ارتفعت Meta أكثر من 11% في يومٍ واحد أمس، حيث رفعت إنتل وأيه إم دي بنحو 12% و10% على التوالي. كان السبب استمرار رواج منتج Muse الخاص بـ Meta من وكلاء الذكاء الاصطناعي (AI Agents) الشخصيين. وهذه النقطة جديرة بالذكر لأنها قد تعيد كتابة المنطق الأساسي لـ“قدرة حسابات الذكاء الاصطناعي”.
أولاً: ماذا تغيّر في Muse؟
في السوق، لا يزال معظم الذكاء الاصطناعي للمستهلكين في جوهره أدوات للحوار والإجابة: تُدخل مقطعًا من النص، فيجري النموذج الاستدلال ثم يُخرج النتيجة وتنتهي المهمة. أما Muse فيسحب الذكاء الاصطناعي من نافذة الدردشة إلى سير العمل الحقيقي: أنت تحدد هدفًا، فيقوم بتفكيك الخطوات، وتسجيل الدخول إلى المواقع، واستدعاء خدمات خارجية، وقراءة حالة الصفحة، ثم يقرر الخطوة التالية. وعند مواجهة الدفع أو إرسال البريد الإلكتروني أو تعديل المواعيد، فإنه يتواصل معك للحصول على إذن قبل التنفيذ، ثم يعود لإكمال المهمة مع متابعة ما إذا كانت قد اكتملت.
الحلقة المغلقة هي: فهم الهدف → وضع خطة → استدعاء الأدوات → مراقبة النتائج → تعديل الخطة → الاستمرار في التنفيذ.
وحدة عمل الذكاء الاصطناعي التقليدي هي “حوار واحد”، بينما وحدة عمل الـ Agent هي “مهمة كاملة”. كذلك زوّدت Meta بيئة تنفيذ قابلة للاستمرار على السحابة—حتى بعد إغلاق التطبيق يستمر العمل في الخلفية. وهذا يعني أن المنافسة لم تعد تركز فقط على نموذج الأساس؛ بل أيضًا على منافذ التوزيع وبيانات المستخدم والبيئة التجارية. تمتلك Meta مداخل هائلة إلى المستخدمين. وبمجرد أن يتراكم Muse البريد الإلكتروني والمواعيد وسلوكيات الشراء وتاريخ المهام، تصبح تكلفة الانتقال مرتفعة جدًا—ليس عليك نقل سجل الدردشة فحسب، بل نقل أسلوب العمل بأكمله.
ثانيًا: لماذا هذه المرة كان السحب باتجاه المعالجات CPU؟
خلال السنوات الماضية كان ساحة المعركة الأساسية لبنية الذكاء الاصطناعي التحتية هي GPU. لكن مع دخول الـ Agent إلى سير العمل تغيّر هيكل الحساب: GPU مسؤولة عن “التفكير” (فهم الهدف، توليد الخطة، التعرف على الصفحة)، بينما جزء “الإنجاز” الحقيقي—تشغيل النظام، وفتح الآلات الافتراضية، وضبط الـ API، وإدارة الصلاحيات، وإدارة حالة المهام—ينتهي كله على CPU والخوادم التقليدية.
سلسلة نماذج الدردشة هي: إدخال → استدلال → إخراج → تحرير الموارد. أما سلسلة الـ Agent فهي: استدلال → تنفيذ على CPU → انتظار الاستجابة من الخارج → إعادة قراءة الحالة → استدلال مرة أخرى → تنفيذ مرة أخرى. وقد يدور مشروع طويل عشرات أو مئات المرات. يجب أن تظل المتصفح والآلة الافتراضية والذاكرة وحالة المهام متصلة طوال الوقت. وبذلك لا يعود طلب حسابات الذكاء الاصطناعي مقتصرًا على “توليد Token واحد”، بل يمتد إلى “الموارد النظامية كاملة لتنفيذ مهمة”.
إذا ما فتح Muse أمام مليارات المستخدمين، حتى إن كان جزء صغير منهم فقط يشغّل الـ Agent بالتزامن، فسيؤدي ذلك إلى توليد سيل هائل من الآلات الافتراضية المتزامنة، وعمليات المتصفح، واستدعاءات الـ API. بما أن الـ Agent الشخصي سيتعامل مع البريد الإلكتروني والدفع وصلاحيات الحسابات، فلا يمكن حشر مهام الجميع في بيئة واحدة. وكلما زادت الحاجة إلى العزل الأمني، زاد وجوب توفير موارد مستقلة لكل مستخدم. تنبع متطلبات الـ CPU في عصر الـ Agent من ثلاث خطوط: زيادة عدد المهام المتزامنة، إطالة مدة المهمة، وتشديد العزل الأمني. وهذا أيضًا سبب عودة السوق إلى التركيز مجددًا على خوادم متعددة الأنوية من نوع CPU. وحتى توجد تقديرات تقول إن احتياج معالجات CPU من المرجح أن يتضاعف في المستقبل، وأن نسبة CPU إلى GPU ستقترب من 1:1.
