النماذج التوليدية في الذكاء الاصطناعي ودورها في احتكار الاقتصاد الرقمي العالمي

كيف تعيد النماذج التوليدية (Generative AI) تشكيل الاقتصاد الرقمي العالمي

بالعربية
النماذج التوليدية (Generative AI) والاقتصاد الرقمي العالمي ـ منصة بالعربية

لم يكن صعود الذكاء الاصطناعي التوليدي (Generative AI) مجرد تطور تقني ضمن مسار التحول الرقمي، بل شكل نقطة انعطاف عميقة أعادت تعريف العلاقة بين المعرفة والسوق. ففي حين كان الإنترنت في مراحله الأولى قائما على بنية موزعة (Decentralized Architecture) تتيح تعددية المصادر وتنافسها، جاءت النماذج اللغوية الكبيرة (Large Language Models – LLMs) لتُعيد تركيز هذه المعرفة داخل كيانات محدودة تمتلك القدرة على تطويرها وتشغيلها.

هذا التحول لا يتعلق فقط بكيفية الوصول إلى المعلومات، بل بكيفية إنتاجها وإعادة صياغتها. ومع انتقال المستخدم من “البحث” (Search) إلى “الاستجابة” (Answer Generation)، لم يعد السؤال: من يملك المحتوى؟ بل أصبح:

من يملك النموذج الذي يعيد إنتاج هذا المحتوى؟

وهنا تتأسس ملامح اقتصاد جديد، حيث تتحول النماذج إلى وسطاء معرفيين (Knowledge Intermediaries) يمتلكون القدرة على إعادة تشكيل السوق ذاته.

لطالما ارتبط تطور الإنترنت بفكرة الانفتاح والتوزيع، حيث يمكن لأي فاعل أن يساهم في إنتاج المحتوى والوصول إليه. غير أن صعود النماذج التوليدية أعاد تشكيل هذه المعادلة بشكل جذري. فبناء نموذج متقدم لم يعد متاحا إلا لمن يمتلك:

هذه المتطلبات أدت إلى نشوء نمط يمكن وصفه بـالذكاء الاصطناعي المركزي (Centralized AI)، حيث تتركز القدرة على إنتاج النماذج في عدد محدود من الشركات والمؤسسات. هذه المركزية لا تعني فقط احتكار الأداة، بل احتكار القدرة على إعادة تمثيل المعرفة.

في هذا السياق، لا يعمل المستخدم مباشرة مع “الإنترنت” كمجال مفتوح، بل مع نموذج يقوم بترشيح (Filtering) وإعادة تركيب (Reconstruction) المعلومات. وبهذا، تتحول النماذج إلى طبقة وسيطة تتحكم في:

هذا التحول يحد من التعددية المعرفية التي كانت تميز الويب، ويعيد إنتاج بنية أقرب إلى “منصات مغلقة” (Closed Ecosystems)، حتى وإن بدا السطح تفاعليا ومفتوحا.

في قلب هذا التحول، يظهر انقسام جوهري بين نمطين من تطوير الذكاء الاصطناعي:

النماذج المغلقة هي تلك التي تُطوّر داخل بيئات محكومة، حيث لا يُتاح الوصول إلى بنيتها أو بيانات تدريبها، ويتم تقديمها عبر واجهات استخدام محددة (APIs). هذا النمط يمنح الجهة المطورة قدرة عالية على التحكم في:

في المقابل، تسعى النماذج المفتوحة إلى إتاحة جزء أو كل من مكوناتها للمجتمع، سواء من حيث الكود أو الأوزان (Model Weights)، ما يسمح بدرجة أكبر من الشفافية وإمكانية التعديل. غير أن هذا التمييز، رغم وضوحه النظري، يصبح أكثر تعقيدا في الواقع. فحتى النماذج التي توصف بـ“المفتوحة” غالبا ما تظل مرتبطة بقيود:

ما يجعل الانفتاح نسبيا وليس مطلقا. والأهم من ذلك أن هذا الصراع لا يدور فقط حول الشفافية، بل حول من يحدد معنى المعرفة نفسها. فالنموذج المغلق لا يكتفي بإنتاج إجابات، بل يفرض إطارا ضمنيا لما يُعتبر:

وهنا يتحول الصراع من تقني إلى معرفي، حيث يصبح الانفتاح أو الانغلاق مسألة تتعلق بتوزيع السلطة على مستوى إنتاج المعنى.

