تغير الذكاء الاصطناعي العالم، وفي الوقت نفسه، يبتكر لغة جديدة تمامًا لوصف كيفية حدوث ذلك. اقضِ خمس دقائق في قراءة ما يتعلق بالذكاء الاصطناعي وستصادف LLMs، RAG، RLHF، وعددًا من المصطلحات الأخرى التي يمكن أن تجعل حتى الأشخاص الأذكياء جدًا في عالم التكنولوجيا يشعرون بعدم الأمان. هذا المعجم هو محاولتنا لإصلاح ذلك. نقوم بتحديثه بانتظام مع تطور المجال، لذا اعتبره وثيقة حية، مثل أنظمة الذكاء الاصطناعي التي يصفها.

الذكاء الاصطناعي العام، أو AGI، هو مصطلح غير واضح. ولكنه يشير عمومًا إلى الذكاء الاصطناعي الذي يكون أكثر قدرة من الشخص العادي في العديد من المهام، إن لم تكن معظمها. وصف الرئيس التنفيذي لـ OpenAI، سام ألتمان، AGI ذات مرة بأنه “معادل لإنسان متوسط يمكنك توظيفه كزميل عمل”. في هذه الأثناء، تعرف ميثاق OpenAI AGI بأنه “أنظمة ذاتية الاكتفاء للغاية تتفوق على البشر في معظم الأعمال القيمة اقتصاديًا”. ورؤية Google DeepMind لـ AGI تختلف قليلاً عن هذين التعريفين؛ إذ ترى المختبر AGI على أنه “ذكاء اصطناعي يمتلك ويكون على الأقل بنفس قدرات البشر في معظم المهام المعرفية.” مرتبك؟ لا داعي للقلق – فالخبراء في طليعة أبحاث الذكاء الاصطناعي يشعرون بنفس الشيء.

يشير وكيل الذكاء الاصطناعي إلى أداة تستخدم تقنيات الذكاء الاصطناعي لأداء مجموعة من المهام نيابة عنك – تتجاوز ما يمكن أن يفعله روبوت الدردشة الأساسي – مثل تقديم المصاريف، حجز تذاكر أو طاولة في مطعم، أو حتى كتابة وصيانة الكود. ومع ذلك، كما أوضحنا سابقًا، هناك الكثير من العناصر المتحركة في هذا المجال الناشئ، لذا قد يعني “وكيل الذكاء الاصطناعي” أشياء مختلفة لأشخاص مختلفين. لا يزال يوجد أيضًا بنية تحتية تُبنى لتلبية قدراته المتوقعة. لكن المفهوم الأساسي يعني نظامًا ذاتيًا قد يعتمد على أنظمة ذكاء اصطناعي متعددة لتنفيذ مهام متعددة الخطوات.

فكر في نقاط النهاية API كـ “أزرار” في خلفية برنامج يمكن لبرامج أخرى الضغط عليها لجعله يقوم بأشياء. يستخدم المطورون هذه الواجهات لبناء تكاملات – على سبيل المثال، السماح لتطبيق واحد بسحب البيانات من تطبيق آخر، أو تمكين وكيل الذكاء الاصطناعي من التحكم في خدمات طرف ثالث مباشرة دون الحاجة إلى تدخل بشري في كل واجهة. تمتلك معظم أجهزة المنازل الذكية والمنصات المتصلة هذه الأزرار المخفية المتاحة، حتى لو لم يرها المستخدمون العاديون أو يتفاعلون معها. مع تزايد قدرات وكلاء الذكاء الاصطناعي، أصبحوا قادرين بشكل متزايد على العثور على هذه النقاط واستخدامها بمفردهم، مما يفتح إمكانيات قوية – وأحيانًا غير متوقعة – للأتمتة.

عند طرح سؤال بسيط، يمكن أن يجيب الدماغ البشري بدون الحاجة للتفكير كثيرًا فيه – أشياء مثل “أي حيوان أطول، الزرافة أم القط؟” ولكن في العديد من الحالات، تحتاج غالبًا إلى قلم وورقة لوضع الإجابة الصحيحة لأن هناك خطوات وسيطة. على سبيل المثال، إذا كان لدى مزارع دجاج وابقار، وكانوا معًا لديهم 40 رأسًا و120 ساقًا، قد تحتاج إلى كتابة معادلة بسيطة للإجابة (20 دجاجة و20 بقرة).

