فجوة الحوسبة في الذكاء الاصطناعي: تحديات الإنفاق المتسارع وغياب الرؤية لدى الشركات

يُعد الذكاء الاصطناعي القوة الدافعة للابتكار في عصرنا، حيث يتسابق قادة الأعمال لتبنيه والاستثمار في بنيته التحتية لضمان مكان لهم في طليعة هذا التحول التكنولوجي. ومع ذلك، تشير دراسات حديثة إلى أن هذا الاندفاع نحو الاستثمار يحمل في طياته تحديًا كبيرًا وغير مرئي في كثير من الأحيان: “فجوة الحوسبة”. هذه الفجوة ليست مجرد مشكلة في القدرة التقنية، بل هي معضلة اقتصادية وتشغيلية تضرب في صميم كفاءة استثمارات الشركات، حيث تتدفق الأموال بوتيرة أسرع بكثير من قدرة هذه الشركات على رؤية وتوجيه الجدوى الاقتصادية لما تنفقه.

بينما تسعى الشركات لتعزيز قدراتها في الذكاء الاصطناعي، تجد نفسها غارقة في تعقيدات البنية التحتية، مع غياب شبه كامل للشفافية حول التكاليف الحقيقية ودرجة استغلال الموارد. فهل يؤدي هذا الإنفاق المتسارع إلى ضياع مليارات الدولارات في موارد غير مستغلة، ويضعف قدرة الشركات على تحقيق أقصى عائد من استثماراتها في هذا المجال الحيوي؟ هذا المقال يستكشف الأبعاد المختلفة لهذه الفجوة، كاشفًا عن الأسباب والنتائج المحتملة، ومقدمًا رؤى حول كيفية سدها.

ما هي “فجوة الحوسبة” ولماذا تتسع؟

“فجوة الحوسبة” هي التباين الصارخ بين الزخم الكبير الذي تستثمر به الشركات في بنية تحتية للذكاء الاصطناعي وبين محدودية قدرتها على فهم وإدارة الجوانب الاقتصادية لهذه الاستثمارات. وبعبارة أخرى، الشركات تشتري وتُنشئ موارد حوسبية (مثل وحدات معالجة الرسوميات GPU) بوتيرة سريعة، لكنها لا تستطيع قياس تكاليفها بدقة، أو تتبع كيفية استخدامها، أو حتى فهم عائد الاستثمار منها بشكل واضح.

وتشير البيانات إلى أن الشركات، ورغم كون غالبيتها ما زالت في المراحل الأولية لتطبيق الذكاء الاصطناعي على نطاق واسع، تضع خططًا استثمارية ضخمة تسبق نضجها التشغيلي. هذا الطموح، وإن كان ضروريًا، قد يصبح مكلفًا إذا لم يكن مدعومًا برؤية اقتصادية واضحة، مما يؤدي إلى موارد حوسبية باهظة الثمن تعمل بأقل من طاقتها أو لا يتم قياسها على الإطلاق، وهو ما يفاقم هذه الفجوة ويوسعها مع كل دولار إضافي يُنفق.

واقع الاستخدام الحالي: وحدات معالجة الرسوميات الخاملة

القلب النابض للبنية التحتية للذكاء الاصطناعي يكمن في وحدات معالجة الرسوميات (GPUs) عالية الأداء. هذه الوحدات غالية الثمن ومصممة للتعامل مع أعباء العمل المعقدة التي تتطلبها نماذج الذكاء الاصطناعي. ومع ذلك، فإن إحدى أبرز النتائج التي تظهر فجوة الحوسبة هي التدني الشديد في معدلات استغلال هذه الموارد الحيوية.

استخدام منخفض لموارد باهظة

كشفت الدراسات أن نسبة كبيرة من الشركات التي تشغل وحدات معالجة الرسوميات (83%) تعمل بمعدلات استغلال تبلغ 50% أو أقل. ويصل الأمر إلى أن ما يقارب نصف هذه الشركات (49%) تستغل 25% فقط أو أقل من قدرة وحداتها. هذه الأرقام صادمة وتدل على أن هناك كمية هائلة من القدرة الحوسبية التي تم شراؤها بتكاليف باهظة، تجلس خاملة أو غير مستغلة بالشكل الأمثل.

إن وحدات الـ GPU الخاملة هي وحدات مكلفة ومُهدرة للموارد. فبينما تخطط الشركات لشراء المزيد من هذه الوحدات والبنية التحتية المتخصصة (كما سنرى لاحقًا)، فإنها تفعل ذلك في الوقت الذي تعاني فيه الأصول الحالية لديها من نقص حاد في الاستخدام. هذه الكفاءة المنخفضة تؤثر بشكل مباشر على تكاليف التشغيل وتعيق تحقيق العائد المرجو من الاستثمار في الذكاء الاصطناعي.