أحد أخطر التحولات التي أحدثتها النماذج التوليدية يتمثل في انتقالها من دور “الناقل” إلى دور “المنتج”. ففي محركات البحث التقليدية، كان النظام يقوم باسترجاع (Retrieval) المعلومات من مصادر متعددة، مع إبقاء هذه المصادر مرئية للمستخدم. أما في النماذج التوليدية، فإن العملية تتحول إلى إنتاج (Generation)، حيث يتم تقديم الإجابة دون الإشارة الصريحة إلى مصدر محدد.

هذا التحول يخلق نوعا جديدا من الوساطة يمكن تسميته بـالوساطة التوليدية (Generative Mediation)، حيث:

في هذا السياق، لا يعود النموذج مجرد أداة، بل يصبح فاعلا معرفيا (Epistemic Actor) يشارك في تحديد ما يُعرف وكيف يُعرف. وهذه النقطة هي جوهر التحول:

لم تعد المعرفة تُستهلك كما هي، بل تُعاد صياغتها داخل بنية خوارزمية مغلقة نسبيا.

هذا الوضع يفتح الباب أمام إعادة تشكيل السوق المعرفي، حيث لا تتنافس المواقع فقط على الظهور، بل على أن تكون “مادة خام” تُغذي النماذج، دون ضمان ظهورها أو نسبتها.

يكشف هذا المحور من الدراسة؛ أن صعود النماذج التوليدية أدى إلى تحول بنيوي من بيئة معرفية مفتوحة إلى بنية أكثر مركزية، حيث تتحكم النماذج في إنتاج المعرفة وتوزيعها. هذا التحول لا يعيد فقط تشكيل السوق، بل يطرح أسئلة عميقة حول:

كيف تتحول الخوارزميات إلى بنية للهيمنة الاقتصادية:

لم يعد النموذج مجرد أداة تقنية ضمن سلسلة الإنتاج، بل أصبح أصلا استراتيجيا (Strategic Asset) تتحدد من خلاله قواعد السوق نفسها. هذا التحول لا يعكس فقط صعود فاعلين جدد، بل يكشف عن انتقال عميق من اقتصاد قائم على المحتوى إلى اقتصاد قائم على امتلاك البنية التوليدية (Generative Infrastructure Ownership).

ففي الاقتصاد الرقمي التقليدي، كانت الشركات تتنافس على إنتاج خدمات أو محتوى يجذب المستخدمين، وكان التفوق مرتبطا بقدرة المنصة على تحسين تجربة الاستخدام أو توسيع قاعدة الجمهور. غير أن النماذج التوليدية أدخلت طبقة جديدة من القيمة، حيث لم يعد التنافس يدور حول “ما يُعرض”، بل حول “النظام الذي يُعيد إنتاج ما يُعرض”.

هذا التحول يمنح النموذج خصائص الأصل الاحتكاري، لأنه:

بمرور الوقت، لا يظل النموذج ثابتا، بل يتراكم فيه ما يمكن تسميته بـالرأسمال المعرفي الخوارزمي (Algorithmic Knowledge Capital)، حيث تُدمج فيه أنماط الاستخدام، وتصحيحات المستخدمين، والتفاعلات اليومية. هذا التراكم يجعل من الصعب على أي منافس جديد اللحاق بنفس المستوى، حتى لو توفرت له الموارد التقنية الأساسية. بهذا المعنى، لا يعمل النموذج كمنتج نهائي، بل كبنية تحتية تتحكم في إنتاج منتجات أخرى. ومن هنا تنشأ خاصية الاحتكار: ليس لأن السوق مغلق قانونيا، بل لأن تكلفة اللحاق بالمتصدر تصبح شبه مستحيلة عمليا.

رغم أن الخطاب السائد يميل إلى التركيز على الحوسبة، فإن العلاقة بين البيانات والتدريب تظل عنصرا حاسما في ترسيخ هيمنة النماذج. فالنموذج لا يُبنى مرة واحدة، بل يتشكل عبر عمليات تدريب مستمرة (Continuous Training) تُغذى ببيانات متجددة، غالبا ما تكون ناتجة عن تفاعل المستخدمين أنفسهم. هذا التداخل بين الاستخدام والإنتاج يخلق ما يُعرف بـالانغلاق التراكمي (Lock-in Effect)، حيث:

هذه الحلقة تعزز موقع الفاعل المسيطر، وتُضعف قدرة المنافسين على كسر هذا التوازن. فالمشكلة لم تعد في “بناء نموذج”، بل في الوصول إلى نفس مستوى البيانات التفاعلية التي تغذيه. الأكثر تعقيدا أن جزءا كبيرا من هذه البيانات لا يكون متاحا بشكل مفتوح، بل يُحتفظ به داخل المنصات، ما يحول دون إعادة استخدامه أو الاستفادة منه خارج الإطار الذي أُنتج فيه. وهكذا، تتحول البيانات من مورد قابل للمشاركة إلى أداة لإغلاق السوق (Market Closure Mechanism).

