صعود Mercor إلى تقييم 20 مليار دولار يكشف أن عنق الزجاجة القادم للذكاء الاصطناعي ليس الحوسبة

بدأت شركة Mercor كمنصة توظيف تستخدم الذكاء الاصطناعي لمطابقة المتعاقدين بالوظائف. وبحلول سبتمبر 2026، بلغت قيمتها نحو 20 مليار دولار — ضعف تقييمها قبل عشرة أشهر فقط — والنشاط التجاري وراء هذا الرقم لم يعد له علاقة تُذكر بالتوظيف. تبني Mercor الآن أماكن عمل محاكاة تتدرب فيها نماذج الذكاء الاصطناعي على المهام وتُقيَّم بناءً على النتائج، وهذا التحول هو أوضح دليل حتى الآن على أن عنق الزجاجة الحقيقي لصناعة الذكاء الاصطناعي قد تحول بعيداً عن القدرة الحاسوبية الخام.

تُعرف هذه الفئة باسم "بيئات RL" (بيئات التعلم المعزز)، وهي حيث تنفق المختبرات الرائدة الآن حصة متنامية بسرعة من ميزانيات تدريبها. أفادت التقارير بأن Anthropic ناقشت إنفاق أكثر من مليار دولار على البيئات في عام 2026 وحده. وصرّحت قيادة الأبحاث في OpenAI علناً بأن الشركة تتوقع أن يتجاوز حوسبة التعلم المعزز قريباً ما تنفقه على التدريب المسبق.

من وسم البيانات إلى بناء ملاعب التدريب

كان خط إنتاج تدريب النماذج القديم بسيطاً: جمع أو ترخيص النصوص، وسم بعضها، ثم التدريب المسبق للنموذج على المجموعة الناتجة. لا يزال هذا الخط قائماً، لكنه ينتج عوائد متناقصة بالنسبة لنوع السلوك الوكيلي متعدد الخطوات الذي تريده المختبرات الآن — كتابة كود عملي عبر مستودع حقيقي، إغلاق دورة محاسبية، التفاوض عبر تذكرة دعم عملاء متعددة الأدوار حتى حلها.

لا يمكن تعلم ذلك من مجموعة بيانات ثابتة. تحتاج إلى بيئة محاكاة يمكن للنموذج فيها اتخاذ إجراء ورؤية عاقبة واقعية والحصول على درجة مقابل نتيجة يمكن التحقق منها. إن بناء هذه البيئات — نظام محاسبي وهمي عملي، قاعدة كود قابلة للتصفح تحتوي أخطاء حقيقية، محاكي دعم عملاء متعدد الأدوار — تخصص مختلف تماماً عن وسم البيانات، أقرب إلى بناء لعبة فيديو منه إلى التعليق على جدول بيانات.

تحكي تحركات منتجات Mercor نفسها القصة. أطلقت APEX-SWE، بيئة معيارية لهندسة البرمجيات، في مارس 2026. وفي يوليو، تشاركت مع شركة إدارة الإنفاق Ramp لإطلاق APEX-Accounting. وكانت عمليتا الاستحواذ وراء هذه القدرة — Sepal AI في فبراير وDeeptune في يوليو — صراحةً لبناء قدرة هندسة البيئات، وليس لزيادة عدد موظفي الوسم.

لماذا تتفوق البيئات اقتصادياً على المزيد من البيانات

يفسر الاقتصاد التقييم. تُستخدم مجموعة البيانات الموسومة مرة واحدة، وتُنقّح مرة واحدة، وتتشبع في النهاية — فالنموذج المدرَّب بعد نقطة معينة على الأمثلة الثابتة ذاتها يتوقف عن التحسن. أما البيئة المبنية جيداً فهي قابلة لإعادة الاستخدام وتراكمية: يمكن لكل جيل جديد من النماذج التدريب عليها مجدداً، ويمكن جعل البيئة نفسها أصعب مع تحسن النماذج، مما يطيل عمرها النافع إلى أجل غير مسمى.

هذه القابلية لإعادة الاستخدام هي سبب قدرة شركة تبيع البيئات على تحصيل رسوم أعلى لكل عقد مقارنة بشركة تبيع كميات معادلة من الأمثلة الموسومة، وسبب انتقال عنوان "مهندس بيئة RL" من وظيفة بالكاد كانت موجودة في 2024 إلى أحد أعلى الأدوار أجراً وأصعبها توظيفاً في الذكاء الاصطناعي بحلول 2026.

ثلاث فئات تتسابق لامتلاك هذه الطبقة

انقسم السوق إلى ثلاث مجموعات. الأولى هي شركات البيانات البشرية الراسخة التي تحولت بقوة نحو البيئات — Mercor وSurge AI (بإيرادات مُبلَّغ عنها نحو 1.2 مليار دولار) وScale AI وTuring وCentific. الثانية هي شركات ناشئة أصلية في البيئات لم تمارس وسم البيانات التقليدي إطلاقاً: Mechanize وFleet AI وHUD وVeris AI وPlato وBespoke Labs. الثالثة هي أنظمة بيئية مفتوحة ولامركزية مثل Prime Intellect.

ماذا يعني هذا عملياً

بالنسبة للمهندسين: هندسة البيئات أصبحت الآن تخصصاً مميزاً وذا أجر جيد يستحق التعلم المتعمد. بالنسبة للمشترين المؤسسيين الذين يقيّمون ادعاءات بائع ذكاء اصطناعي حول سير عمل معين، السؤال المفيد لم يعد "كم من البيانات دربتم عليها" بل "أي بيئة بنيتموها للتحقق من هذا السلوك، وما مدى قربها من سير عملي الفعلي". بالنسبة للمؤسسين في المجالات المجاورة، لا تزال طبقة البيئات فتية بما يكفي لتظل بيئات متخصصة في القطاعات الأقل خدمة أرضاً مفتوحة.

قصة الحوسبة لم تنته بعد. لكن بالنسبة للجيل القادم من النماذج، يبدو القيد الملزم بشكل متزايد هو ما إذا كانت المختبرات تملك نسخة محاكاة جيدة بما يكفي من العالم الحقيقي للتدريب عليها — ومن يتحكم بأفضل نسخ من هذه المحاكاة.