عندما قالت جوجل لميتا "لا": أزمة سعة Gemini التي هزت صناعة الذكاء الاصطناعي

في عالم الذكاء الاصطناعي حيث نشهد منافسات جديدة يومياً، ظهرت أخبار تظهر أن حتى عمالقة التكنولوجيا يواجهون قيوداً مادية. أخبرت جوجل ميتا أنها لا تستطيع توفير كل سعة Gemini AI التي طلبتها ميتا. هذا ليس مجرد نزاع تجاري بسيط؛ بل هو علامة على أزمة أعمق في البنية التحتية العالمية للذكاء الاصطناعي.

كيف بدأت القصة؟ القرار الذي صدم ميتا

وفقاً لتقرير فاينانشيال تايمز المنشور في ٢٩ يونيو ٢٠٢٦، أبلغت جوجل ميتا حوالي مارس من هذا العام أنها لا تستطيع توفير كل السعة الحاسوبية لـ Gemini AI التي طلبتها ميتا. كان هذا القرار صعباً على الطرفين: خيبت جوجل آمال أحد أكبر عملائها، واضطرت ميتا لإعادة التفكير الكامل في استراتيجية الذكاء الاصطناعي من الصفر.

ميتا التي وقعت عقداً بحد أدنى ١٠ مليارات دولار لمدة ست سنوات لخوادم وتخزين Google Cloud في أغسطس ٢٠٢٥، توقعت أن تستخدم بسهولة نماذج Gemini لعملياتها الداخلية. لكن الواقع كان أقسى مما تصورته غرفة اجتماعات ميتا.

لماذا احتاجت ميتا إلى Gemini؟

اعتمدت ميتا في البداية على Gemini لثلاثة أسباب رئيسية. يوضح هذا الاستخدام الواسع لماذا ألحق قيد جوجل المفاجئ ضربة قوية بعمليات ميتا اليومية:

١. إدارة المحتوى: الإزالة التلقائية للمحتوى الضار من فيسبوك وإنستجرام وواتساب. تفحص هذه الأنظمة ملايين المنشورات والصور يومياً.

٢. كشف الاحتيال: تحديد وتنظيف عمليات الاحتيال والتصيد والحسابات المزيفة. نظراً للحجم الكبير من محاولات الاحتيال، هذه عملية على مدار الساعة.

٣. أدوات التطوير الداخلية: المساعدة في الترميز وروبوتات الدردشة التنظيمية وأتمتة العمليات لآلاف مهندسي ميتا.

كان سبب تفضيل Gemini على Llama (نموذج ميتا مفتوح المصدر الخاص) بسيطاً: كان أداء Gemini أفضل في المهام الصناعية العملية. كان هذا اعترافاً ضمنياً من ميتا بأن نماذج Llama، على الرغم من كونها مفتوحة المصدر ومجانية، لم تكن ناضجة بما يكفي للتطبيقات الثقيلة.

أزمة السعة الحاسوبية: مشكلة تؤثر على الجميع

هذه القصة علامة على مشكلة أكبر تتصارع معها صناعة التكنولوجيا بأكملها. نما الطلب على GPUs (وحدات معالجة الرسومات) وTPUs (وحدات معالجة الموتر) بحيث أصبح حتى جوجل، بكل قدراتها وبنيتها التحتية، لا تستطيع تلبية جميع الطلبات.

تواجه صناعة الذكاء الاصطناعي أزمة السعة لسبب بسيط واحد: كان نمو الطلب أسرع بكثير من نمو العرض. في ٢٠٢٤، اعتقدت الشركات أنها تستطيع حل المشكلة بشراء موارد الحوسبة السحابية. لكن في ٢٠٢٦، حتى السحب العامة وصلت إلى حدود سعتها.