في المرحلة السابقة من تطور الإنترنت، كان المحتوى هو الوحدة الأساسية للقيمة. المواقع، المنصات، والناشرون كانوا يتنافسون على إنتاج محتوى يجذب الانتباه، بينما كانت محركات البحث تعمل كوسيط لترتيب هذا المحتوى وتقديمه. أما في ظل النماذج التوليدية، فإن هذه العلاقة تنقلب. فالمحتوى لم يعد يظهر بالضرورة في شكله الأصلي، بل يُعاد إنتاجه داخل إجابات النموذج، دون أن يحتفظ بكيانه المستقل. هذا التحول يؤدي إلى تآكل القيمة الاقتصادية للمحتوى الفردي، مقابل صعود قيمة النموذج الذي يعيد تركيبه.

بعبارة أدق، ينتقل السوق من:

في هذا السياق، لا يصبح السؤال: “كيف أجعل موقعي يتصدر نتائج البحث؟” بل:

“كيف أضمن أن يصبح محتواي جزءا من البنية التي يعتمد عليها النموذج؟”

وهذا التحول يعيد توزيع القيمة بشكل جذري، حيث:

بالتالي، يتحول السوق من فضاء مفتوح نسبيا إلى بنية يهيمن عليها عدد محدود من النماذج التي تعمل كـبوابات معرفية (Knowledge Gateways). إن النماذج التوليدية لا تعيد تشكيل المعرفة فقط، بل تعيد تشكيل الاقتصاد الذي تقوم عليه. فبفضل خصائصها التراكمية واعتمادها على البيانات والتفاعل، تتحول إلى أصول احتكارية يصعب منافستها، وتعيد توجيه السوق من التنافس على المحتوى إلى التنافس على امتلاك البنية التوليدية نفسها.

حين تُطرح مسألة تنظيم الذكاء الاصطناعي، يُفترض ضمنيا أن المشكلة قابلة للحل عبر آليات مألوفة: مزيد من الشفافية، مزيد من القوانين، مزيد من الرقابة. غير أن هذا الافتراض يصطدم، في حالة النماذج التوليدية، بحدّ بنيوي يصعب تجاوزه: هذه النماذج لا تخفي المعرفة فقط، بل تُعيد إنتاجها بطريقة تجعل تتبعها شبه مستحيل. ومن هنا، فإن أزمة التنظيم لا تنبع من نقص الأدوات القانونية، بل من عدم قابلية هذه الأنظمة لأن تُفهم وفق منطق “المساءلة الخطية” الذي قامت عليه الأنظمة القانونية التقليدية.

يُفترض في أي نظام معرفي قابل للمساءلة أن يتيح إمكانية تتبع المسار الذي أدى إلى نتيجة معينة. في البحث العلمي، يمكن الرجوع إلى المصادر؛ في البرمجيات التقليدية، يمكن تتبع الشيفرة؛ أما في النماذج التوليدية، فإن هذا المسار يتلاشى داخل شبكة احتمالية معقدة لا تُنتج “نتائج” بقدر ما تُنتج “استجابات”.

المشكلة هنا لا تتعلق فقط بإخفاء الكود أو الأوزان، بل بطبيعة العملية نفسها. فالنموذج لا يسترجع معلومة محددة من موقع بعينه، بل يعيد تركيب أنماط لغوية انطلاقا من تمثيلات داخلية (Internal Representations) لا تقابلها وحدات معرفية واضحة. هذا ما يجعل الإجابة تبدو متماسكة، لكنها في الوقت نفسه غير قابلة للإرجاع إلى أصل محدد.

بهذا المعنى، لا يكون الانغلاق مجرد قرار تجاري، بل نتيجة مباشرة لطبيعة النموذج. وحتى لو فُتحت بعض مكوناته، فإن ذلك لا يضمن إمكانية الفهم، لأن ما يُنتج المعنى ليس عنصرا واحدا يمكن عزله، بل تفاعل معقد بين ملايين المعاملات (Parameters). وهنا تتجلى المفارقة: فكلما ازداد النموذج “ذكاء” في إنتاج اللغة، أصبح أقل قابلية للتفسير.

