دراسة جدوى: كيف تبني ذكاءً اصطناعياً ينافس Claude و ChatGPT؟ وكم يكلّف؟

دراسة جدوى: هل تستطيع بناء ذكاء اصطناعي ينافس Claude و ChatGPT؟ وكم يكلّف؟

الإجابة الصريحة من خبراء أوريجامي: بناء نموذج رائد من الصفر بحجم Claude أو ChatGPT يكلّف مئات الملايين إلى أكثر من مليار دولار، وهو واقعياً في متناول المختبرات العملاقة والدول فقط. لكن كلمة «تنافس» لها ثلاثة معانٍ مختلفة تماماً في التكلفة — وللشركة العادية، المسار الذكي يكلّف جزءاً بسيطاً جداً من ذلك. هذه الدراسة تفكّك المسارات الثلاثة وتكلفة كل منها بصدق.

ماذا يعني «تنافس Claude و ChatGPT» فعلاً؟

قبل الحديث عن التكلفة لا بد من تحديد الطموح، لأن الفرق بين المسارات يُقاس بآلاف الأضعاف:

• نموذج رائد من الصفر: تبني «مخّاً» جديداً ينافس أحدث النماذج عالمياً في كل شيء.
• نموذج سيادي أو متخصّص: تبني نموذجاً أصغر، أو تُكمل تدريب نموذج مفتوح، ليخدم لغة أو قطاعاً أو دولة.
• البناء فوق نموذج مفتوح: تأخذ نموذجاً مفتوحاً جاهزاً وتخصّصه على بياناتك ليتفوّق في مجالك أنت.

المسار الأول: نموذج رائد من الصفر — تكلفة فلكية

هذا أصعب وأغلى مسار. بحسب مركز Epoch AI المتخصّص في تتبّع تكاليف التدريب، تتضاعف تكلفة تدريب النماذج الرائدة نحو 2.4 مرة سنوياً، ويُتوقّع أن تتجاوز تكلفة عمليات التدريب الكبرى مليار دولار بحلول 2027 — ما يجعلها «بعيدة عن متناول أي جهة عدا الأكثر تمويلاً». وتتوزّع التكلفة بين العتاد (47–67%)، ورواتب فرق البحث (29–49%)، والطاقة (2–6%).

عملياً يعني هذا عشرات الآلاف من معالجات الرسوميات (سعر معالج H100 نحو 25–40 ألف دولار، و B200 نحو 30–50 ألفاً) تشكّل عنقوداً بمئات الملايين، إضافة إلى باحثين من الطراز الأول برواتب تتجاوز المليون دولار للفرد، وبيانات هائلة، وسنوات من العمل. النتيجة: ليست خياراً لشركة، بل لمختبرات مثل OpenAI و Anthropic و Google و DeepSeek، أو لبرامج وطنية كبرى.

المسار الثاني: نموذج سيادي أو متخصّص — استثمار كبير بهدف استراتيجي

هنا لا تنافس عالمياً في كل شيء، بل تبني نموذجاً أصغر (أو تُكمل تدريب نموذج مفتوح بعمق) ليتفوّق في لغة أو قطاع. والمملكة مثال واضح عبر توجّهها للذكاء الاصطناعي السيادي مثل شركة HUMAIN ونموذج «علّام» من سدايا. تتراوح تكلفة هذا المسار بين ملايين وعشرات الملايين من الدولارات، ويحتاج فريق أبحاث متخصّصاً وعنقود حوسبة وبيانات نظيفة، وزمناً من 6 إلى 18 شهراً. يصلح للحكومات والمؤسسات الكبرى ذات الهدف الاستراتيجي.

المسار الثالث: البناء فوق نموذج مفتوح — الأذكى لـ99% من الشركات

هنا يكمن الجواب العملي. تأخذ نموذجاً مفتوح الأوزان قوياً (DeepSeek V4 أو Qwen أو Llama أو GLM) وتخصّصه على بياناتك عبر الضبط الدقيق (Fine-tuning) وتقنية الاسترجاع المعزّز (RAG). أنت لا تتفوّق على ChatGPT في كل شيء — بل تتفوّق عليه في مجالك أنت ولغتك وبياناتك، وهذا هو المهم لعملك. والتكلفة هنا تنزل من «الفلكية» إلى ما بين عشرات الآلاف وبضعة ملايين من الريالات حسب الطموح والبنية، وزمن من أسابيع إلى أشهر. وميزة إضافية: تستضيفه داخلياً فتبقى بياناتك عندك — مهم تحت نظام حماية البيانات الشخصية (PDPL).