خلاصة إطار الملاحظة بجملة واحدة: عندما تنخفض تكلفة الاستدلال، تتحول عنق الزجاجة في الذكاء الاصطناعي من “هل يمكن للنموذج أن يفكر؟” إلى “هل يمكن للخلفية أن تنفذ بالتوازي وبكلفة منخفضة بما يكفي؟”.
ثالثًا: كيف يتحول الطلب على القدرة الحسابية إلى أرباح؟
الطلب لا يساوي الربح تلقائيًا؛ المفتاح هو النموذج الاقتصادي لوحدة Muse. توجد اشتراكان: النسخة المجانية مع إضافة 20 دولارًا، وخطة 100 دولار. وفي المستقبل قد يتحقق الدخل أيضًا عبر وكلاء المؤسسات (enterprise agents) وواجهات للمطورين وعمولات على المعاملات. يستطيع Muse التعرف على نوايا استهلاك حقيقية، وبالتالي يمكن أن تكون قيمة المستخدم الفردية—نظريًا—أعلى من نقرة الإعلان التقليدية. وقدّرَت جهات بحثية أن الإيرادات المستقبلية قد تتجاوز مئة مليار دولار.
لكن بنية التكاليف للـ Agent مختلفة: يلزم تشغيل آلات افتراضية للمستخدم، واستهلاك الذاكرة، وحرق الشبكة، واستدعاء النماذج. كلما استخدمت بشكل أشد، ارتفعت تكاليف الخلفية. أما الشريحتان للاشتراك فهما جوهرًا أيضًا أدوات لإدارة الموارد—تحديد عدد المهام، وتحديد عدد الاستدعاءات، وتقييد مدة التشغيل في الخلفية. وبالمقارنة مع الاشتراك الثابت، فإن عمولة المعاملات أكثر توافقًا مع بنية تكلفة الـ Agent.
إلا أن نموذج المعاملات قد يشعل صراعات بين المنصات. فقد قطعت أمازون وصول Muse إلى الشراء داخل تطبيقها. إذ بعد أن ينجز الـ Agent للمستخدم عملية البحث والتقديم للطلب، يتخطى المستخدم صفحات التوصيات والإعلانات. ومن المرجح أن تتبع منصات الطرف الثالث إحدى ثلاث طرق: فرض رسوم على واجهة مفتوحة، أو اشتراط تقاسم الأرباح عن المعاملات، أو منع الوصول غير المصرح به. أي طريق منها سيضغط حدود خدمة Muse وهوامش ربحه.
رابعًا: كيف نفهم سلسلة انتقال الأثر
بالنسبة إلى Meta: Muse هو الاختبار الحاسم فيما إذا كانت الإنفاق الرأسمالي على الذكاء الاصطناعي يمكن أن يتحول إلى دخل على مستوى المستهلكين—عدد مرات التحميل يثبت التوزيع، ومعدل إتمام المهام يحدد القيمة، والاحتفاظ والاشتراك المدفوع يحدد الإيرادات، وتكلفة كل مهمة تحدد الأرباح.
بالنسبة إلى إنتل: GPU تفكر وCPU تنفذ. فإذا ما انطلقت وكلاء الذكاء الاصطناعي للاستهلاك على نطاق واسع، فقد تتحول CPU في الخوادم من عنصر مساعد إلى حلقة حاسمة تحدد حجم التوازي وتكلفة التشغيل.
سلسلة الانتقال كاملة هي: يصل الـ Agent على مستوى المستهلك إلى المستخدم → تتحول المهام من مجرد سؤال/جواب إلى تنفيذ مستمر → تتصاعد الحاجة إلى الآلات الافتراضية والمتصفح واستدعاءات الأدوات → ترتفع متطلبات CPU والذاكرة والشبكة → ترتفع تكاليف البنية التحتية → تؤكد الاشتراكات والإيرادات من المعاملات الجدوى الاقتصادية لوحدة العمل → تتحول أخيرًا إلى أرباح الموردين على شكل طلب على الشرائح.
تحدد GPU ما إذا كان الـ Agent قادرًا على التفكير وتوضيح الخطة بشكل كافٍ، بينما تحدد CPU والبنية التحتية للنظام ما إذا كان يمكنه إنجاز العمل بالتزامن لمصلحة عدد كافٍ من الأشخاص؛ أما العائد الرأسمالي النهائي فيعتمد على مقدار المال الذي يُكسبه كل مرة لإنجاز مهمة، ومدى قدرته على تغطية تكاليف سلسلة التنفيذ كاملة.