القانون، في جوهره، يفترض وجود فاعل يمكن مساءلته، وقرار يمكن تحديده، وسلوك يمكن نسبته إلى جهة معينة. غير أن النماذج التوليدية تفكك هذه البنية بشكل جذري. فالإجابة التي يقدمها النموذج ليست نتيجة قرار واعٍ، بل مخرج لعملية حسابية موزعة، لا يمكن تحديد نقطة حاسمة داخلها يُقال عندها إن “القرار قد اتُّخذ”. هذا التفكك يجعل من الصعب تطبيق مفاهيم مثل المسؤولية أو الخطأ بنفس الطريقة التي تُطبق بها في الأنظمة التقليدية.

فإذا قدّم النموذج معلومة خاطئة أو مضللة، فإن السؤال لا يكون فقط: من المسؤول؟ بل: هل يمكن أصلا تحديد “لحظة إنتاج الخطأ” داخل النظام؟. إضافة إلى ذلك، فإن الطابع العابر للحدود لهذه النماذج يضاعف من تعقيد المسألة. فالجهة التي تطور النموذج قد لا تكون هي نفسها التي تنشره، وقد لا تكون هي نفسها التي تستفيد منه اقتصاديا. وبهذا، تتوزع المسؤولية عبر شبكة من الفاعلين، دون أن تستقر عند نقطة يمكن مساءلتها بشكل مباشر.

ما ينتج عن ذلك ليس غياب التنظيم، بل عدم كفايته البنيوية، لأن الأدوات الحالية صُممت للتعامل مع أنظمة يمكن تفكيكها، بينما نحن أمام أنظمة تُنتج نتائج دون أن تكشف مسار إنتاجها.

يُقدَّم الانفتاح غالبا كحل مباشر لمشكلة الاحتكار والشفافية، انطلاقا من فكرة بسيطة: إذا كان الجميع قادرا على الوصول إلى النموذج، فإن السلطة ستتوزع تلقائيا. غير أن هذا التصور يغفل عن أن النموذج، في حد ذاته، ليس سوى جزء من منظومة أوسع.

فتح الأوزان أو الكود لا يعني بالضرورة القدرة على إعادة إنتاج النموذج أو تشغيله بكفاءة. فالقيمة الحقيقية لا تكمن فقط في “امتلاك النموذج”، بل في القدرة على: تشغيله على نطاق واسع، تحديثه باستمرار، وتغذيته ببيانات تفاعلية متجددة. وهذه العناصر تظل، في الغالب، خارج متناول الفاعلين الصغار، حتى في ظل النماذج المفتوحة.

الأهم من ذلك أن الانفتاح لا يحل الإشكال المعرفي المرتبط بطبيعة النموذج نفسه. فحتى لو أصبح النموذج متاحا، فإن فهمه يظل معقدا، لأن بنيته لا تُقرأ بطريقة مباشرة. وبهذا، يتحول الانفتاح إلى إتاحة تقنية دون تمكين معرفي فعلي. بمعنى آخر، لا يؤدي الانفتاح بالضرورة إلى كسر الاحتكار، بل قد يعيد تشكيله في صورة أكثر انتشارا، دون أن يغير جوهر العلاقة بين الفاعلين الكبار وبقية المستخدمين.

يكشف هذا التحليل أن أزمة احتكار النماذج لا يمكن حلها عبر مفاهيم تقليدية مثل الشفافية أو الانفتاح فقط، لأن المشكلة أعمق من ذلك. فهي ترتبط بطبيعة أنظمة تُنتج المعرفة دون أن تتيح تتبعها، وتعمل عبر بنى موزعة لا تستجيب بسهولة لمنطق المساءلة القانونية. وبين نماذج مغلقة يصعب اختراقها، ونماذج مفتوحة لا تضمن تمكينا فعليا، يتضح أن التحدي الحقيقي لا يكمن في اختيار أحد الخيارين، بل في إعادة التفكير في كيفية بناء أنظمة يمكن الوثوق بها دون أن تكون قابلة للفهم الكامل.

