تطور صناعة الذكاء الاصطناعي في الصين: أهمية التعلم من الرقائق المحلية إلى خوارزمية Hangsheng

على مدى العقد الماضي، كانت واحدة من أهم الدروس التي تعلمها القطاع هي قيمة التعلم من التحديات والتكيف. مؤخرًا، أظهر قطاع الذكاء الاصطناعي الصيني مسارًا مذهلاً من التعلم والتغيير يتبع تقليد العقبات الجيوسياسية. من خلال دراسة عميقة للتكنولوجيا وبناء النظام البيئي، حققت الصين انتقالًا لا مثيل له من الاعتماد إلى الاكتفاء الذاتي.

العقبة الحقيقية: ليست الرقائق، بل نظام بيئة البرمجيات

لقد واجهت شركة ZTE قيودًا على أشباه الموصلات لسنوات، والدرس الرئيسي الآن للشركات الصينية في الذكاء الاصطناعي يتجاوز الأجهزة. القوة الحاسمة التي تمنحها السيطرة ليست الرقاقة نفسها، بل CUDA — بنية المعالجة الموحدة للأجهزة من NVIDIA.

يعد CUDA منصة حوسبة متوازية أُطلقت في 2006. أهميتها تكمن في تقديمها لنظام بيئي كامل من البنية التحتية الأساسية إلى أدوات البرمجيات العليا. بعد أكثر من عقد من الدراسة والتطوير، أصبح CUDA أساسًا لمعظم أطر الذكاء الاصطناعي الكبرى في العالم — من TensorFlow من Google إلى PyTorch من Meta.

نتيجةً للاستمرار في التعلم وتطوير النظام البيئي، أصبح لدى CUDA عجلة دفع (Flywheel). حتى 2025، يضم النظام البيئي حوالي 4.5 مليون مطور، وأكثر من 3000 تطبيق مع تسريع GPU، وأكثر من 40,000 شركة تستخدمه. هذا المعدل المذهل من التعلم والتبني يعني أن أكثر من 90% من مطوري الذكاء الاصطناعي العالميين يعتمدون على نظام NVIDIA.

أهمية التعلم من نظام CUDA لا تقتصر على التكامل التقني فحسب، بل تمتد إلى التكيف الثقافي والتنظيمي. كل مطور، وفريق بحث، وشركة تستثمر آلاف الساعات في دراسة أدوات CUDA، وتقنيات التحسين، وأفضل الممارسات. هذا التعلم الجماعي يخلق حاجزًا يصعب تجاوزه.

استراتيجية غير متماثلة: دراسة بنية خوارزمية جديدة

لكن بدلاً من الرد المباشر، اختارت الشركات الصينية في الذكاء الاصطناعي مسارًا أكثر استراتيجية — دراسة واستخدام نماذج الخبراء المختلطة، أو MoE (Mixture of Experts). هذا الاختراق هو نتيجة دراسة عميقة لكيفية تحسين كفاءة التدريب باستخدام موارد حوسبة محدودة.

يُعد DeepSeek V3 مثالًا كلاسيكيًا على هذه الاستراتيجية. يحتوي على 671 مليار معلمة، لكنه عند كل استنتاج يُشغل فقط 37 مليار — أي 5.5% من الإجمالي. هذا النهج الانتقائي في التفعيل أدى إلى طريقة ثورية: استخدام 2048 وحدة GPU من نوع NVIDIA H800 خلال 58 يومًا فقط، بتكلفة 5.576 مليون دولار.

المقارنة في تكاليف التدريب تتحدث بصوت عالٍ: GPT-4 تكلف حوالي 78 مليون دولار. الفرق ناتج عن التعلم المستمر وتحسين تصميم الخوارزمية.

استراتيجية التسعير الناتجة عن هذا التعلم تعتبر ثورية. سعر API الخاص بـ DeepSeek يتراوح بين 0.028 و0.28 دولار لكل مليون رمز إدخال، بينما GPT-4 يكلف 5 دولارات، وClaude Opus 15 دولارًا. هذا النهج في الكفاءة من حيث التكلفة يخلق سعرًا أقل بمقدار 25 إلى 75 مرة — ميزة استراتيجية لا يمكن للسوق تجاهلها.

البيانات من OpenRouter تظهر التأثير الحقيقي لهذا التعلم: في فبراير 2026، قفز الاستخدام الأسبوعي لنماذج الذكاء الاصطناعي الصينية بنسبة 127% خلال ثلاثة أسابيع، مما أظهر لأول مرة أن الولايات المتحدة تتراجع. حصة السوق للنماذج الصينية ارتفعت من 2% في العام السابق إلى 6% — زيادة بنسبة 421% ناتجة عن التعلم الجماعي في تحسين الخوارزميات.

بناء قوة حوسبة محلية: التعلم من Huawei و Loongson

المرحلة التالية من التعلم تتعلق بتطوير بنية تحتية حوسبة محلية. في جيانغسو شينغهوا، بدأ خط إنتاج خوادم بطول 148 مترًا في 2025، يعكس التعلم الجماعي لنظام البيئة الصيني في بناء قدرات شرائح محلية.

