في 27 يناير/كانون الثاني 2025، محَت مختبر صيني لم يسمع عنه معظم المستثمرين من قبل نحو 589 مليار دولار من القيمة السوقية لشركة Nvidia في جلسة واحدة – أكبر خسارة يومية في تاريخ سوق الأسهم الأمريكية. السبب كان نموذج DeepSeek، وجرمُه كان الانفتاح.
حتى بيتكوين (BTC) اهتزت بينما يستوعب السوق فكرة بسيطة: لم تعد نماذج الذكاء الاصطناعي المتقدمة حكرًا على عدد محدود من المختبرات المغلقة.
نقاط رئيسية
- نماذج الأوزان المفتوحة تنشر المعاملات المدربة بحيث يمكن لأي طرف تنزيلها وتشغيلها وتعديلها، بخلاف المصدر المفتوح الكامل الذي يشمل أيضًا بيانات التدريب والشيفرة.
- الفجوة المقاسة في الجودة بين أفضل النماذج المفتوحة والمغلقة على لوائح الترتيب العامة انكمشت من 8% إلى أقل من 2% في نحو عام، بينما هوت أسعار الاستدلال مئات المرات.
- انخفاض كلفة النشر، ودوافع السيادة الوطنية، وتنظيم أكثر مرونة، إضافة إلى منظومة مطورين هائلة، تمنح الأوزان المفتوحة زخمًا حقيقيًا في مواجهة اللاعبين القائمين على واجهات الـAPI فقط.
ماذا تعني “الأوزان المفتوحة” فعليًا؟
المصطلح يُستخدم باستهتار أحيانًا، لكن الدقة مهمة. الأوزان المفتوحة تعني أن المطوّر يطرح معاملات شبكة عصبية مكتملة التدريب – الأرقام التي تجسد ما تعلّمه النموذج. يمكنك تنزيلها، وتشغيلها على عتادك، وإعادة ضبطها (Fine-tune).
الأوزان المفتوحة ليست مرادفًا للمصدر المفتوح. مبادرة المصدر المفتوح (Open Source Initiative) نشرت تعريفها لـ"الذكاء الاصطناعي مفتوح المصدر" في 28 أكتوبر/تشرين الأول 2024، واضعةً سقفًا أعلى بكثير. حتى يُعدّ النموذج مفتوح المصدر بحق، يجب أن يتضمن الإصدار الأوزان، وشيفرة التدريب، وكمية كافية من تفاصيل بيانات التدريب تسمح لمختص متمرس بإعادة بناء النظام بدرجة جوهرية.
معظم النماذج المسوَّقة اليوم بوصفها مفتوحة المصدر لا تفي بهذا المعيار. نماذج Llama من Meta، وQwen من Alibaba، وDeepSeek نفسها، تطرح الأوزان دون "الوصفة الكاملة" للبيانات.
مبادرة المصدر المفتوح واضحة في التفريق بين الاثنين، إذ تشير إلى أن الأوزان وحدها لا تمنح حريات برمجيات المصدر المفتوح. هذا الفراغ يغذي جدلًا مستمرًا حول "غَسل الانفتاح" Open Washing، حين تتبنى الشركات خطاب الانفتاح مع حجب المكوّنات التي تمكّن فعليًا أي طرف من إعادة إنتاج العمل.
ومع ذلك، بالنسبة لمعظم البنّائين، الأوزان هي الجائزة. بوجودها يمكنك تشغيل النموذج، وضغطه، وإعادة تدريبه، وشحنه إلى الإنتاج. عمليًا، يمكن تلخيص الفروق هكذا:
- الأوزان المفتوحة: معاملات مدرَّبة، غالبًا تحت ترخيص يسمح بالاستخدام والتعديل، وغالبًا بالنشر التجاري.
- المفتوح المصدر بالكامل: أوزان + شيفرة التدريب + توثيق كافٍ للبيانات لإعادة بناء النموذج.