في سياق الذكاء الاصطناعي، يعني استدلال سلسلة الأفكار لدى نماذج اللغة الكبيرة تفكيك المشكلة إلى خطوات أصغر ووسطية لتحسين جودة النتيجة النهائية. عادة ما يستغرق الحصول على إجابة وقتًا أطول، لكن من المرجح أن تكون الإجابة صحيحة، خاصة في سياق المنطق أو البرمجة. يتم تطوير نماذج التفكير من نماذج اللغة الكبيرة التقليدية ويتم تحسينها للتفكير في سلسلة الأفكار بفضل التعلم المعزز.

(انظر: نموذج اللغة الكبير)

هذا مفهوم أكثر تحديدًا من “وكيل الذكاء الاصطناعي”، مما يعني برنامجًا يمكنه اتخاذ إجراءات من تلقاء نفسه، خطوة بخطوة، لإكمال هدف. وكيل البرمجة هو نسخة متخصصة تطبق على تطوير البرمجيات. بدلاً من اقتراح كود بشري للمراجعة واللصق، يمكن لوكيل البرمجة كتابة واختبار وتصحيح الكود بشكل ذاتي، مما يتعامل مع نوع العمل التكراري والتجريبي الذي يستغرق عادةً وقتًا طويلاً من اليوم للمطور. يمكن لهذه الوكلاء العمل عبر قواعد التعليمات البرمجية بالكامل، وتحديد الأخطاء، وتشغيل الاختبارات، ودفع التصحيحات مع الحد الأدنى من الإشراف البشري. فكر في الأمر كأنك تعين متدربًا سريعًا جدًا لا ينام ولا يفقد التركيز – على الرغم من أنه، كما هو الحال مع أي متدرب، لا يزال يتعين على شخص مراجعة العمل.

على الرغم من كونه مصطلحًا متعدد الجوانب إلى حد ما، إلا أن الحوسبة تشير عمومًا إلى القوة الحسابية الحيوية التي تتيح أن تعمل نماذج الذكاء الاصطناعي. هذه النوع من المعالجة يغذي صناعة الذكاء الاصطناعي، مما يعطيها القدرة على تدريب ونشر نماذجها القوية. غالبًا ما يكون المصطلح اختصارًا لأنواع الأجهزة التي توفر القوة الحسابية – مثل وحدات معالجة الرسوم (GPUs)، ووحدات المعالجة المركزية (CPUs)، ووحدات معالجة تنسيق البيانات (TPUs)، وأشكال أخرى من البنية التحتية التي تشكل العمود الفقري لصناعة الذكاء الاصطناعي الحديثة.

مجموعة فرعية من التعلم الآلي الذاتي التحسين حيث تتمتع خوارزميات الذكاء الاصطناعي بتصميم هيكل شبكة عصبونية اصطناعية متعددة الطبقات (ANN). وهذا يسمح لها بعمل ارتباطات أكثر تعقيدًا مقارنةً بالأنظمة الأبسط القائمة على التعلم الآلي، مثل النماذج الخطية أو الأشجار القرارية. تستلهم هيكل خوارزميات التعلم العميق من المسارات المتصلة للعصبونات في الدماغ البشري.

نماذج الذكاء الاصطناعي العميق قادرة على تحديد الخصائص المهمة في البيانات بنفسها، بدلاً من الحاجة إلى مهندسين بشر لتحديد هذه الميزات. كما أن الهيكل يدعم الخوارزميات التي يمكنها التعلم من الأخطاء ومن خلال عملية التكرار والتعديل، تحسين نتائجها الخاصة. ومع ذلك، تتطلب أنظمة التعلم العميق عددًا كبيرًا من نقاط البيانات لتحقيق نتائج جيدة (ملايين أو أكثر). كما أنها عادة ما تأخذ وقتًا أطول للتدريب مقارنةً بخوارزميات التعلم الآلي الأبسط – لذلك تميل تكاليف التطوير إلى أن تكون أعلى.