جوهر هذا الخط هو معالج Loongson 3C6000 ومسرع الذكاء الاصطناعي TaiChu Yuanqi T100، كل منهما نتيجة دراسة وتطوير طويلة. من تصميم الأجهزة، وتحسين مجموعة التعليمات، إلى المعمارية الدقيقة، تظهر فهمًا تقنيًا عميقًا لم يكن متاحًا سابقًا للصناعة الصينية.

سلسلة Huawei Ascend أصبحت محور هذا التعلم. حتى نهاية 2025، جذب نظام Ascend حوالي 4 ملايين مطور — وهو دراسة لاستراتيجيات بناء النظام البيئي استُمدت مباشرة من نموذج CUDA. أكثر من 3000 شريك و43 نموذج لغة كبير تم تدريبها مسبقًا باستخدام Ascend، يدل على نجاح اعتماد هذا النهج.

وكان التحول الحاسم هو الانتقال من قدرات التوليد فقط إلى القدرة الكاملة على التدريب. في يناير 2026، أصبح نموذج GLM-Image أول نموذج توليد صور SOTA يتم تدريبه بالكامل باستخدام شرائح محلية. وفي فبراير، أنهت شركة China Telecom عملية التدريب الكاملة لنموذجها “Xingchen” في تجمع الحوسبة المحلي في شنغهاي لينغانغ.

الدروس التقنية واضحة: يتطلب التدريب قوة حوسبة أعلى، وعرض نطاق تواصل أعلى، وتطورًا في النظام البيئي البرمجي مقارنةً بالتوليد فقط. هذا التركيز يمثل تقدمًا نوعيًا.

البنية التحتية Huawei SuperPoD، التي أُطلقت في MWC في 2 مارس 2026، تعكس التعلم من المعايير العالمية. لقد أصبح القدرة على الحوسبة FP16 لنموذج Ascend 910B معادلاً لنموذج NVIDIA A100 — وهو درس يُظهر أنه رغم وجود فجوات، فإن المسار يتجه نحو التماثل وما بعده.

ميزة الطاقة: البعد الثاني للتعلم الاستراتيجي

بينما المنافسة على الرقائق واضحة، يحدث التعلم الأكثر استراتيجية في مجال الطاقة. بدأت ولايات فيرجينيا، جورجيا، إلينوي، وميشيغان في تقييد مشاريع مراكز البيانات الجديدة، تعكس قيود شبكة الكهرباء. وفقًا لوكالة الطاقة الدولية، استهلاك الكهرباء لمراكز البيانات الأمريكية بلغ 183 تيراواط ساعة في 2024 (أي 4% من الإجمالي الوطني)، ومن المتوقع أن يتضاعف ليصل إلى 426 تيراواط ساعة بحلول 2030، ليشكل 12% من الاستهلاك الوطني.

حذر الرئيس التنفيذي لشركة Arm من أن مراكز البيانات الذكية قد تستهلك بحلول 2030 بين 20 و25% من كهرباء الولايات المتحدة. شبكة PJM في الشرق الأمريكي تعاني من نقص قدرة قدره 6 جيجاواط، وبحلول 2033، ستواجه البلاد عجزًا قدره 175 جيجاواط — يعادل استهلاك طاقة 130 مليون أسرة.

وفي المقابل، يكشف التعلم الاستراتيجي لمزايا الطاقة الصينية عن إنتاج كهرباء سنوي أكبر بمقدار 2.5 مرة — 10.4 تريليون وحدة مقابل 4.2 تريليون في الولايات المتحدة. والأهم أن الاستهلاك السكني في الصين يمثل فقط 15% من الإجمالي، بينما في الولايات المتحدة 36% — مما يشير إلى قدرة صناعية أكبر لنشر قدرات الحوسبة.

الفارق في أسعار الكهرباء مذهل: المعدلات في المناطق التي تتركز فيها شركات الذكاء الاصطناعي الأمريكية تتراوح بين 0.12 و0.15 دولار لكل كيلوواط ساعة، بينما المعدلات الصناعية في غرب الصين تبلغ 0.03 دولار — أي نصف أو خمس عشر من السعر. دراسات اقتصاد الطاقة توفر ميزة تنافسية مستدامة.

التعلم من اقتصاد الرموز: سلعة رقمية جديدة

الدراسة الأساسية الحالية لصناعة الذكاء الاصطناعي الصينية تتعلق بالتحول إلى الرموز كوحدة حساب رئيسية. الرموز، وهي الوحدة الأساسية للمعلومات التي تعتبرها نماذج الذكاء الاصطناعي، أصبحت سلعة رقمية جديدة تصدر من مصانع الحوسبة الصينية إلى العالم.

تكشف بيانات توزيع مستخدمي DeepSeek عن استراتيجية دخول السوق العالمية الناجحة التي نتجت عن الدراسة: 30.7% من المستخدمين من الصين، 13.6% من الهند، 6.9% من إندونيسيا، 4.3% من الولايات المتحدة، 3.2% من فرنسا. يدعم الخدمة 37 لغة وتحظى بتقدير واسع في الأسواق الناشئة مثل البرازيل.