- المغلق: لا شيء قابل للتنزيل؛ وصول مقنّن عبر واجهة فقط.
هذه الفئة الوسطى هي التي تنفجر انتشارًا اليوم، وهي تحديدًا ما يُقلق المختبرات المغلقة.
اقرأ أيضًا: تراجع Nvidia بنحو 5% بسبب ضمان OpenAI بقيمة 250 مليار دولار لم يُوقَّع بعد
كيف يختلف هذا عن نموذج OpenAI وAnthropic؟
OpenAI وAnthropic تتبعان الاستراتيجية المعاكسة تمامًا. فهما تحتفظان بأفضل الأوزان داخل مراكز بياناتهما، وتبيعان الوصول عبر واجهة API. ترسل طلبًا (Prompt)، تتلقى استجابة، لكنك لا تلمس النموذج نفسه أبدًا.
هذا التصميم له منطق تجاري واضح: يحمي استثمار التدريب، ويضمن عداد اشتراك دائم، ويمنح المختبر القدرة على تعديل السلوك أو سحب الوصول في أي وقت.
وله أيضًا منطق "سلامة": المدير التنفيذي لـAnthropic، داريو أمودي، جادل بأن نشر الأوزان يجعل المطوّر يفقد القدرة على تحديث الحواجز الحمائية أو استرجاع نظام قد يصبح خطِرًا.
لكن نقطة الضعف هي الاعتمادية.
حين يعيش النموذج فقط على خوادم طرف ثالث، يصبح المزود هو من يحدد السعر، ووقت التوفر، وشروط استخدام البيانات، وجدول إيقاف الإصدارات. منتجك يعتمد على بنية تحتية لا تملكها ولا يمكنك فحصها.
رغم سنوات من رفع شعار "البحث المفتوح"، لم تطرح OpenAI أي نموذج لغوي مفتوح منذ GPT‑2 في 2019، حتى 5 أغسطس/آب 2025، حين أعلنت عن نموذجي gpt-oss المطروحين تحت رخصة Apache 2.0 المتساهلة. الخطوة تُقرأ بوصفها تنازلًا مباشرًا أمام ضغط الأوزان المفتوحة: الشركة التي بنت نموذج أعمال الـAPI المغلق اضطرت للردّ على معسكر الانفتاح في ملعبه.
اقرأ أيضًا: OpenAI تطلب رصيدًا ائتمانيًا من Nvidia بـ250 مليار دولار لحرمها العملاق في أوهايو
عشرة أسباب تجعل الأوزان المفتوحة تهدد النموذج المركزي
لا شيء مما يلي يضمن نصرًا كاسحًا للأوزان المفتوحة. الحدود القصوى للقدرات ما زالت بيد المختبرات الكبرى، والمخاطر حقيقية. لكن اتجاه الحركة خلال السنوات الثلاث الأخيرة كان ثابتًا: ضد النموذج المغلق القائم على التأجير بالقطعة.
ما تغير أن الحجج الداعمة لدفع علاوة مقابل استئجار "صندوق أسود" تزداد ضعفًا. التقارب يحدث تقنيًا واقتصاديًا وسياسيًا في آن واحد.
إليك عشرة أسباب تميل بسببها الكفة.
فجوة الجودة تكاد تختفي
العامل الأهم هو التقارب. تقرير مؤشر الذكاء الاصطناعي لعام 2025 الصادر عن ستانفورد كشف أن الفارق في النتائج بين أفضل نموذج مغلق وأفضل نموذج مفتوح على لوحة Chatbot Arena انخفض من 8% في يناير/كانون الثاني 2024 إلى 1.7% في فبراير/شباط 2025.
كما ازدحم "خط المقدمة". الفجوة بين النموذج الأول والعاشر في الترتيب تقلصت من 11.9% إلى 5.4% خلال عام واحد.
حين يكون البديل الثاني في الجودة متقاربًا جدًا في الأداء لكنه يكلف جزءًا من السعر، يصبح من الصعب تبرير علاوة الوصول إلى النموذج المغلق. وهذه مشكلة تسعير لأي شركة تبني كل أعمالها على فكرة "التميز الحصري".
