشف الانتكاسات، هذا هو عمل هذه الطبقة. بدون هذه الطبقة، لا يوجد التنسيق إلا في الكلام.

نضج السوق إلى LangSmith وArize وBraintrust بتقييم 800 مليون دولار، دون وجود فائز وحيد. وعلى صعيد التوحيد القياسي، تخرّجت OpenTelemetry من CNCF في مايو وأصبحت الأساس الافتراضي للمراقبة العامة، وتُعرّف اتفاقيات GenAI الدلالية الخاصة بها امتدادات (spans) للوكلاء والأدوات والنماذج. مع ذلك، فإن المواصفة الخاصة بـ GenAI ما زالت قيد التطوير ولم تُعتمد رسمياً بعد، لذا لن نبالغ في القول إن المعيار قد استقر تماماً. الاتجاه واضح، لكنه ما يزال قيد التقدم. النقطة الجوهرية هي أن طبقة التقييم والمراقبة هذه تترسخ كسوق مستقلة بمعزل عن أي نموذج يفوز.

الطبقة الرابعة: الترخيص يحدد من سيبني الخندق الدفاعي فوقه

خلف كلمة واحدة هي “الأوزان المفتوحة” تختبئ حقوق مختلفة تماماً. وهذا الفارق هو ما يحدد من يمكنه بناء عمل تجاري فوق ذلك النموذج.

النموذج الترخيص القيد الفعلي
DeepSeek V4 MIT لا يوجد، إباحة كاملة
GLM-5.2 MIT لا يوجد، إباحة كاملة
Kimi K2.6 Modified MIT التزام رصيد واجهة المستخدم فقط فوق 100 مليون مستخدم نشط شهرياً أو إيراد شهري 20 مليون دولار
Qwen (الفئة المتوسطة) Apache 2.0 مباح، لكن النماذج الرئيسية تحوّلت إلى API مغلق فقط
Meta Llama Community License سقف 700 مليون مستخدم نشط شهرياً، حظر تدريب نماذج منافسة، قيود على الوسائط المتعددة في الاتحاد الأوروبي

النماذج التي صدرت بترخيص MIT الخالص، مثل DeepSeek وGLM، تُحوّل طبقة الأساس فعلياً إلى سلعة عامة، وتمنح زمام المبادرة لمن يقوم بالضبط الدقيق أو التغليف فوقها. في المقابل، يبدو ترخيص Llama المجتمعي منفتحاً لكنه أقرب إلى أداة تحكم، إذ يحمل سقف 700 مليون مستخدم نشط شهرياً وبنداً يحظر تدريب نماذج منافسة. والترخيص أيضاً ليس ثابتاً. في 2026، تراجعت MiniMax عن ترخيص MIT المفتوح بالكامل إلى ترخيص Modified-MIT يشترط موافقة كتابية للنشر التجاري، وهي حادثة أظهرت أن شروط الانفتاح يمكن سحبها في أي وقت. أي شركة تخطط لبناء نموذجها الخاص يجب أن تقرأ بنود هذا الترخيص قبل أن تقرأ معايير الأداء.

الطبقة الخامسة: الخندق الدفاعي ليس في الأوزان، بل في الأداة

كلما تقاربت النماذج الطليعية في الأداء الخام، انتقل الخندق الدفاعي المستدام من أوزان النموذج إلى الأداة المنتجة التي تلفّه. أن التكامل مع بيئة التطوير، وتنسيق الأدوات، وحلقات المهام، وتدفقات المراجعة وطلبات السحب أصبحت المتغير الأكبر الوحيد في جودة الوكيل هو القاسم المشترك في خطاب 2026. تدرّب نموذج Cursor على تريليونات الرموز من تفاعلات المستخدمين الفعلية فوق قواعد شيفرة حقيقية، وهذه البيانات ببساطة غير موجودة لدى مختبر نموذج مستقل لا يملك أداة. تقول Cognition إن معدل دمج طلبات السحب لدى Devin ارتفع من 34 بالمئة إلى 67 بالمئة خلال عام، وهذا رقم ينبغي أخذه مع تحفظ أنه ذاتي التبليغ وغير مُتحقق منه من طرف مستقل.

الآلية هي كالتالي: سجلات التفاعل الحصرية، مثل سجل قبول ورفض التعديلات، وحالة إنجاز المهام، وتصحيحات البشر، تصبح إشارة المكافأة للتعلم المعزز المستمر. مالك الأداة وحده يرى مسارات التفاعل الكاملة المُوسومة بالنتائج. أما المختبر الذي لا يملك أداة فيضطر إلى الاعتماد على بيانات اصطناعية أو مرخّصة، وهي إشارة أضعف بنيوياً. لذا ينبغي رسم خريطة المنافسة الحقيقية ليس حول درجات المعايير القياسية لهذا الربع، بل حول من يملك بيانات تفاعل المستخدمين والأداة. مع ذلك، لم يكشف أي مختبر بالضبط كيف تتراكم هذه الحلقة الذاتية، لذا فبينما يبدو الاتجاه مقنعاً، ينبغي التوضيح أن الآلية التفصيلية هي استدلال المحللين.