مقاييس الاعتماد تعكس نجاح الدراسة: 26,000 شركة حول العالم لديها حسابات، و3,200 مؤسسة تستخدم النسخ المؤسسية. بحلول 2025، 58% من الشركات الناشئة الجديدة في الذكاء الاصطناعي تدمج DeepSeek في بنيتها التحتية التقنية. في الصين نفسها، بلغت الحصة السوقية 89%، بينما تتراوح بين 40 و60% في دول أخرى — وهو حضور سوقي عالمي ناتج عن دراسة منهجية لاحتياجات السوق.

دروس تاريخية: التعلم من انهيار أشباه الموصلات الياباني

يعد التعلم من تجربة اليابان ضروريًا في التخطيط الاستراتيجي. في 1986، فرضت اتفاقية أشباه الموصلات بين الولايات المتحدة واليابان ثلاثة قيود رئيسية: متطلبات فتح السوق بنسبة لا تقل عن 20% حصة السوق الأمريكية، وضوابط على تسعير التصدير، وضرائب عقابية.

كان مسار الانحدار واضحًا في البيانات التاريخية. بحلول 1988، كانت اليابان تسيطر على 51% من سوق أشباه الموصلات العالمي (مقابل 36.8% في الولايات المتحدة)، وكانت أكبر 10 شركات منها ستة يابانية. لكن بعد الاتفاق، أدى دعم استراتيجية أمريكا لشركات مثل سامسونج وSK Hynix مع تقييد الشركات اليابانية إلى انهيار حاد في الحصة السوقية — حيث انخفضت حصة DRAM من 80% إلى 10%. بحلول 2017، كانت حصة سوق اليابان في رقائق الدوائر المتكاملة فقط 7%.

الدروس الأساسية من هذه المأساة هي خطورة الرضا عن النفس في تقسيم العمل العالمي. كانت اليابان أفضل مصنع، لكنها فشلت في تطوير نظام بيئي مستقل. وعندما تراجعت الموجة، أدركوا أنه لا يوجد لديهم تصنيع خارجي.

ثمن الاستقلال: تكاليف التعلم في بناء النظام البيئي

تكشف التقارير الفصلية من شركات شرائح الذكاء الاصطناعي الصينية التي صدرت في 27 فبراير 2026 عن التكاليف الحقيقية للتعلم في النظام البيئي:

• Cambrian: زيادة في الإيرادات بنسبة 453%، وتحقيق الربحية السنوية لأول مرة
• Moore Threads: زيادة في الإيرادات بنسبة 243%، لكن خسارة صافية بمليار دولار
• Muxi: زيادة في الإيرادات بنسبة 121%، وخسارة صافية بقيمة 8 مليارات دولار

هذه التباينات المالية تعكس الواقع القاسي لتطوير النظام البيئي. الطلب السوقي يتطلب بدائل حيث لا وجود لـNVIDIA، وتوفر الفرصة الجيوسياسية ميزة هيكلية نادرة. لكن تكاليف التعلم مرتفعة جدًا.

كل خسارة تمثل رأس مال حقيقي أنفق في التعلم البيئي — تدريب، دعم برمجي، وتكاليف نشر المهندسين في مواقع العملاء لحل المشكلات التقنية. هذه الخسائر ليست نتيجة ضعف تشغيلي، بل استثمارات ضرورية لبناء نظام بيئي مستقل. كل تحدٍ تقني يُعلم ويعزز القدرة على البناء.

هذه التقارير الثلاثة تعكس بصدق واقع معركة القدرة الحاسوبية أكثر من أي تقرير صناعي. ليست انتصارًا احتفاليًا، بل حرب مواضع قاسية حيث يعلو الجنود وهم ينزفون.

تحول الأسئلة الاستراتيجية: من البقاء إلى الاقتصاد

أكثر الأسئلة جوهرية هو التحول في التفكير الاستراتيجي. قبل ثمانية أعوام، كان السؤال: “هل يمكننا البقاء على قيد الحياة؟” الآن، السؤال هو: “ما هي التكاليف التي علينا دفعها للبقاء على قيد الحياة؟”

والتكاليف ذاتها هي التعلم والتطوير. الاستمرار في التعلم من التحديات التقنية، وردود فعل السوق، والديناميات التنافسية يخلق ميزة تراكمية لا يمكن لنفيديا أن تحققها.

وسط الضغوط الجيوسياسية، اختارت صناعة الذكاء الاصطناعي الصينية مسارًا أصعب — من تحسين الخوارزميات على مستوى عميق، إلى تطوير شرائح محلية موجهة من التوليد إلى التدريب، إلى تعبئة 4 ملايين مطور في نظام Ascend، وصولاً إلى توزيع الرموز عالميًا. كل خطوة تبني نظامًا صناعيًا مستقلًا لم يكن موجودًا في اليابان سابقًا.

أهمية التعلم لم تكن يومًا أكثر وضوحًا، وسعره لم يكن يومًا أدق في الدفع.