حرب التقطير: كيف تتحول إجابات الذكاء الاصطناعي إلى رأس مال؟

قد تنفق شركة ذكاء اصطناعي مليارات الدولارات على الحوسبة والبيانات والباحثين لبناء نموذج متقدم. لكن ماذا لو استطاع منافس استخدام إجابات ذلك النموذج لتدريب نموذجه الخاص واكتساب جزء من قدراته بتكلفة أقل؟

هنا تظهر أهمية التقطير (Distillation)، وهي تقنية معروفة في الذكاء الاصطناعي تقوم، بصورة مبسطة، على استخدام مخرجات نموذج أكثر قدرة للمساعدة في تدريب نموذج آخر. التقنية نفسها ليست غير مشروعة بالضرورة، لكن الخلاف يبدأ عندما تُستخدم مخرجات نموذج تجاري على نطاق واسع ومن دون تصريح لتطوير نموذج منافس.

وهذا تحديدًا ما وضع «التقطير» في قلب المنافسة المتصاعدة بين شركات الذكاء الاصطناعي الأميركية والصينية.

ملايين المحادثات تتحول إلى بيانات تدريب

في يونيو 2026، اتهمت شركة Anthropic مشغلين مرتبطين بـAlibaba ومختبرها Qwen باستخدام نحو 25 ألف حساب احتيالي لإجراء أكثر من 28.8 مليون تبادل مع نموذج Claude خلال الفترة من 22 أبريل إلى 5 يونيو.

وقالت Anthropic إن الهدف كان استخراج قدرات من Claude يمكن استخدامها في تطوير نماذج منافسة. ولم تعلق Alibaba على تلك الاتهامات في التقرير الذي نشرته «رويترز» آنذاك.

لكن القضية اتسعت لاحقًا. ففي تقرير نشرته Anthropic في سبتمبر، قالت الشركة إنها رصدت بين مايو ويوليو حملة أكبر نسبتْها إلى Alibaba، تجاوزت 151 مليون تبادل، ووصل النشاط في ذروته إلى قرابة 3 ملايين تبادل يوميًا. وذكرت أن بعض البيانات استُخدم، بحسب تحقيقها، للمساعدة في تطوير قدرات الاستدلال في نماذج Qwen. هذه الأرقام والنتائج تظل صادرة عن تحقيق Anthropic نفسها.

لماذا يمثل ذلك قضية اقتصادية؟

القيمة الاقتصادية للنموذج المتقدم لا تكمن في البرنامج وحده. خلفه استثمارات ضخمة في مراكز البيانات والشرائح والطاقة والباحثين وعمليات التدريب والتجربة.

لذلك، عندما يستطيع نموذج آخر التعلم من ملايين الإجابات التي أنتجها نموذج متقدم، فإنه قد يستفيد من جزء من المعرفة التي تطلب بناؤها استثمارات كبيرة، من دون إعادة جميع خطوات التطوير من البداية.

بمعنى أبسط:

الشركة الأولى تدفع تكلفة اكتشاف المعرفة، بينما يحاول المنافس تقليل تكلفة تعلّمها.

وهنا يتحول التقطير من مسألة تقنية إلى سؤال اقتصادي يتعلق بمن يتحمل تكلفة الابتكار، ومن يستطيع تحويل الابتكار الموجود إلى نموذج منافس بأقل تكلفة وأسرع وقت.

لكن التقطير لا يصنع نموذجًا متقدمًا من الصفر

من المهم ألا نبالغ في قدرة التقطير.

فهو لا يلغي الحاجة إلى البيانات والحوسبة والباحثين والبنية التحتية، ولا يعني أن النموذج المتلقي سيصبح نسخة مطابقة من النموذج الأصلي. لكنه قد يسرّع اكتساب قدرات محددة، خصوصًا إذا أُجري على نطاق واسع وباستخدام مخرجات عالية الجودة.

لذلك أصبحت مخرجات النماذج نفسها أصلًا اقتصاديًا ينبغي حمايته، مثلما تحمي الشركات البرمجيات والبراءات والأسرار التجارية.

من بيع الذكاء إلى حماية الذكاء

هذه المفارقة تخلق تحديًا جديدًا لشركات الذكاء الاصطناعي.

فهي تريد إتاحة نماذجها لملايين العملاء والمطورين؛ لأن الاستخدام يولد الإيرادات. لكنها في الوقت نفسه تحتاج إلى مراقبة أنماط الاستخدام التي قد تهدف إلى جمع كميات هائلة من المخرجات لتدريب نموذج منافس.

Anthropic تقول إنها تستخدم أنظمة للكشف عن الحملات التي تعتمد على الحسابات الاحتيالية والحظر عند اكتشافها، وهو ما يوضح أن المنافسة في الذكاء الاصطناعي لم تعد تدور حول من يبني النموذج الأقوى فقط، بل أيضًا حول من يستطيع حماية المعرفة التي ينتجها نموذجه.

المغزى

في الاقتصاد التقليدي، قد تحمي الشركة مصنعها أو براءة اختراعها أو أسرار التصنيع.

أما في اقتصاد الذكاء الاصطناعي، فقد تصبح إجابات النموذج نفسها جزءًا من رأس المال المعرفي للشركة.

ولهذا فإن «حرب التقطير» تكشف تحوّلًا أعمق في المنافسة التقنية: السباق ليس فقط على من يملك أفضل نموذج، بل على تكلفة الوصول إلى القدرات، وسرعة تطويرها، والقدرة على حمايتها من أن تتحول إلى مادة تدريب لمنافسين آخرين.

وهنا قد تكون المعادلة الاقتصادية الأهم:

تكلفة أقل للتعلّم + سرعة أكبر في التطوير = ضغط أقوى على أصحاب النماذج المتقدمة.

وهذا، أكثر من فكرة «نسخ نموذج»، هو ما يجعل التقطير قضية اقتصادية تستحق المتابعة.