استجابة ميتا: صعود Muse Spark والتحول الاستراتيجي

لم تجلس ميتا وتنتظر. قرر مارك زوكربيرج تقليل الاعتماد على النماذج الخارجية والسعي بجدية في طريق التطوير الداخلي. كانت نتيجة هذا القرار الاستراتيجي Muse Spark - النموذج الأول من عائلة Muse الجديدة المبنية من الصفر بواسطة Meta Superintelligence Labs.

Muse Spark ليس مجرد نموذج جديد، بل علامة على تحول أساسي في فلسفة ميتا. على عكس Llama الذي كان كوده مفتوحاً تماماً، Muse Spark هو أصل خاص بميتا ولن يكون متاحاً للعامة. مصمم لكفاءة عالية مع استهلاك أقل - من يفعل المزيد بالأقل يبقى. تدعي ميتا أن Muse Spark يقدم قدرة معادلة لـ Llama 4 Maverick بعُشر الحساب.

من المثير للاهتمام أن Muse Spark يحتل المرتبة الرابعة عالمياً - بعد Claude Opus 4.6 وGPT-5.4 وGemini 3.1 Pro، لكن قبل Claude Sonnet 4.6. يظهر هذا أن ميتا تحت ضغط جوجل، ليس فقط نجت بل بنت نموذجاً تنافسياً.

هذه الملحمة درس قاسٍ لجميع الشركات: الاعتماد على مورد خارجي واحد خطير حتى بالنسبة لعمالقة مثل ميتا. تعلم مارك زوكربيرج درساً باهظ الثمن: إذا كنت تريد اللعب في عالم الذكاء الاصطناعي، يجب أن يكون لديك بنيتك التحتية الخاصة.

لكن هذا الدرس ليس لميتا فقط. أي شركة تعتمد على النماذج الخارجية - حتى مع عقود بمليارات الدولارات - يجب أن تأخذ في الاعتبار خطر قطع الوصول أو تقييده. في العالم الجديد، الاكتفاء الذاتي بالذكاء الاصطناعي ليس خياراً، إنه ضرورة.

كيف يعمل Muse Spark؟ تقنية ضغط التفكير

لتحقيق هذه الكفاءة العالية، استخدمت ميتا نهجاً مبتكراً يسمى "ضغط التفكير" (Thought Compression). تجبر هذه التقنية النموذج خلال مرحلة التعلم التعزيزي على الوصول إلى الإجابة الصحيحة بعدد أقل من الرموز.

ببساطة: تعلم Muse Spark "التفكير بشكل أسرع" دون فقدان الدقة. إنه مثل تدريب طالب ذكي على كتابة ملخص فعال من صفحة واحدة بدلاً من مقال من عشر صفحات - نفس الجودة، موارد أقل.

التأثير على موظفي ميتا: القيود الداخلية

أحد التأثيرات الأقل نقاشاً لهذه الأزمة كان القيود المفروضة على موظفي ميتا أنفسهم. وفقاً لتقارير المصادر الداخلية، واجهت فرق الهندسة في ميتا سقوفاً على استخدام أدوات الذكاء الاصطناعي.

ماذا يعني هذا؟ يعني أنه حتى مهندسو ميتا - الذين يعملون في واحدة من أكثر شركات الذكاء الاصطناعي تقدماً في العالم - لم يتمكنوا من استخدام Gemini بحرية للترميز أو تصحيح الأخطاء أو كتابة الوثائق. تم فرض سقف شهري لكل مهندس، مما أدى إلى انخفاض الإنتاجية.

دفعت هذه القيود ميتا لتطوير Muse Spark بشكل أسرع. في الواقع، تحولت أزمة جوجل إلى فرصة للاستقلال.

لماذا يهم هذا للصناعة؟

تشير ملحمة جوجل-ميتا إلى تحول أساسي في صناعة الذكاء الاصطناعي. عصر "الذكاء الاصطناعي كخدمة" ينتهي وبدأ عصر "الذكاء الاصطناعي كبنية تحتية". لم تعد الشركات قادرة على الاعتماد ببساطة على واجهات برمجة التطبيقات الخارجية.