(انظر: الشبكة العصبية)

يشير الانتشار إلى التقنية التي تقف وراء العديد من نماذج الذكاء الاصطناعي المتعلقة بالفن، الموسيقى، والنصوص. مستوحى من الفيزياء، تقوم أنظمة الانتشار “بتدمير” هيكل البيانات ببطء – على سبيل المثال، الصور، الأغاني، وما إلى ذلك – عن طريق إضافة الضوضاء حتى لا يبقى شيء. في الفيزياء، الانتشار عفوي ولا يمكن عكسه – السكر المذاب في القهوة لا يمكن استعادته إلى شكل مكعب. ولكن تهدف أنظمة الانتشار في الذكاء الاصطناعي إلى تعلم نوع من عملية “الانتشار العكسي” لاستعادة البيانات المدمرة، وكسب القدرة على استعادة البيانات من الضوضاء.

الترميز هو تقنية تُستخدم لاستخراج المعرفة من نموذج AI كبير باستخدام نموذج ‘معلم-طالب’. يرسل المطورون طلبات إلى نموذج المعلم ويسجلون المخرجات. يتم أحيانًا مقارنة الإجابات مع مجموعة بيانات لمعرفة مدى دقتها. ثم تُستخدم هذه المخرجات لتدريب نموذج الطالب، الذي يتم تدريبه لتقريب سلوك المعلم.

يمكن استخدام الترميز لإنشاء نموذج أصغر وأكثر كفاءة استنادًا إلى نموذج أكبر مع فقد ترميز ضئيل. يعتقد أن هذا هو كيف طورت OpenAI GPT-4 Turbo، وهو إصدار أسرع من GPT-4.

بينما تستخدم جميع شركات الذكاء الاصطناعي الترميز داخليًا، قد تكون قد استخدمته أيضًا بعض الشركات AI لتلحق بالنماذج المتقدمة. يعتبر الترميز من منافس عادة ما ينتهك شروط الخدمة الخاصة بـ AI API والمساعدين للدردشة.

تشير هذه العبارة إلى التدريب الإضافي لنموذج الذكاء الاصطناعي لتحسين الأداء لمهمة أو منطقة أكثر تحديدًا مما كانت نقطة التركيز السابقة لتدريبه – عادةً من خلال تغذية بيانات جديدة ومتخصصة (أي موجهة للمهام).

تأخذ العديد من الشركات الناشئة في الذكاء الاصطناعي نماذج اللغة الكبيرة كنقطة انطلاق لبناء منتج تجاري ولكنها تسعى لزيادة الفائدة لقطاع أو مهمة مستهدفة من خلال استكمال دورات التدريب السابقة بفحص دقيق مستند إلى معرفتها وخبرتها الخاصة.

(انظر: نموذج اللغة الكبير [LLM])

GAN، أو الشبكة التنافسية التوليدية، هي نوع من إطار تعلم الآلة الذي يقف وراء بعض التطورات المهمة في الذكاء الاصطناعي التوليدي فيما يتعلق بإنتاج بيانات واقعية – بما في ذلك (ولكن ليس مقتصرًا على) أدوات التزييف العميق. تشمل GANs استخدام زوج من الشبكات العصبية، واحدة منها تعتمد على بيانات التدريب الخاصة بها لإنتاج مخرجات تُمرر إلى النموذج الآخر للتقييم.

تم برمجة النموذجين أساسًا لمحاولة التفوق على بعضهما البعض. يحاول المُنشئ تمرير مخرجاته بالنسبة للمُميز، بينما يعمل المُميز على اكتشاف البيانات التي تم إنتاجها بشكل صناعي. يمكن أن يُحسن هذا التنافس المنظم مخرجات الذكاء الاصطناعي لتكون أكثر واقعية دون الحاجة إلى تدخل بشري إضافي. على الرغم من أن GANs تعمل بشكل أفضل للتطبيقات الضيقة (مثل إنتاج صور أو مقاطع فيديو واقعية)، بدلاً من الذكاء الاصطناعي متعدد الأغراض.

الهذيان هو المصطلح المفضل لصناعة الذكاء الاصطناعي لوصف نماذج الذكاء الاصطناعي التي تصنع أشياء – حرفياً توليد معلومات غير صحيحة. من الواضح أن هذه مشكلة كبيرة لجودة الذكاء الاصطناعي.