تحديات قياس التكلفة والعائد

تتعقد مشكلة الاستغلال المنخفض للـ GPUs بسبب نقص الرؤية في قياس التكاليف. تشير الأبحاث إلى أن أقل من نصف الشركات (44%) يمكنها تتبع تكلفة وعائد استثماراتها في حوسبة الذكاء الاصطناعي بشكل دقيق. الغالبية العظمى إما تتتبعها جزئيًا (39%) أو لا تستطيع تحديدها على الإطلاق (20%)، أو لا تُعطيها أولوية (6%).

هذا النقص في القياس ينطوي على عواقب وخيمة، خاصة وأن تكلفة الملكية الإجمالية (TCO) تأتي كعامل رئيسي في قرارات الشراء لدى الشركات. فكيف يمكن للشركات اتخاذ قرارات شراء مستنيرة بناءً على اعتبارات اقتصادية لا يمكنها قياسها بدقة؟ هذا التناقض بين الأولوية المعلنة والقدرة الفعلية على القياس هو جوهر فجوة الحوسبة.

اتجاهات الإنفاق المستقبلية: نحو السحابة المتخصصة والبدائل

لا تتوقف “فجوة الحوسبة” عند الإدارة الحالية للموارد، بل تمتد لتشمل خطط الشركات المستقبلية لاكتساب بنية تحتية للذكاء الاصطناعي. رغم أن معظم الشركات تعتمد حاليًا على حلول السحابة العامة الكبرى (Hyperscalers) وواجهات برمجة تطبيقات نماذج الذكاء الاصطناعي، إلا أن هناك تحولًا ملحوظًا في الأفق.

تحول مرتقب في المزودين

تُظهر النوايا المستقبلية للشركات أن الأغلبية الساحقة منها لا تنوي البقاء على حالها. تخطط غالبية واضحة (64%) لتغيير أو إضافة مزود بنية تحتية خلال الاثني عشر شهرًا القادمة، مع نسبة كبيرة (38%) تعتزم القيام بذلك خلال الربع القادم فقط. يشير هذا إلى حراك غير معتاد في فئة أساسية مثل الحوسبة.

الأكثر إثارة للاهتمام هو أن الاتجاه الأكبر للتقييم خلال العام القادم يتجه نحو “السحابة المتخصصة بالذكاء الاصطناعي” (AI-specialized clouds)، حيث تخطط 45% من الشركات لتقييم مزودين مثل CoreWeave وLambda وCrusoe وغيرها. هذه الفئة من المزودين، التي لا تستخدمها أي من هذه الشركات تقريبًا حاليًا، تُعد الوجهة الاستثمارية الأكثر جذبًا. بالإضافة إلى ذلك، تخطط نسبة كبيرة (32%) لتقييم مسرّعات غير NVIDIA (مثل AWS Trainium وGoogle TPU وAMD Instinct) وجيل جديد من وحدات NVIDIA Blackwell (28%). هذا التحول لا يبدو مجرد إضافة تدريجية، بل يشير إلى إعادة هيكلة جذرية للمنصات.

قرار الشراء: التكامل وتكلفة الملكية أولًا

عندما يتعلق الأمر باختيار مزود لبنية تحتية للذكاء الاصطناعي، فإن العوامل الرئيسية التي تُحدد قرارات الشراء ليست كما قد يتوقع البعض. فالسعر الأساسي لكل مليون رمز (Token Price)، الذي يتنافس عليه البائعون بشدة، يُعد العامل الأقل أهمية، حيث يشكل عاملًا حاسمًا لـ 8% فقط من الشركات.

بدلاً من ذلك، تُركز الشركات بشكل أساسي على عاملين حاسمين: التكامل مع البيئة السحابية ومكدس البيانات الحالي (41%)، وتكلفة الملكية الإجمالية (TCO) بنسبة (35%). هذا يوضح أن المشترين يسعون إلى حلول تتلاءم بسلاسة مع أنظمتهم القائمة وتوفر قيمة اقتصادية شاملة على المدى الطويل، وليس فقط التكلفة الأولية للوحدة. ومع ذلك، فإن هذا التركيز على TCO يتصادم مرة أخرى مع نقص القدرة على قياسها بدقة، مما يُعمق من فجوة الحوسبة.