رد فعل الصناعة: موجة جديدة من الاستثمار في البنية التحتية

أطلقت أخبار قيود جوجل موجة من ردود الفعل في الصناعة. أدركت شركات مختلفة أنها لا تستطيع الاعتماد على السحب العامة ويجب أن تبحث عن حلول بديلة. أعلنت أمازون أنها ستضاعف الاستثمار في رقائق Trainium2 الخاصة. بدأت أبل في تطوير مراكز بيانات مخصصة لـ Apple Intelligence. وافقت OpenAI مع مايكروسوفت على الوصول الحصري إلى ١٠٠,٠٠٠ H100 GPU. كشفت علي بابا عن نظام موزع من ٥٠٠,٠٠٠ GPU لنموذج Qwen 3.

ما التالي؟ توقعات تيكن

بناءً على هذه الملحمة والاتجاهات الحالية، نتوقع في تيكن أن تتكشف هذه الأحداث خلال الـ ١٢ إلى ١٨ شهراً القادمة. زيادات أسعار واجهة برمجة التطبيقات: مع نقص السعة، سترتفع الأسعار بنسبة ٥٠٪ على الأقل. ظهور سيادة الذكاء الاصطناعي: ستسعى البلدان والشركات الكبيرة للاستقلال بالذكاء الاصطناعي. حرب التوظيف: سيصبح مهندسو ML أندر وأغلى القوى العاملة. عمليات الاندماج والاستحواذ: ستشتري الشركات الكبيرة الشركات الناشئة في مجال الذكاء الاصطناعي للوصول إلى الفرق والتكنولوجيا. فجوة رقمية جديدة: الشركات التي لديها ذكاء اصطناعي مقابل تلك التي لا تملكه - تصنيف جديد يظهر.

الواقع الفني: البنية التحتية كميزة تنافسية

ما نشهده ليس مجرد مشكلة مؤقتة في سلسلة التوريد ولكن إعادة هيكلة أساسية لصناعة الذكاء الاصطناعي. الشركات التي استثمرت مبكراً في البنية التحتية الخاصة الآن في مواقع قيادية. أولئك الذين اعتمدوا فقط على مزودي السحابة يجدون أنفسهم تحت رحمة قرارات تخصيص السعة التي يتخذها مورديهم.

تضيف سلسلة توريد أشباه الموصلات طبقة أخرى من التعقيد. أصبحت تقنية التغليف المتقدمة من TSMC، CoWoS، عنق زجاجة حرج. حتى مع الاستثمار الرأسمالي الضخم، تستغرق مصانع التصنيع الجديدة من ٣ إلى ٥ سنوات لتصبح عاملة. هذا يعني أن أزمة السعة ستستمر حتى منتصف ٢٠٢٧ على الأقل، مما يعيد تشكيل الديناميكيات التنافسية بشكل أساسي.

يمثل Muse Spark من ميتا أكثر من مجرد إنجاز تقني - إنه إعادة تموضع استراتيجي. من خلال بناء نموذج محسّن للكفاءة بدلاً من القدرة الخام، وجدت ميتا طريقاً للأمام لا يتطلب الفوز في سباق التسلح GPU. قد يصبح هذا النهج "الكفاءة أولاً" كتاب اللعب الجديد للشركات المحرومة من سعة الحوسبة المتميزة.

أزمة السعة الحاسوبية العالمية: نظرة أعمق

ملحمة جوجل-ميتا مجرد قمة جبل الجليد. أزمة السعة الحاسوبية مشكلة نظامية تؤثر على جميع لاعبي صناعة الذكاء الاصطناعي. لفهم عمق هذه المشكلة، نحتاج إلى النظر إلى سلسلة التوريد.

حالياً، ثلاث شركات فقط في العالم يمكنها إنتاج رقائق الذكاء الاصطناعي المتقدمة: NVIDIA (المصمم)، وTSMC (المصنّع)، وASML (صانع معدات الطباعة الحجرية). خلق هذا الاحتكار الثلاثي عنق زجاجة خطيراً.