تنتج الهلاوس مخرجات GenAI التي يمكن أن تكون مضللة وقد تؤدي حتى إلى مخاطر حقيقية – مع عواقب محتملة خطيرة (فكر في استفسار صحي يعيد نصيحة طبية ضارة).

يعتقد أن مشكلة تصنيع المعلومات من قبل الذكاء الاصطناعي تنشأ نتيجة للفجوات في بيانات التدريب. تسهم الهلاوس في دفع نحو نماذج الذكاء الاصطناعي المتخصصة و / أو الرأسية بشكل متزايد – أي الذكاء الاصطناعي الخاص بمجال معين والذي يتطلب خبرة أضيق – كوسيلة للحد من احتمال حدوث فجوات المعرفة وتقليص مخاطر المعلومات المضللة.

الاستدلال هو العملية التي يتم من خلالها تشغيل نموذج الذكاء الاصطناعي. إنها تعيين نموذج لتحليل أو استنتاج البيانات التي تم رؤيتها مسبقًا. للتوضيح، لا يمكن أن يحدث الاستدلال بدون تدريب؛ يجب على النموذج أن يتعلم الأنماط في مجموعة بيانات قبل أن يتمكن من الاستنتاج بشكل فعال من بيانات التدريب هذه.

يمكن أن تؤدي أنواع متعددة من الأجهزة الاستدلال، بدءًا من معالجات الهواتف الذكية إلى وحدات معالجة الرسوم القوية إلى المعجلات المصممة خصيصًا للذكاء الاصطناعي. ولكن ليس جميعهم قادرون على تشغيل النماذج بشكل جيد. سيتطلب النموذج الكبير جدًا وقتًا طويلاً لإجراء التنبؤات على، على سبيل المثال، لابتوب مقابل خادم سحابي مزود بشريحة AI متطورة.

[انظر: التدريب]

نماذج اللغة الكبيرة، أو LLMs، هي نماذج الذكاء الاصطناعي المستخدمة من قبل المساعدين الشائعين في الذكاء الاصطناعي، مثل ChatGPT، Claude، Gemini من Google، AI Llama من Meta، Microsoft Copilot، أو Le Chat من Mistral. عندما تتحدث مع مساعد ذكاء اصطناعي، تتفاعل مع نموذج لغة كبير يعالج طلبك مباشرةً أو بمساعدة أدوات مختلفة متاحة، مثل تصفح الويب أو مترجمات الكود.

تتكون LLMs من شبكات عصبية عميقة مصنوعة من مليارات المعامل العددية (أو الأوزان، انظر أدناه) التي تتعلم العلاقات بين الكلمات والعبارات وتخلق تمثيلاً للغة، وهو نوع من الخريطة متعددة الأبعاد للكلمات.

تُنشئ هذه النماذج من خلال ترميز الأنماط التي تجدها في مليارات من الكتب والمقالات والنصوص. عندما تطلب من LLM، يقوم النموذج بإنشاء النمط الأكثر احتمالًا الذي يناسب طلبك.

(انظر: الشبكة العصبية)

ذاكرة التخزين المؤقت تشير إلى عملية مهمة تعزز الاستدلال (وهي العملية التي يعمل بها الذكاء الاصطناعي لتوليد استجابة لاستفسار المستخدم). في الجوهر، التخزين المؤقت هو تقنية تحسين، تهدف إلى جعل الاستدلال أكثر كفاءة. يُدفع الذكاء الاصطناعي، بطبيعة الحال، من خلال حسابات رياضية عالية الكثافة، وكل مرة يتم فيها إجراء هذه الحسابات، يتم استهلاك المزيد من الطاقة. تم تصميم التخزين المؤقت لتقليل عدد الحسابات التي قد يحتاج النموذج إلى تشغيلها من خلال حفظ حسابات معينة لاستفسارات وعمليات المستخدم المستقبلية. هناك أنواع مختلفة من التخزين المؤقت، رغم أن أحد المعروف هو التخزين المؤقت لقيم المفتاح (KV). يعمل مستوى التخزين هذا في النماذج المعتمدة على المحولات، ويزيد من الكفاءة، مما يؤدي إلى نتائج أسرع من خلال تقليل الوقت (والعمل الخوارزمي) الذي يستغرقه توليد الإجابات على أسئلة المستخدمين.