جدول المسارات الثلاثة

نادراً ما تحتاج إلى صناعة محرّك جديد؛ غالباً تحتاج إلى بناء السيارة المناسبة لطريقك حول محرّك موجود.

تفصيل خيار النماذج مفتوحة المصدر: أي نموذج، وكيف تبني عليه؟

بما أن البناء فوق نموذج مفتوح هو المسار الأنسب لمعظم الشركات، نفصّله هنا عملياً: أي النماذج تختار، وكيف تبني عليها، وكم تكلّف كل طريقة.

أبرز النماذج المفتوحة في 2026:

كيف تبني عليها؟ أربع طرق بتكلفة وجهد متصاعدين:

• 1) استخدام مباشر + هندسة التعليمات (Prompting): تشغّل النموذج كما هو (عبر واجهة سحابية أو استضافة ذاتية) وتوجّهه بتعليمات ذكية دون أي تدريب. الأرخص والأسرع — أيام إلى أسابيع، ومن آلاف إلى عشرات الآلاف من الريالات.
• 2) الاسترجاع المعزّز (RAG): تربط النموذج بقاعدة معرفتك ومستنداتك ليجيب من بياناتك أنت دون تدريبه — الأنسب لمساعد معرفي يعرف منتجاتك وسياساتك. أسابيع، وعشرات الآلاف من الريالات.
• 3) الضبط الدقيق (Fine-tuning / LoRA): تدرّب النموذج على أمثلة من مجالك وأسلوبك ليتقن مهمتك تحديداً (نبرة، تصنيف، صيغة مخرجات). أسابيع إلى أشهر، وعشرات إلى مئات الآلاف من الريالات.
• 4) إكمال التدريب المسبق (Continued Pretraining): تغذّي النموذج بكميات كبيرة من بيانات مجالك أو لغتك لتعميق معرفته جذرياً — الأقوى والأغلى، ويقترب من «المسار السيادي». أشهر، ومئات الآلاف فأكثر.

الاستضافة الذاتية والخصوصية: الميزة الكبرى للنماذج المفتوحة أنك تشغّلها على بنيتك (سحابة خاصة أو خوادم محلية)، فلا تغادر بياناتك مؤسستك إطلاقاً — وهذا حاسم تحت نظام حماية البيانات الشخصية (PDPL). تحتاج معالجات رسوميات بحسب حجم النموذج (من بطاقة واحدة للنماذج الصغيرة إلى عنقود للكبيرة)، وتوازن بين تكلفة الاستضافة الثابتة وتكلفة الواجهة السحابية بالاستخدام.

توصية خبراء أوريجامي

لا تحاول التفوّق على المختبرات العملاقة في لعبتها — فهذه معركة مليارات. الأذكى أن تبني حلاً متخصّصاً على نموذج مفتوح يتفوّق في مجالك ولغتك العربية وخصوصية بياناتك وتكلفتك. هذا المسار قابل للتنفيذ، وعائده مرتفع، ويعطيك «ذكاءً اصطناعياً خاصاً بك» دون فاتورة المليارات.

كيف تساعدك أوريجامي؟

في أوريجامي ندرس الجدوى أولاً، ثم نختار المسار والنموذج المناسبين لهدفك وميزانيتك، ونخصّص النموذج على بياناتك (Fine-tuning + RAG)، ونستضيفه داخلياً لخصوصية كاملة، ونربطه بأنظمتك ووكلائك عبر MCP. الهدف أن تحصل على ذكاء اصطناعي ينافس في مجالك بتكلفة واقعية ومدروسة.

المصادر

• Epoch AI — تكلفة تدريب النماذج الرائدة: epoch.ai
• الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا): sdaia.gov.sa

أرقام تكلفة العتاد تقديرات سوقية لمعالجات NVIDIA وقت النشر وقابلة للتغيّر.