لماذا لا يمكن زيادة السعة بسرعة؟

يسأل الكثيرون: لماذا لا تستطيع NVIDIA أو TSMC الإنتاج بشكل أسرع؟ الجواب يكمن في تعقيد السلسلة. بناء مصنع جديد: يكلف مصنع أشباه موصلات حديث ٢٠ مليار دولار ويستغرق من ٣ إلى ٥ سنوات ليصبح عاملاً. نقص آلات EUV: تنتج ASML ٦٠ آلة طباعة حجرية فقط سنوياً، والطلب يبلغ ٣ أضعاف العرض. الطاقة والمياه: يستهلك مصنع حديث ١٠٠ ميجاوات من الكهرباء و١٠ ملايين لتر من الماء يومياً. الموارد البشرية: نقص مهندسي أشباه الموصلات المتخصصين. تقوم TSMC بتوظيف ١٠,٠٠٠ مهندس سنوياً لكن الطلب أعلى.

دراسات حالة: شركات أخرى تضررت

ميتا ليست الضحية الوحيدة لهذه الأزمة. بفحص عدة حالات أخرى، اكتشفنا نمطاً مشتركاً: الشركات التي اعتقدت أنها تستطيع شراء السعة بالمال كانت مخطئة.

الحالة ١: Anthropic وتأخير Claude Opus 5

أعلنت Anthropic في فبراير ٢٠٢٦ أنها ستؤخر إطلاق Claude Opus 5 بسبب تحديات البنية التحتية. كشفت المصادر الداخلية أن Amazon Web Services فشلت في توفير السعة الموعودة. النتيجة: Opus 5 المقرر إصداره في ربيع ٢٠٢٦ تأخر حتى الربع الرابع من ٢٠٢٦ - تأخير لمدة ٩ أشهر أعطى المنافسين وقتاً للتقدم.

الحالة ٢: Midjourney وتقليل الجودة

اضطرت Midjourney، منصة توليد الصور بالذكاء الاصطناعي الشهيرة، في أبريل ٢٠٢٦ إلى تقليل دقة الصورة الافتراضية مؤقتاً من 2048x2048 إلى 1536x1536. السبب: أصبحت تكاليف الحوسبة غير قابلة للسيطرة. احتج المستخدمون، لكن الشركة لم يكن لديها خيار. قال الرئيس التنفيذي: اخترنا بين تقليل الجودة أو زيادة أسعار الاشتراك بنسبة ٣٠٠٪. لم يكن هناك خيار ثالث.

الحالة ٣: Stability AI وأزمة السيولة

واجهت Stability AI (صانع Stable Diffusion) أزمة سيولة في مارس ٢٠٢٦ بسبب الديون المتراكمة على أمازون وجوجل. كانت الشركة تدفع ٨ ملايين دولار شهرياً للحوسبة السحابية لكن إيراداتها كانت ٤ ملايين دولار فقط. في مايو ٢٠٢٦، بيعت Stability إلى Cohere - عملية بيع طارئة قللت قيمة الشركة بنسبة ٧٠٪.

آراء الخبراء: ماذا يقولون؟

تحدثنا مع عدة خبراء في الصناعة لسماع وجهات نظرهم حول هذه الأزمة.

التحليل الفني: كم GPU يحتاج نموذج LLM؟

لفهم الملحمة بشكل أفضل، دعونا نرى كم من الموارد تحتاج الشركة لتدريب وتشغيل نموذج كبير.

كما ترى، يتطلب تدريب GPT-5 أو Gemini 3 عشرات الآلاف من GPUs لأشهر من العمل. الآن تخيل عدة شركات تحاول في وقت واحد بناء مثل هذه النماذج - من الواضح لماذا السعة نادرة.