موجة تغيير المزودين: حراك كبير في الأفق

كما ذكرنا، فإن ما يقرب من ثلثي الشركات (64%) تعتزم تغيير أو إضافة مزود بنية تحتية للذكاء الاصطناعي في غضون عام، وتخطط نسبة كبيرة (38%) للقيام بذلك في الربع القادم وحده. هذا المستوى العالي من النية في التغيير يُعد استثنائيًا لفئة أساسية مثل الحوسبة.

في المدى القريب، قد تشهد هذه الموجة إعادة ترتيب بين المزودين الرئيسيين الحاليين (مثل مايكروسوفت أزور وجوجل كلاود)، حيث تتجه الشركات نحو توحيد الإنفاق. ومع ذلك، فإن الاهتمام المتزايد بالسحابة المتخصصة بالذكاء الاصطناعي، كما يتبين من خطط التقييم، يشير إلى أن هذه الموجة ستمهد الطريق لتحولات أوسع في المستقبل، مع بحث الشركات عن حلول أكثر تخصصًا وكفاءة.

التحدي القادم: عنق الزجاجة في ذاكرة الاستدلال (Inference Memory)

بينما تسعى الشركات جاهدة للتعامل مع تحديات الحوسبة الحالية وقياس تكاليفها، يلوح في الأفق عنق زجاجة تكنولوجي جديد قد يعيد تشكيل بنية الذكاء الاصطناعي وتكاليفه: التحول من قيود قوة المعالجة (compute) إلى قيود نطاق الذاكرة الترددي (memory bandwidth)، وتحديداً سعة ذاكرة التخزين المؤقت (KV-cache) في عمليات الاستدلال (Inference) واسعة النطاق.

عمليات الاستدلال، وهي المرحلة التي يتم فيها استخدام نموذج الذكاء الاصطناعي لتوليد التنبؤات أو الاستجابات، تتطلب وصولاً سريعًا وفعالاً للذاكرة. ومع تضخم حجم النماذج، يصبح حمل البيانات إلى الذاكرة وإدارتها هو العامل الأكثر تقييدًا للأداء، متجاوزًا أحيانًا قدرة وحدة المعالجة نفسها. ومع ذلك، فإن نسبة كبيرة من الشركات (18%) إما أنها لا تدرك هذا القيد الجديد أو لم تبدأ في معالجته بعد.

هذا يمثل فصلًا جديدًا في “فجوة الحوسبة”، حيث يصل التحدي القادم قبل أن تتمكن معظم الشركات من سد الفجوة الحالية. يتطلب هذا التحول في القيود فهمًا معمقًا للبنية التحتية، وهو ما يفتقر إليه الكثيرون حاليًا، مما قد يؤدي إلى استثمارات غير فعالة في الأجيال القادمة من بنية الذكاء الاصطناعي إذا لم يتم التعامل مع هذا التحدي بشكل استباقي.

أهمية سد فجوة الحوسبة للشركات

إن إغلاق فجوة الحوسبة ليس مجرد مسألة كفاءة تشغيلية، بل هو ضرورة استراتيجية حاسمة للشركات التي تتبنى الذكاء الاصطناعي. لهذه الفجوة تأثيرات عميقة على عدة مستويات:

• الأثر المالي: الاستثمار في بنية تحتية غير مستغلة يعني أموالاً مهدرة. القياس الدقيق للتكاليف والعوائد يمكن الشركات من تحسين ميزانيات الذكاء الاصطناعي، وتجنب الإنفاق الزائد، وضمان أن كل دولار يُنفق يساهم بفعالية في تحقيق الأهداف الاستراتيجية.
• الكفاءة التشغيلية: فهم استخدام الموارد يُمكّن من إعادة توزيع أعباء العمل بشكل أفضل، واستغلال القدرة الحالية بشكل أمثل، وتقليل فترات الخمول للأجهزة باهظة الثمن، مما يؤدي إلى عمليات ذكاء اصطناعي أكثر سرعة ومرونة.
• الميزة التنافسية: الشركات التي تتمتع برؤية واضحة حول تكاليف وكفاءة بنيتها التحتية للذكاء الاصطناعي يمكنها الابتكار بشكل أسرع وأكثر استدامة. وهذا يمنحها ميزة تنافسية في سوق يتزايد اعتماده على الذكاء الاصطناعي.
• التخطيط المستقبلي: فهم التحديات الحالية والناشئة، مثل قيود الذاكرة في الاستدلال، يُمكّن الشركات من اتخاذ قرارات استثمارية مستقبلية مستنيرة، والانتقال بسلاسة إلى التقنيات الجديدة دون الوقوع في نفس الأخطاء أو التحديات غير المتوقعة.

