تكاليف استنتاج الذكاء الاصطناعي، لا التدريب، هي ما يُعيد تشكيل اقتصاديات تقديم النماذج

تكلفة تدريب نموذج متطور هي رقم يحب الصحفيون الاستشهاد به — مئات ملايين الدولارات، عشرات آلاف وحدات GPU، أشهر من الزمن الفعلي. لكنه أيضًا، بالنسبة لمعظم شركات الذكاء الاصطناعي، الرقم الخاطئ الذي يجب القلق حياله. يحدث التدريب مرة واحدة (أو عدة مرات في السنة، لتحديث النموذج). أما الاستنتاج فيحدث مع كل طلب من كل مستخدم، إلى الأبد، ويتوسع مع النجاح: فكلما كان أداء المنتج أفضل، زادت تكلفة تشغيله. وهذا يعكس جزءًا من الاقتصاد الذي كان سائدًا طوال معظم تاريخ البرمجيات، حيث كانت التكلفة الحدية لخدمة مستخدم إضافي قريبة من الصفر.

لهذا السبب يُعد الاستنتاج، لا التدريب، البند الفعلي الذي يُعيد تشكيل كيفية بناء شركات الذكاء الاصطناعي لمنتجاتها في 2026. الشركات التي تتفوق في اقتصاديات الوحدة ليست بالضرورة تلك التي تملك أفضل نموذج — بل تلك التي خفّضت تكلفة الإجابة على استعلام واحد إلى أدنى حد، من خلال مجموعة من التقنيات التي نضجت بما يكفي لتصبح ممارسة معيارية بدلًا من فضول بحثي.

الحساب الذي يجعل الاستنتاج مكلفًا

يكلّف التمرير الأمامي (forward pass) في المحوّل (transformer) تقريبًا 2 × عدد المعلمات × عدد الرموز (tokens) المعالَجة من العمليات الحسابية العائمة (FLOPs). يكلّف التدريب تقريبًا ثلاثة أضعاف ذلك لكل رمز، لأنه يُشغّل أيضًا تمريرًا عكسيًا (backward pass) وتحديث التدرج — لكن التدريب يحدث لعدد ثابت ومحدود من الرموز. الاستنتاج ليس له حدّ كهذا؛ فهو يتوسع مع كل استعلام من كل مستخدم، إلى ما لا نهاية. النموذج الذي يخدم مليار استعلام يوميًا يستهلك حوسبة تراكمية أكبر في غضون أسابيع مما استهلكه تدريبه في أشهر، بمجرد أن يحصل المنتج على استخدام حقيقي.

يزيد طول السياق (context length) الأمر سوءًا. تنمو ذاكرة التخزين المؤقت للمفتاح-القيمة (KV cache) التي يحتفظ بها المحوّل أثناء التوليد مع طول التسلسل × عدد الطبقات × عدد رؤوس الانتباه × بُعد كل رأس × حجم الدُفعة. إذا دفعت نوافذ السياق من 8K إلى 128K أو أكثر — وهو ما تفعله المنتجات الآن بشكل روتيني — تنمو الذاكرة المطلوبة لكل طلب متزامن تبعًا لذلك، وهذا يحدّ من عدد الطلبات التي يمكن لوحدة GPU واحدة خدمتها في الوقت نفسه. هذا الحدّ هو ما يُحدد فعليًا تكلفة كل استعلام، أكثر من عدد العمليات الحسابية الخام.

التقنيات التي تخفض التكلفة فعليًا

التكميم (quantization) هو الأداة الأكثر مباشرة: تشغيل الاستنتاج بصيغة FP8 أو INT8 بدلًا من FP16/BF16 يقلّل تقريبًا احتياجات نطاق ترددي الذاكرة إلى النصف وقد يُضاعف الإنتاجية أو أكثر على نفس العتاد، مع فقدان دقة يُدار بعناية. يذهب INT4 أبعد من ذلك للنماذج التي يمكن تحمّل فقدان الدقة فيها.

تغيّر معماريات Mixture-of-Experts (MoE) معنى "حجم النموذج" من حيث التكلفة. يملك DeepSeek-V3 671 مليار معلمة إجمالاً لكنه يُفعّل فقط حوالي 37 مليار معلمة لكل رمز — أنت تدفع تكلفة حوسبة للمجموعة الفعّالة الفرعية، لا للنموذج الكامل. هذا هو السبب الرئيسي لقدرة نماذج MoE على تقديم قدرات بمستوى متطور بجزء بسيط من تكلفة استنتاج نموذج كثيف بعدد معلمات إجمالي مماثل.

تُهاجم أنواع آلية الانتباه مشكلة KV-cache مباشرة. تستخدم Grouped-query attention (GQA)، المُستخدمة في Llama 3 وكثير من النماذج الحالية، إسقاطات مفتاح/قيمة مشتركة بين مجموعات من رؤوس الانتباه بدلًا من إعطاء كل رأس إسقاطه الخاص، مما يقلّص حجم KV-cache بعدة أضعاف بأقل خسارة في الجودة. يضغط الانتباه الكامن متعدد الرؤوس (MLA) من DeepSeek الذاكرة المؤقتة أكثر، عن طريق إسقاط المفاتيح والقيم إلى فضاء كامن أصغر قبل تخزينها مؤقتًا.