(انظر: الاستدلال)

تشير الشبكة العصبية إلى الهيكل الخوارزمي المتعدد الطبقات الذي يقوم على التعلم العميق – وأيضًا، بشكل أوسع، كل هذا الازدهار في أدوات الذكاء الاصطناعي التوليدية بعد ظهور نماذج اللغة الكبيرة.

على الرغم من أن فكرة الاقتداء بالمسارات المتصلة بشكل كثيف في الدماغ البشري كهيكل تصميمي لخوارزميات معالجة البيانات تعود إلى الأربعينيات، إلا أن الزيادة الحديثة في الأجهزة المخصصة لمعالجة الرسوم (GPUs) – من خلال صناعة ألعاب الفيديو – هي التي أفرجت حقًا عن قوة هذه النظرية. أثبتت هذه الشرائح أنها مناسبة تمامًا لتدريب الخوارزميات مع العديد من الطبقات أكثر مما كان ممكنًا في العصور السابقة – مما مكن أنظمة الذكاء الاصطناعي المعتمدة على الشبكات العصبية من تحقيق أداء أفضل بكثير عبر العديد من المجالات، بما في ذلك التعرف على الصوت، التنقل الذاتي، واكتشاف الأدوية.

(انظر: نموذج اللغة الكبير [LLM])

المصدر المفتوح يشير إلى البرمجيات – أو، بشكل متزايد، نماذج الذكاء الاصطناعي – حيث يتم توفير الكود الأساسي بشكل علني لأي شخص لاستخدامه أو فحصه أو تعديله. في عالم الذكاء الاصطناعي، تعتبر عائلة نماذج Llama من Meta مثالًا بارزًا؛ لينكس هو الموازاة التاريخية الشهيرة في أنظمة التشغيل. تتيح الأساليب مفتوحة المصدر للباحثين والمطورين والشركات في جميع أنحاء العالم البناء على أعمال بعضهم البعض، مما يسرع من التقدم ويمكّن من تدقيق السلامة المستقل الذي لا يمكن للنظم المغلقة تقديمه بسهولة. المصدر المغلق يعني أن الكود خاص – يمكنك استخدام المنتج ولكن لا يمكنك رؤية كيفية عمله، كما هو الحال مع نماذج GPT الخاصة بـ OpenAI – وهي تمييز أصبحت واحدة من المناقشات المحددة في صناعة الذكاء الاصطناعي.

التوازي يعني القيام بالعديد من الأشياء في نفس الوقت بدلاً من واحد بعد الآخر – مثل وجود 10 موظفين يعملون على أجزاء مختلفة من مشروع ما في نفس الوقت بدلاً من موظف واحد يقوم بكل شيء تسلسليًا. في الذكاء الاصطناعي، التوازي أساسي لكل من التدريب والاستدلال: تم تصميم وحدات معالجة الرسوم الحديثة لأداء آلاف الحسابات بالتوازي، وهو سبب رئيسي في أنها أصبحت العمود الفقري للأجهزة في الصناعة. مع تزايد تعقيد أنظمة الذكاء الاصطناعي وكبر حجم النماذج، أصبحت القدرة على تنفيذ العمل عبر العديد من الشرائح والعديد من الآلات واحدة من أهم العوامل في تحديد مدى سرعة وفاعلية بناء النماذج ونشرها. أصبح البحث في استراتيجيات التوازي الأفضل الآن مجال دراسة في حد ذاته.

راماجدون هو مصطلح ممتع لوصف اتجاه غير ممتع يجتاح صناعة التكنولوجيا: نقص متزايد باستمرار في ذاكرة الوصول العشوائي، أو شرائح RAM، التي تشغل تقريبًا جميع المنتجات التقنية التي نستخدمها في حياتنا اليومية. مع ازدهار صناعة الذكاء الاصطناعي، تشتري أكبر شركات التكنولوجيا ومختبرات الذكاء الاصطناعي – التي تسعى جميعًا للحصول على أقوى وأعلى كفاءة ذكاء اصطناعي – الكثير من ذاكرة الوصول العشوائي لتشغيل مراكز البيانات الخاصة بها لدرجة أنه لم يبقَ الكثير لبقية منا. وهذا الاختناق في الإمدادات يعني أن ما تبقى يصبح أكثر فأكثر تكلفة.