تكلفة "الذكاء" انهارت
الكلفة تراجعت أسرع من فجوة الجودة. بالاستناد إلى بيانات Epoch AI وArtificial Analysis، ذكر مؤشر الذكاء الاصطناعي أن تكلفة تشغيل استعلام بمستوى GPT‑3.5 هبطت من نحو 20 دولارًا لكل مليون رمز (Token) في نوفمبر/تشرين الثاني 2022 إلى 0.07 دولار بحلول أكتوبر/تشرين الأول 2024.
هذا انخفاض يقارب 280 ضعفًا في أقل من عامين.
DeepSeek دفعت المنطق ذاته إلى مرحلة التدريب. تقريرها التقني عن V3 يذكر أن كلفة جولة التدريب النهائية بلغت نحو 5.6 مليون دولار على 2,048 معالجًا من Nvidia H800، مقارنة بعشرات أو مئات الملايين التي أُنفقت على نماذج غربية مماثلة. "الذكاء الرخيص" يخدم من يستطيع نشره على نطاق واسع، لا من يحتكره خلف جدران مغلقة.
أنت تملك النموذج
حين تستأجر نموذجًا مغلقًا، فإنك ترث قواعد "المالك". المزود يستطيع رفع الأسعار، وتغيير الشروط، أو إيقاف الإصدار الذي يعتمد عليه منتجك.
امتلاك الأوزان يلغي هذه الورقة. يمكنك تجميد إصدار معين، وتشغيله لسنوات، والتنقل بين مزودي البنية التحتية دون إعادة كتابة مكدسك التقني.
"حبس المورد" ليس خطرًا نظريًا؛ بل يظهر في شكل تكاليف تغيير مرتفعة، وهجرات قسرية بين واجهات، وأسعار لا يمكنك التفاوض بشأنها. امتلاك الأوزان يخفف كل ذلك تباعًا:
- تجميد نسخة من النموذج والحفاظ على استقرارها طالما احتجت.
- الانتقال بين مزودي السحابة أو العودة للعتاد المحلي دون إعادة هندسة كاملة.
- تفادي قرارات إيقاف مفاجئة لكثير من واجهات الـAPI قد تعطل منتجًا عاملًا بين ليلة وضحاها.
حتى التراخيص "المنفتحة" من الشركات الكبرى ليست بلا قيود. شروط استخدام Llama من Meta تلزم أي شركة يتجاوز عدد مستخدميها النشطين شهريًا 700 مليون مستخدمًا بإبرام اتفاق منفصل – وهو ما يدفع كثيرًا من المتشددين لرفض وصف Llama بالمصدر المفتوح.
الخصوصية وسيادة البيانات
بعض البيانات لا يمكنها قانونيًا مغادرة مبناها. المستشفيات والبنوك والجهات الحكومية كثيرًا ما تُمنع من إرسال السجلات الحساسة إلى خدمة API خارجية.
الأوزان المفتوحة تحل المشكلة بعكس الاتجاه: تنقل النموذج إلى حيث توجد البيانات. يمكنك تشغيل الاستدلال داخل أنظمة المؤسسة أو في سحابة خاصة، بحيث لا تعبر أي بيانات حساسة حدود مزوّد خارجي.
هذه الميزة وحدها تفتح أبوابًا لا يمكن لواجهات الـAPI المغلقة دخولها. في البيئات المنظمة، يكون التحكم المحلي في النشر عنصر الحسم في كثير من قرارات الشراء.
الدول تبني نماذجها الخاصة
القلق السيادي بات ظاهرة عالمية. الحكومات ترى الاعتماد على عدد محدود من واجهات الـAPI الأمريكية أو الصينية مخاطرة استراتيجية.