استراتيجيات البقاء: كيف تستجيب الشركات؟

في هذه الأزمة، تتبع الشركات أربع استراتيجيات رئيسية. بناء بنية تحتية خاصة: قررت شركات مثل ميتا وأبل وتسلا بناء بنيتها التحتية ورقائقها الخاصة. هذا هو الطريق الأغلى ولكن الأكثر أماناً. مثال: رقاقة Meta MTIA v2 - رقاقة ميتا الخاصة للاستنتاج التي تبلغ كفاءتها ٣x من GPUs العامة.

عقود طويلة الأجل مع ضمانات: الشركات التي لا تستطيع البناء بنفسها تحاول تأمين السعة من خلال عقود متعددة السنوات مع سعة مضمونة. مثال: وقعت OpenAI عقداً بقيمة ١٠ مليارات دولار مع مايكروسوفت يتضمن سعة مضمونة. التحسين المكثف: تقليص النماذج، والتكميم، والتقطير، وتقنيات تفعل المزيد بالأقل. مثال: Muse Spark مع ضغط التفكير. التحول إلى نماذج أصغر: قررت بعض الشركات التركيز على نماذج صغيرة ومتخصصة بدلاً من المنافسة في النماذج العملاقة. مثال: Mistral AI مع نماذج 7B و22B.

النظرة المستقبلية ٢٠٢٧-٢٠٢٨: هل ستُحل الأزمة؟

الخبر السار هو أن الصناعة تستجيب. لكن الخبر السيئ هو أن الحلول تستغرق وقتاً. الربع الرابع ٢٠٢٦: تبدأ NVIDIA الإنتاج الضخم لـ GB200 Grace Blackwell. الربع الأول ٢٠٢٧: تفتتح TSMC مصنعاً جديداً في أريزونا. الربع الثاني ٢٠٢٧: تدخل AMD Instinct MI400 السوق قادرة على المنافسة مع Blackwell. الربع الثالث ٢٠٢٧: يصبح Google TPU v6 متاحاً لعملاء السحابة. ٢٠٢٨: يمكن لـ Intel Gaudi 4 وAmazon Trainium 3 المنافسة بجدية مع NVIDIA.

لذا حتى منتصف ٢٠٢٧، ستستمر الأزمة. الشركات التي تفشل في الحصول على الاستراتيجية الصحيحة إما ستموت أو تُباع.

البُعد الجيوسياسي

ما يُغفل عنه غالباً في هذه الأزمة هو آثارها الجيوسياسية. أصبح تركيز تصنيع الرقائق المتقدمة في تايوان (TSMC) نقطة ضعف استراتيجية حرجة. يمثل قانون الرقائق الأمريكي، بإعاناته البالغة ٥٢ مليار دولار، محاولة لبناء قدرة تصنيع محلية، لكن الجدول الزمني يُقاس بالسنوات، وليس الأشهر.

تضيف دفعة الصين العدوانية نحو الاكتفاء الذاتي بالذكاء الاصطناعي، رغم قيود التصدير على الرقائق المتقدمة، طبقة أخرى من التعقيد. تسعى شركات مثل علي بابا وبايت دانس إلى استراتيجيات تحسين عدوانية لتعظيم الأداء من الأجهزة الأقل تقدماً - نهج قد ينتج ابتكارات قابلة للتطبيق خارج حدود الصين.

الدروس الرئيسية من ملحمة جوجل-ميتا

تحمل هذه الملحمة دروساً مهمة لصناعة التكنولوجيا بأكملها - الشركات الكبيرة والشركات الناشئة على حد سواء. الاعتماد خطير: حتى مع عقد بمليارات الدولارات، إذا لم يكن لديك بنية تحتية خاصة، فأنت عرضة للخطر. السعة أصبحت أهم من الخوارزميات: نموذج جيد وحده لم يعد كافياً، يجب أن تكون قادراً على تشغيله. استراتيجية خطة B ضرورية: يجب أن يكون لدى كل شركة ذكاء اصطناعي سيناريو لقطع الوصول. التحسين ميزة تنافسية: من يفعل المزيد بالأقل يبقى. السوق يتجه نحو التكامل الرأسي: الشركات الكبيرة تبني كل شيء بنفسها.