وجهة نظر ThakiCloud

ثلاث من هذه الطبقات الخمس تقف بالضبط حيث تقف منصتنا: استخدام رقائق الاستدلال في الطبقة الأولى، واقتصاديات التقديم في الطبقة الثانية، والتقييم والمراقبة في الطبقة الثالثة. تجدول ThakiCloud وحدات معالجة الرسوميات فوق Kubernetes وتشغّل الاستدلال الدُفعي، وتتعامل مع تقنيات تقديم مثل فصل PD وتفريغ ذاكرة KV المؤقتة. أما على جانب التدريب، فنقدّم عائلة التعلم المعزز الكاملة: SFT وCPT وDPO وGRPO وGKD. ما تصفه أطروحة خندق الأداة في الطبقة الخامسة، أي تشغيل التعلم المعزز داخلياً باستخدام بيانات الشركة نفسها كإشارة مكافأة والتقديم فوق بنية تحتية مملوكة، هو بالضبط المسار الذي ستسلكه شركات العملاء الراغبة في استيعاب الذكاء الاصطناعي داخلياً. والبنية التحتية للتقديم والتدريب التي تجعل ذلك المسار يعمل فعلياً هي ما نقدّمه.

ولنضع أيضاً أقوى حجة مضادة. الادعاء بأن طبقات المكدس هذه هي ساحة المعركة الحقيقية له حدود. إذا اتسعت فجوة جودة النموذج بما يكفي، فقد يصبح تحسين التقديم أو اختيار الرقائق مسألة ثانوية. أطروحة خندق الأداة وآلية الحلقة الذاتية للبيانات هي في معظمها سرد تحليلي وليست منهجية تحقّق منها مختبر ما ونشرها، بل حتى الأرقام الأساسية مثل معدل دمج طلبات Devin ذاتية التبليغ. وإذا جعلت حرب الأسعار في الفئة فائقة الرخص واجهات البرمجة رخيصة بما يكفي، فقد يضعف الحافز نفسه لتحمّل عبء التقديم والتدريب الخاص. في النهاية، يختلف الحكم من مؤسسة لأخرى. ما نبيعه ليس فرض إجابة، بل الهيكل الذي يجعل الأمر ممكناً حين تقرر الشركة السيطرة على هذه الطبقات بنفسها.

الخريطة التي تسرد النماذج ستظل ضرورية دائماً. لكن هذه الخريطة وحدها لا يمكنها أن تخبرك من يفوز. المعركة تُحسم في الطبقات الخمس أسفل النموذج، ونحن نسعى إلى إعادة رسم تغيرات تلك الطبقات السفلى كل أسبوع.

المراجع

تم التحقق من تقنيات كل طبقة وبنود الترخيص من المصادر الأولية أدناه. استُثنيت من التحقق الأرقام ذاتية التبليغ من الموردين، وجولات التمويل العاجلة، والإعلانات الاستثمارية.

مكدس التقديم وتقنيات الاستدلال

التقييم والمراقبة

ترخيص الأوزان المفتوحة

  • ترخيص Llama المجتمعي: يبدو منفتحاً لكنه ترخيص موجّه للتحكم يحمل سقف مستخدمين نشطين شهرياً وحظر تدريب نماذج منافسة
  • ترخيص Apache 2.0 · ترخيص MIT: تراخيص إباحية تُحوّل طبقة الأساس فعلياً إلى سلعة عامة

تم التحقق من أسماء النماذج والأسعار والتراخيص وتوقيتات الإصدار في هذا المقال استناداً إلى مصادر عامة متاحة حتى 14 يوليو 2026. الأرقام ذاتية التبليغ من الموردين (سرعة الاستدلال، معدل دمج طلبات السحب، ادعاءات خفض التكلفة الخاصة بهواوي) والبنود غير المُتحقق منها من طرف ثالث موضّحة في متن المقال.

참고

싼 모델을 믿어도 될 때는 언제인가: 신뢰도 기반 VLM 캐스케이드로 다국어 문서 OCR 비용 줄이기

 

10억 파라미터 미만의 초경량 VLM이 문서를 잘 읽는 시대에도, 정말 어려운 문서는 대형 모델이 필요합니다. 신뢰도 임계값 하나로 두 모델을 오가는 캐스케이드를 수식으로 세우고, 그 신뢰도가 가장 배신하기 쉬운 순간이 바로 캐스케이드가 가장 필요한 순간이라는 사실을 규명한 분석 ...