في 2 سبتمبر/أيلول 2025، أطلقت المدرسة الفيدرالية التقنية في لوزان (EPFL) والمدرسة الفيدرالية التقنية في زيورخ (ETH Zurich) والمركز الوطني للحوسبة الفائقة في سويسرا نموذج Apertus، وهو نموذج مفتوح بالكامل دُرّب على 15 تريليون رمز تغطي أكثر من ألف لغة. في أبوظبي، دفع معهد الابتكار التكنولوجي بعائلة Falcon المفتوحة منذ 2023، وتبعت دول أخرى بمبادرات وطنية خاصة بها.
النمط يتكرر عبر الأقاليم:
- سويسرا طرحت Apertus مع أوزان وبيانات وشيفرة متاحة للجميع.
- الإمارات أطلقت أجيالًا متعاقبة من Falcon بشروط ترخيص متساهلة.
- فرنسا والهند واليابان وكوريا الجنوبية جميعها موّلت برامج وطنية للنماذج أو للبنية التحتية الحاسوبية.
لا يمكنك بناء "ذكاء اصطناعي سيادي" على نموذج لا تملك منه سوى حق الاستئجار. الأوزان المفتوحة شرط مسبق، وهذا يجعل الحكومات حليفًا طبيعيًا لمعسكر الانفتاح.
المشرّعون يميلون إلى الانفتاح
السياسات العامة بدأت تدفع في الاتجاه ذاته. في 23 يوليو/تموز 2025، أصدرت البيت الأبيض "خطة عمل أمريكا للذكاء الاصطناعي"، متضمنة فصلًا بعنوان "تشجيع الذكاء الاصطناعي مفتوح المصدر والأوزان المفتوحة".
أوروبا تسير في الاتجاه نفسه من حيث الهيكل وإن اختلفت في الدوافع. "قانون الذكاء الاصطناعي" الأوروبي يمنح مزودي النماذج المجانية مفتوحة المصدر لأغراض عامة إعفاءً جزئيًا من بعض متطلبات التوثيق، ما دام النموذج لا يُصنَّف "خطرًا منهجيًا".
الحوافز التنظيمية باتت تميل إلى الإصدار لا الإغلاق – على الأقل للنماذج دون مستوى "الحدود القصوى". وعندما يشجع أكبر لاعب حكومي في سباق الذكاء الاصطناعي الأوزان المفتوحة علنًا، يفقد النموذج المغلق أفضلية "الوضع الافتراضي" التي اعتادها.
منظومة المطورين تتحول إلى حلقة تغذية راجعة
الحجم يولّد حجمًا أكبر. منصة Hugging Face نمت إلى 13 مليون مستخدم، مع أكثر من مليوني نموذج عام، ونحو 500 ألف مجموعة بيانات عامة خلال 2025.
سباقات التنزيل تحكي القصة نفسها. Meta أعلنت أن Llama تجاوز مليار عملية تنزيل بحلول 18 مارس/آذار 2025، ارتفاعًا من 650 مليونًا في مطلع ديسمبر/كانون الأول 2024، بينما وصل Qwen من Alibaba إلى 700 … وصل عدد التنزيلات التراكميّة على منصة Hugging Face إلى ملايين المرّات بحلول يناير 2026، مع ظهور أكثر من 180 ألف نسخة مشتقة، لتتفوق بذلك على Llama وتصبح عائلة النماذج المفتوحة الأكثر تفرّعًا على الإطلاق.
كل عملية ضبط دقيق (fine-tune)، أو مُكيِّف (adapter)، أو تحجيم كمي (quantization) تُبنى على نموذج مفتوح تعزّز مناعة هذا النموذج وتوسّع خندقه التنافسي. واجهات البرمجة المغلقة لا تستطيع التقاط هذا الأثر التراكمي لجهد المجتمع، لأن أحدًا لا يمكنه البناء على نموذج لا يمتلكه فعليًا.