يضيف فك الترميز التخميني (speculative decoding) نموذجًا "مسودة" صغيرًا وسريعًا يقترح عدة رموز مقدمًا، يتحقق منها النموذج الكامل بالتوازي بدلًا من توليد رمز واحد في كل مرة. عندما يُخمّن نموذج المسودة بشكل صحيح — وهو ما يحدث كثيرًا في النصوص اليومية — يقلّل هذا من زمن الاستجابة ووقت GPU لكل رمز خروج بمقدار النصف إلى الثلثين تقريبًا، دون أي خسارة في جودة الخروج (لا يزال للنموذج الكبير القول الفصل في كل رمز).

على جانب بنية خدمة النماذج، تسمح تقنيتا التجميع المستمر (continuous batching) وإدارة KV-cache المُقسّمة بالصفحات — التقنية التي عمّمها مشروع vLLM تحت اسم PagedAttention — للخادم بتعبئة عدد أكبر بكثير من الطلبات المتزامنة في ذاكرة GPU نفسها عن طريق إدارة تخصيص الذاكرة المؤقتة كنظام ذاكرة افتراضية بدلًا من حجز كتلة ثابتة لأسوأ الحالات لكل طلب. هذا مكسب بنيوي خالص: نفس النموذج، نفس العتاد، إنتاجية أعلى بشكل ملموس.

التوجيه: إنفاق النموذج المكلف فقط عند الحاجة

استراتيجية منفصلة تتخلى عن تحسين استنتاج نموذج واحد وتُحسّن بدلًا من ذلك أي نموذج يُجيب على كل استعلام. تُرسل طبقة توجيه الاستعلامات البسيطة وعالية الثقة إلى نموذج رخيص وسريع، ولا تُصعّد إلا الاستعلامات الصعبة فعليًا إلى نموذج متطور ومكلف. تُسجّل المنتجات المبنية بهذه الطريقة متوسط تكلفة لكل استعلام أقل كثيرًا من تكلفة تمرير كل استعلام عبر النموذج الأعلى فئة، لأن معظم الاستعلامات الواقعية لا تحتاج إلى تفكير بمستوى نموذج متطور — بل تحتاج إلى إجابة صحيحة وسريعة.

تُعد المشاكل المالية لشركة Character.AI — التي تقدّمت بطلب حماية من الإفلاس بموجب الفصل 11 في 13 أكتوبر 2026 — دراسة حالة مفيدة لما يحدث عندما لا تُحل هذه المشكلة. يُولّد منتج محادثة حجمًا هائلًا من الاستنتاج لكل مستخدم (محادثات طويلة ومتكررة وذهابًا وعودة)، وإذا لم تُخفَّض تكلفة استنتاج كل رسالة بقوة نسبيًا إلى ما يدفعه المستخدمون أو ما تُولّده الإعلانات، فإن اقتصاديات الوحدة لا تتوازن ببساطة بغض النظر عن حجم قاعدة المستخدمين.

عتاد استنتاج متخصص

تبقى وحدات GPU العامة هي الخيار الافتراضي، لكن السيليكون المتخصص في الاستنتاج — LPU من Groq، ومحرك الحجم الكامل للويفر من Cerebras، وبنية تدفق البيانات من SambaNova — يُقايض مرونة التدريب بزمن استجابة أقل وتكلفة أقل لكل رمز في أعباء عمل الاستنتاج فقط. تهم هذه الحلول أكثر في التطبيقات عالية الحجم والحساسة لزمن الاستجابة (المساعدات الصوتية، أدوات البرمجة في الوقت الفعلي)، حيث تفوق أهمية توفير مللي ثانية وسنتات لكل طلب على نطاق واسع مرونة المُسرّع العام.

الخلاصة العملية

إذا كنت تبني منتجًا فوق واجهة برمجية LLM، تتبّع التكلفة لكل 1000 رمز خروج كمقياسك الأساسي لاقتصاديات الوحدة، لا التكلفة لكل استعلام — فالزيادة التدريجية في طول السياق هي القاتل الصامت للهوامش. حدّد سقفًا صارمًا لطول السياق لكل ميزة بدلًا من تركه ينمو دون رقابة. استخدم نموذجًا رخيصًا وسريعًا كخيار افتراضي ولا تُصعّد إلى نموذج مكلف إلا عند اكتشاف عدم اليقين أو طلب المستخدم الصريح لتفكير أعمق. وإذا كنت تُقيّم مزوّدي واجهات برمجية، اسأل مباشرة عن استراتيجيتهم في التكميم وMoE والتخزين المؤقت — فمزوّد يُشغّل استنتاج FP8 MoE مع تجميع واعٍ بـ KV-cache قد يكون أرخص بشكل ملموس من مزوّد لا يفعل ذلك، لنفس جودة النموذج الاسمية.