أولاً: ماذا تغيّر في Muse؟
في السوق، لا يزال معظم الذكاء الاصطناعي للمستهلكين في جوهره أدوات للحوار والإجابة: تُدخل مقطعًا من النص، فيجري النموذج الاستدلال ثم يُخرج النتيجة وتنتهي المهمة. أما Muse فيسحب الذكاء الاصطناعي من نافذة الدردشة إلى سير العمل الحقيقي: أنت تحدد هدفًا، فيقوم بتفكيك الخطوات، وتسجيل الدخول إلى المواقع، واستدعاء خدمات خارجية، وقراءة حالة الصفحة، ثم يقرر الخطوة التالية. وعند مواجهة الدفع أو إرسال البريد الإلكتروني أو تعديل المواعيد، فإنه يتواصل معك للحصول على إذن قبل التنفيذ، ثم يعود لإكمال المهمة مع متابعة ما إذا كانت قد اكتملت.
الحلقة المغلقة هي: فهم الهدف → وضع خطة → استدعاء الأدوات → مراقبة النتائج → تعديل الخطة → الاستمرار في التنفيذ.
وحدة عمل الذكاء الاصطناعي التقليدي هي “حوار واحد”، بينما وحدة عمل الـ Agent هي “مهمة كاملة”. كذلك زوّدت Meta بيئة تنفيذ قابلة للاستمرار على السحابة—حتى بعد إغلاق التطبيق يستمر العمل في الخلفية. وهذا يعني أن المنافسة لم تعد تركز فقط على نموذج الأساس؛ بل أيضًا على منافذ التوزيع وبيانات المستخدم والبيئة التجارية. تمتلك Meta مداخل هائلة إلى المستخدمين. وبمجرد أن يتراكم Muse البريد الإلكتروني والمواعيد وسلوكيات الشراء وتاريخ المهام، تصبح تكلفة الانتقال مرتفعة جدًا—ليس عليك نقل سجل الدردشة فحسب، بل نقل أسلوب العمل بأكمله.
ثانيًا: لماذا هذه المرة كان السحب باتجاه المعالجات CPU؟
خلال السنوات الماضية كان ساحة المعركة الأساسية لبنية الذكاء الاصطناعي التحتية هي GPU. لكن مع دخول الـ Agent إلى سير العمل تغيّر هيكل الحساب: GPU مسؤولة عن “التفكير” (فهم الهدف، توليد الخطة، التعرف على الصفحة)، بينما جزء “الإنجاز” الحقيقي—تشغيل النظام، وفتح الآلات الافتراضية، وضبط الـ API، وإدارة الصلاحيات، وإدارة حالة المهام—ينتهي كله على CPU والخوادم التقليدية.
سلسلة نماذج الدردشة هي: إدخال → استدلال → إخراج → تحرير الموارد. أما سلسلة الـ Agent فهي: استدلال → تنفيذ على CPU → انتظار الاستجابة من الخارج → إعادة قراءة الحالة → استدلال مرة أخرى → تنفيذ مرة أخرى. وقد يدور مشروع طويل عشرات أو مئات المرات. يجب أن تظل المتصفح والآلة الافتراضية والذاكرة وحالة المهام متصلة طوال الوقت. وبذلك لا يعود طلب حسابات الذكاء الاصطناعي مقتصرًا على “توليد Token واحد”، بل يمتد إلى “الموارد النظامية كاملة لتنفيذ مهمة”.
إذا ما فتح Muse أمام مليارات المستخدمين، حتى إن كان جزء صغير منهم فقط يشغّل الـ Agent بالتزامن، فسيؤدي ذلك إلى توليد سيل هائل من الآلات الافتراضية المتزامنة، وعمليات المتصفح، واستدعاءات الـ API. بما أن الـ Agent الشخصي سيتعامل مع البريد الإلكتروني والدفع وصلاحيات الحسابات، فلا يمكن حشر مهام الجميع في بيئة واحدة. وكلما زادت الحاجة إلى العزل الأمني، زاد وجوب توفير موارد مستقلة لكل مستخدم. تنبع متطلبات الـ CPU في عصر الـ Agent من ثلاث خطوط: زيادة عدد المهام المتزامنة، إطالة مدة المهمة، وتشديد العزل الأمني. وهذا أيضًا سبب عودة السوق إلى التركيز مجددًا على خوادم متعددة الأنوية من نوع CPU. وحتى توجد تقديرات تقول إن احتياج معالجات CPU من المرجح أن يتضاعف في المستقبل، وأن نسبة CPU إلى GPU ستقترب من 1:1.