أسئلة شائعة حول فجوة الحوسبة في الذكاء الاصطناعي

ما المقصود بـ “فجوة الحوسبة” في سياق الذكاء الاصطناعي؟

تشير “فجوة الحوسبة” إلى التباين الكبير بين الاستثمار السريع والمتزايد للشركات في بنية تحتية للذكاء الاصطناعي (مثل وحدات معالجة الرسوميات) ونقص قدرتها على قياس وفهم التكاليف الحقيقية، ومعدلات الاستخدام، والعائد الاقتصادي لهذه الاستثمارات.

لماذا تجد الشركات صعوبة في قياس تكاليف البنية التحتية للذكاء الاصطناعي؟

تجد الشركات صعوبة بسبب عدة عوامل، منها تعقيد بيئات الذكاء الاصطناعي (التي تجمع بين السحابات العامة والمتخصصة)، وغياب الأدوات الموحدة لتتبع الاستخدام والتكلفة عبر منصات مختلفة، والتركيز الأولي على سرعة النشر بدلاً من تحليل التكلفة العميقة، بالإضافة إلى نقص الخبرة في حساب تكلفة الملكية الإجمالية (TCO) لموارد الذكاء الاصطناعي.

ما هي العوامل الرئيسية التي يجب على الشركات مراعاتها عند اختيار مزودي بنية تحتية للذكاء الاصطناعي؟

بينما يُعد السعر عاملاً، فإن الأبحاث تُظهر أن العوامل الأكثر أهمية هي التكامل السلس مع المكدس التقني والبيانات الموجودة، وتكلفة الملكية الإجمالية (TCO) التي تشمل التكاليف الخفية والتشغيلية، بالإضافة إلى الأداء (مثل زمن الاستجابة والإنتاجية)، والأمان، والامتثال، وإمكانية الوصول إلى وحدات الـ GPU.

ما هو عنق الزجاجة الجديد الذي يواجه استدلال الذكاء الاصطناعي؟

عنق الزجاجة الجديد الذي يبرز في عمليات استدلال الذكاء الاصطناعي واسعة النطاق هو التحول من قيود قوة المعالجة (compute) إلى قيود نطاق الذاكرة الترددي (memory bandwidth)، وتحديداً سعة ذاكرة التخزين المؤقت (KV-cache). هذا يعني أن أداء نماذج الذكاء الاصطناعي الكبيرة أصبح يعتمد بشكل متزايد على سرعة وكفاءة الوصول إلى الذاكرة، وليس فقط على قوة المعالجة الخام.

كيف يمكن للشركات سد هذه الفجوة وتعزيز كفاءة استثماراتها في الذكاء الاصطناعي؟

لسد الفجوة، يجب على الشركات التركيز على تحسين أدواتها وعملياتها لقياس تتبع تكاليف استخدام البنية التحتية للذكاء الاصطناعي بدقة. كما ينبغي عليها اعتماد منهجية شاملة لحساب تكلفة الملكية الإجمالية (TCO) عند اتخاذ قرارات الشراء، واستكشاف حلول الحوسبة السحابية المتخصصة التي قد توفر كفاءة أفضل لمهام معينة، والاستعداد للتحديات التكنولوجية القادمة مثل قيود الذاكرة في الاستدلال.

الخلاصة

تُظهر “فجوة الحوسبة” تحديًا محوريًا يواجه الشركات في عصر الذكاء الاصطناعي: إنفاق سريع ومكثف على البنية التحتية، لكنه يفتقر إلى الرؤية والتحكم اللازمين. فمع أن غالبية الشركات ما زالت في المراحل المبكرة من تبني الذكاء الاصطناعي على نطاق واسع، إلا أن نواياها الاستثمارية تتجاوز بكثير واقعها الحالي، متجهة نحو سحابات متخصصة ومسرعات بديلة لم تُستخدم بعد على نطاق واسع.

إن ضعف استغلال وحدات معالجة الرسوميات، وصعوبة تتبع التكاليف، وعدم الاستعداد لعقبات تكنولوجية جديدة مثل قيود الذاكرة، كلها عوامل تؤكد الحاجة الماسة إلى نهج أكثر استراتيجية وانضباطًا. يتطلب سد هذه الفجوة أن تتجاوز الشركات مجرد شراء المزيد من الأجهزة، وأن تركز بدلاً من ذلك على بناء آليات قياس قوية، وتطوير فهم عميق لتكلفة الملكية الإجمالية، وتبني رؤية استباقية للتحديات التكنولوجية المقبلة. السؤال المحوري الآن هو: هل ستكتسب الشركات هذه الرؤية والقدرة على التحكم قبل أن تكرر نفس الأخطاء في الموجة التالية من استثمارات الذكاء الاصطناعي؟