إذا كان احتكار النماذج قد تبلور كواقع بنيوي في الاقتصاد الرقمي، فإن السؤال الذي يفرض نفسه في هذه المرحلة لا يتعلق بإثبات هذا الاحتكار، بل بفهم مساره: هل نحن أمام نظام مستقر يعيد إنتاج نفسه بمرور الوقت، أم أمام وضع انتقالي قد يفتح المجال لإعادة توزيع القوة؟

الإجابة لا يمكن اختزالها في ثنائية بسيطة، لأن ما يتشكل اليوم ليس “سوقا” بالمعنى التقليدي، بل بنية معرفية-اقتصادية هجينة تتداخل فيها الخوارزميات مع أنماط الاستهلاك، وتُعاد فيها صياغة العلاقة بين المنتج والمستخدم، بل وحتى بين المعرفة ووسيطها.

في النموذج الكلاسيكي للويب، كان السوق المعرفي يقوم على وفرة المصادر وتعددها، وكان دور الوسيط — كمحركات البحث — يقتصر على ترتيب هذا التعدد وفق معايير نسبية. أما في سياق النماذج التوليدية، فإن هذا التعدد لا يختفي، لكنه يُمتص داخل طبقة واحدة تقوم بعملية تصفية وإعادة تركيب (Algorithmic Filtering & Synthesis) قبل أن يصل إلى المستخدم.

هذا التحول لا يقلل فقط من ظهور المصادر الفردية، بل يعيد تعريف موقعها داخل السلسلة القيمية. فالمصدر لم يعد فاعلا ظاهرا في السوق، بل مادة أولية تُستهلك داخل النموذج، ثم تُعاد صياغتها في شكل مخرجات موحدة. ومع تكرار هذا النمط، يفقد السوق خاصيته الأساسية كفضاء تنافسي بين كيانات مستقلة، ويتحول تدريجيا إلى نظام تديره نماذج قادرة على:
إعادة ترتيب المعرفة، وتحديد ما يُعرض، وتقليص الحاجة إلى الرجوع إلى المصدر الأصلي.

بهذا المعنى، لا يحدث الاحتكار عبر إقصاء مباشر للمنافسين، بل عبر إعادة تعريف شروط الظهور نفسها. فالمنافسة لم تعد تدور حول جودة المحتوى فحسب، بل حول القدرة على التموقع داخل بنية لا تُظهر إلا ما يتوافق مع منطقها الداخلي.

قد يبدو، للوهلة الأولى، أن هذا النمط من الاحتكار مرشح للاستقرار، نظرا لتراكم الموارد التقنية والمعرفية لدى الفاعلين الكبار. غير أن هذا الاستقرار الظاهري يخفي مفارقة أكثر تعقيدا. فالنماذج، رغم قوتها، تظل معتمدة على تدفق مستمر للبيانات، وعلى ثقة المستخدمين في مخرجاتها، وعلى قدرتها على التكيف مع سياقات متغيرة.

هذه العوامل تجعل الهيمنة الخوارزمية قابلة للاهتزاز في حال اختلال أحد شروطها. فإذا تراجعت جودة المخرجات، أو ظهرت بدائل قادرة على تقديم نماذج أكثر شفافية أو تخصصا، فإن التوازن القائم قد يُعاد تشكيله بسرعة. كما أن اعتماد النماذج على بيانات منتجة خارجها يخلق نوعا من التبعية غير المرئية، حيث تظل هذه النماذج بحاجة إلى “تغذية” مستمرة من نظام معرفي لم تُنشئه بالكامل.

هنا يظهر تناقض بنيوي، فالنموذج يهيمن على المعرفة، لكنه في الوقت نفسه يعتمد على استمرار إنتاجها خارجه.
وهذا الاعتماد يحدّ، بشكل غير مباشر، من قدرته على تحقيق احتكار مكتمل.

رغم مظاهر التمركز الحالية، لا يمكن استبعاد سيناريوهات تعيد توزيع السلطة داخل هذا النظام. فالتاريخ التقني يُظهر أن الفترات التي تتسم بتركيز عالٍ غالبا ما تتبعها موجات من التفكك أو إعادة التوازن، مدفوعة بعوامل تقنية أو اقتصادية أو حتى ثقافية.

في حالة الذكاء الاصطناعي، قد تأتي هذه التحولات من اتجاهات متعددة: فظهور نماذج متخصصة (Specialized Models) قادرة على منافسة النماذج العامة في مجالات محددة، تطور أدوات تُمكّن المستخدمين من استعادة جزء من السيطرة على المخرجات، أو حتى تغير في سلوك المستخدمين أنفسهم، يدفع نحو البحث عن مصادر أكثر تنوعا أو موثوقية.