خلاصة إطار الملاحظة بجملة واحدة: عندما تنخفض تكلفة الاستدلال، تتحول عنق الزجاجة في الذكاء الاصطناعي من “هل يمكن للنموذج أن يفكر؟” إلى “هل يمكن للخلفية أن تنفذ بالتوازي وبكلفة منخفضة بما يكفي؟”.
ثالثًا: كيف يتحول الطلب على القدرة الحسابية إلى أرباح؟
الطلب لا يساوي الربح تلقائيًا؛ المفتاح هو النموذج الاقتصادي لوحدة Muse. توجد اشتراكان: النسخة المجانية مع إضافة 20 دولارًا، وخطة 100 دولار. وفي المستقبل قد يتحقق الدخل أيضًا عبر وكلاء المؤسسات (enterprise agents) وواجهات للمطورين وعمولات على المعاملات. يستطيع Muse التعرف على نوايا استهلاك حقيقية، وبالتالي يمكن أن تكون قيمة المستخدم الفردية—نظريًا—أعلى من نقرة الإعلان التقليدية. وقدّرَت جهات بحثية أن الإيرادات المستقبلية قد تتجاوز مئة مليار دولار.
لكن بنية التكاليف للـ Agent مختلفة: يلزم تشغيل آلات افتراضية للمستخدم، واستهلاك الذاكرة، وحرق الشبكة، واستدعاء النماذج. كلما استخدمت بشكل أشد، ارتفعت تكاليف الخلفية. أما الشريحتان للاشتراك فهما جوهرًا أيضًا أدوات لإدارة الموارد—تحديد عدد المهام، وتحديد عدد الاستدعاءات، وتقييد مدة التشغيل في الخلفية. وبالمقارنة مع الاشتراك الثابت، فإن عمولة المعاملات أكثر توافقًا مع بنية تكلفة الـ Agent.
إلا أن نموذج المعاملات قد يشعل صراعات بين المنصات. فقد قطعت أمازون وصول Muse إلى الشراء داخل تطبيقها. إذ بعد أن ينجز الـ Agent للمستخدم عملية البحث والتقديم للطلب، يتخطى المستخدم صفحات التوصيات والإعلانات. ومن المرجح أن تتبع منصات الطرف الثالث إحدى ثلاث طرق: فرض رسوم على واجهة مفتوحة، أو اشتراط تقاسم الأرباح عن المعاملات، أو منع الوصول غير المصرح به. أي طريق منها سيضغط حدود خدمة Muse وهوامش ربحه.
رابعًا: كيف نفهم سلسلة انتقال الأثر
بالنسبة إلى Meta: Muse هو الاختبار الحاسم فيما إذا كانت الإنفاق الرأسمالي على الذكاء الاصطناعي يمكن أن يتحول إلى دخل على مستوى المستهلكين—عدد مرات التحميل يثبت التوزيع، ومعدل إتمام المهام يحدد القيمة، والاحتفاظ والاشتراك المدفوع يحدد الإيرادات، وتكلفة كل مهمة تحدد الأرباح.
بالنسبة إلى إنتل: GPU تفكر وCPU تنفذ. فإذا ما انطلقت وكلاء الذكاء الاصطناعي للاستهلاك على نطاق واسع، فقد تتحول CPU في الخوادم من عنصر مساعد إلى حلقة حاسمة تحدد حجم التوازي وتكلفة التشغيل.
سلسلة الانتقال كاملة هي: يصل الـ Agent على مستوى المستهلك إلى المستخدم → تتحول المهام من مجرد سؤال/جواب إلى تنفيذ مستمر → تتصاعد الحاجة إلى الآلات الافتراضية والمتصفح واستدعاءات الأدوات → ترتفع متطلبات CPU والذاكرة والشبكة → ترتفع تكاليف البنية التحتية → تؤكد الاشتراكات والإيرادات من المعاملات الجدوى الاقتصادية لوحدة العمل → تتحول أخيرًا إلى أرباح الموردين على شكل طلب على الشرائح.
تحدد GPU ما إذا كان الـ Agent قادرًا على التفكير وتوضيح الخطة بشكل كافٍ، بينما تحدد CPU والبنية التحتية للنظام ما إذا كان يمكنه إنجاز العمل بالتزامن لمصلحة عدد كافٍ من الأشخاص؛ أما العائد الرأسمالي النهائي فيعتمد على مقدار المال الذي يُكسبه كل مرة لإنجاز مهمة، ومدى قدرته على تغطية تكاليف سلسلة التنفيذ كاملة.