يعمل على حاسوبك المحمول
الأوزان المفتوحة تلتقي بالأجهزة العادية عبر سلسلة أدوات منخفضة التكلفة. التحجيم الكمي يضغط النموذج إلى دقة أقل ليشغل ذاكرة أقل، وتقنيات مثل LoRA تسمح بضبطه دقيقًا دون إعادة تدريبه من الصفر.
بيئات التشغيل المحلية جعلت هذا الاتجاه سائدًا. منصات مثل Ollama و llama.cpp و vLLM تُمكِّن المطورين اليوم من تشغيل نماذج قوية على بطاقة رسومية استهلاكية واحدة أو حتى على حاسوب محمول.
النموذج الذي يمكنك تشغيله على جهاز بقيمة 2,000 دولار هو نموذج لا يستطيع أحد إيقافه عن بُعد. هذه الاستقلالية تحديدًا هي ما تعجز النماذج المدفوعة حسب الاستخدام عن تقديمه.
القابلية للتدقيق والفهم
ما لا تراه لا يمكنك فحصه. واجهات البرمجة المغلقة تعيد لك المخرجات دون أي قدرة على التعمق في الآلية التي تقف خلفها.
الأوزان المفتوحة تتيح للباحثين فحص النموذج مباشرة، ودراسة أنماط فشله، واختبار مستوى أمانه في العلن. تلك الشفافية هي بالذات ما يدفع أنصار الانفتاح للقول إن نماذجهم أسهل مع الزمن في جعلها جديرة بالثقة، لا العكس.
في القطاعات المنظمة التي تُلزَم بتفسير قراراتها، هذه الرؤية ليست ترفًا؛ بل غالبًا مطلب قانوني صريح.
الحدود اللامركزية
أحدث دوافع الانفتاح تقع عند تقاطع الذكاء الاصطناعي والعملات المشفّرة. إذا كانت الأوزان مفتوحة، فلن تكون القدرة الحسابية اللازمة لتدريبها وتشغيلها حبيسة مركز بيانات مملوك لشركة واحدة.
مشاريع مثل Prime Intellect قامت بتدريب نماذج عبر عتاد موزع عالميًا، مع آليات للتحقق من أن الأجهزة البعيدة نفذت فعلًا العمل الذي تدّعيه. مشروع Bittensor يدير سوقًا محفَّزًا بالرموز للذكاء الآلي، يُسعَّر عبر عملته TAO (TAO).
التحفظ الواقعي هو أن التدريب اللامركزي لا يزال اليوم أبطأ وأعلى تكلفة من التجمعات الحوسبية المركزية. لكن الجمع بين أوزان مفتوحة وحوسبة موثوقة ومُرمَّزة برموز رقمية يخلق محور تنافس جديدًا حقيقيًا لا تستطيع المختبرات المغلقة نسخه.
اقرأ أيضًا: سعر Pixel 11 سيرتفع… وغوغل تُحمِّل مراكز بيانات الذكاء الاصطناعي المسؤولية
الخلاصة
الأوزان المفتوحة لن تمحو المختبرات المغلقة من المشهد. حدود الأداء القصوى لا تزال تميل لصالح من ينفق أكثر على الحوسبة، والإصدارات المفتوحة لا تزال تتأخر شهورًا عن أفضل النماذج المغلقة، والأوزان المتاحة علنًا تحمل مخاطر سوء الاستخدام التي لا يمكن استرجاعها بعد الإطلاق.
لكن "التغلّب" لا يعني "الإزالة". بل يعني نقل مركز الثقل، وهذا التحول بدأ فعليًا.
فجوة الجودة باتت ضيقة، وسعر "الذكاء" يقترب من الصفر، والحكومات والمطوّرون والجهات التنظيمية يواصلون تفضيل النماذج التي يمكنهم امتلاكها. الذكاء الاصطناعي المركزي سيواصل بيع عامل الراحة في القمة. أما بقية السوق فتتّجه بهدوء نحو الأوزان التي يمكن أن تملكها.
للمطالعة التالية: آبل تفقد قبضتها على أسعار الذاكرة… والمستهلك يدفع الفاتورة