غير أن هذه السيناريوهات لا تعني بالضرورة نهاية الاحتكار، بل قد تؤدي إلى إعادة تشكيله في صورة أكثر تعقيدا، حيث تتوزع السلطة بين مستويات مختلفة بدل أن تتركز في نقطة واحدة. وبالتالي، فإن السؤال لا ينبغي أن يكون: هل سينتهي الاحتكار؟ بل: كيف سيتحول، وبأي شكل سيُعاد إنتاجه داخل بنية أكثر تشابكا؟

تكشف هذه الدراسة، عبر أجزائها الأربعة، أن احتكار النماذج لا يمثل مجرد مرحلة في تطور الذكاء الاصطناعي، بل يعكس تحولا أعمق في طبيعة السوق المعرفي نفسه. فالنماذج لم تعد أدوات ضمن هذا السوق، بل أصبحت البنية التي يُعاد من خلالها تعريفه.

من خلال هذا التحول، تنتقل السلطة من من يمتلك المحتوى إلى من يمتلك القدرة على إعادة إنتاجه، ومن من يُنشئ المعرفة إلى من يتحكم في تدفقها. غير أن هذه الهيمنة، رغم قوتها، تظل محكومة بتوازنات دقيقة، تجعلها عرضة لإعادة التشكل كلما تغيرت شروط الإنتاج أو الاستهلاك.

في النهاية، لا يبدو أننا أمام نظام مغلق بالكامل، ولا أمام سوق مفتوح كما كان في السابق، بل أمام مرحلة انتقالية طويلة يُعاد فيها رسم حدود المعرفة، والاقتصاد، والسلطة — في آن واحد.

1. ما المقصود بعبارة “من يملك النموذج يملك السوق”؟

تشير إلى أن السيطرة لم تعد على المحتوى أو المنصات، بل على النماذج التي تعيد إنتاج المعرفة، ما يمنح مالكيها قدرة على التحكم في تدفق المعلومات والقيمة الاقتصادية المرتبطة بها.

2. كيف يؤدي الذكاء الاصطناعي المركزي (Centralized AI) إلى احتكار المعرفة؟

لأن تطوير النماذج المتقدمة يتطلب موارد ضخمة، ما يؤدي إلى تركّزها لدى عدد محدود من الشركات، التي تتحكم بدورها في كيفية إنتاج المعرفة وتوزيعها.

3. ما الفرق الجوهري بين النماذج المغلقة (Closed Models) والمفتوحة (Open Models)؟

النماذج المغلقة تحتفظ ببنيتها وبياناتها، ما يمنح مطوريها تحكما كاملا في المخرجات، بينما تتيح النماذج المفتوحة درجة من الشفافية، لكنها لا تلغي الفجوة المرتبطة بالبنية التحتية والموارد.

4. هل يمكن اعتبار النماذج التوليدية وسيطا معرفيا جديدا؟

نعم، لأنها لا تكتفي بنقل المعلومات، بل تعيد تركيبها وصياغتها، ما يجعلها فاعلا مؤثرا في تحديد ما يُعرف وكيف يُعرف.

5. هل يؤدي هذا التحول إلى نهاية اقتصاد المحتوى؟

ليس بالضرورة، لكنه يعيد تشكيله، حيث يصبح المحتوى مادة خام تُستخدم داخل النماذج بدل أن يكون وحدة مستقلة للقيمة.

6. هل يمكن كسر احتكار النماذج عبر Open Source؟

جزئيا فقط، لأن الانفتاح لا يعالج التفاوت في الحوسبة (Compute) ولا في القدرة على تشغيل النماذج على نطاق واسع.

7. ما المخاطر المعرفية لاحتكار النماذج؟

تتمثل في تقليص التعددية، وإعادة توجيه المعرفة بشكل غير مرئي، وصعوبة التحقق من مصادر المعلومات.

1. Stanford University – AI Index Report

https://aiindex.stanford.edu/report/

2. OECD – AI Policy Observatory

https://oecd.ai

3. European Commission – AI Act & Regulatory Framework

https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence

4. MIT Technology Review

https://www.technologyreview.com

5. OpenAI – GPT-4 Technical Report

https://arxiv.org/abs/2303.08774

6. Bommasani et al. (2021) – Foundation Models

https://arxiv.org/abs/2108.07258

7. Bender et al. (2021) – Stochastic Parrots

https://dl.acm.org/doi/10.1145/3442188.3445922

8. World Economic Forum – AI Governance

https://www.weforum.org

9. McKinsey & Company – The State of AI

https://www.mckinsey.com/capabilities/quantumblack/our-insights

10. Partnership on AI

https://www.partnershiponai.org

مقالات ذات صلة
Exit mobile version