وهذا يشمل صناعات مثل الألعاب (حيث اضطرت شركات كبرى إلى رفع أسعار أجهزة الألعاب بسبب صعوبة العثور على شرائح الذاكرة لأجهزتها)، والإلكترونيات الاستهلاكية (حيث يمكن أن يتسبب نقص الذاكرة في أكبر انخفاض في شحنات الهواتف الذكية خلال أكثر من عقد)، وحوسبة المؤسسات العامة (لأن تلك الشركات لا تستطيع الحصول على ما يكفي من ذاكرة الوصول العشوائي لمراكز بياناتها الخاصة). من المتوقع أن يتوقف ارتفاع الأسعار فقط بعد انتهاء النقص المرعب، لكن، للأسف، لا توجد عملية تشير إلى أن هذا سيحدث قريبًا.

تعلم التعزيز هو طريقة لتدريب الذكاء الاصطناعي حيث يتعلم النظام من خلال تجربة أشياء وتلقي المكافآت للإجابات الصحيحة – كأنك تدرب حيوانك الأليف المحبوب باستخدام المكافآت، باستثناء “الحيوان الأليف” في هذا السيناريو هو شبكة عصبية و”المكافأة” هي إشارة رياضية تشير إلى النجاح. على عكس التعلم المراقب، حيث يتم تدريب نموذج على مجموعة بيانات ثابتة من الأمثلة الموسومة، يتيح التعلم المعزز للنموذج استكشاف بيئته، اتخاذ إجراءات، وتحديث سلوكه باستمرار بناءً على الردود التي يتلقاها. لقد أثبتت هذه الطريقة أنها قوية بشكل خاص لتدريب الذكاء الاصطناعي على لعب الألعاب، ولعب الروبوتات، ومؤخراً، تحسين قدرة التفكير لدى نماذج اللغة الكبيرة. أصبحت تقنيات مثل التعلم المعزز من ردود الفعل البشرية، أو RLHF، مركزية الآن في كيفية ضبط مختبرات الذكاء الاصطناعي الرائدة نماذجها لتكون أكثر فائدة ودقة وأمانًا.

عندما يتعلق الأمر بالتواصل بين الإنسان والآلة، هناك بعض التحديات الواضحة – فتواصل الناس باستخدام اللغة البشرية، بينما تنفذ برامج الذكاء الاصطناعي المهام من خلال عمليات خوارزمية معقدة مستندة إلى البيانات. الجسيمات تربط تلك الفجوة: فهي اللبنات الأساسية لتواصل الإنسان-الذكاء الاصطناعي، تمثل أجزاء منفصلة من البيانات التي تمت معالجتها أو إنتاجها بواسطة LLM. يتم إنشاؤها من خلال عملية تسمى الترميز، والتي تكسر النص الخام إلى وحدات قابلة للهضم يمكن لنموذج اللغة معالجتها، مشابهًا لكيفية ترجمة المترجمين للغة البشرية إلى كود ثنائي يمكن للحاسوب فهمه. في البيئات التجارية، تحدد الجسيمات أيضًا التكلفة – معظم شركات الذكاء الاصطناعي تتقاضى رسومًا على استخدام LLM بناءً على عدد الجسيمات، مما يعني أنه كلما زاد استخدام الشركة، زادت تكلفتها.

لذا مرة أخرى، الجسيمات هي قطع نص صغيرة – غالبًا أجزاء من الكلمات بدلاً من كلمات كاملة – التي تُقسمها نماذج اللغة الاصطناعية إلى أجزاء قبل معالجتها؛ تشبه تقريبًا “الكلمات” لأغراض فهم أعباء عمل الذكاء الاصطناعي. يُشير المرور إلى مقدار ما يمكن معالجته في فترة زمنية معينة، لذا يُعتبر مرور الجسيمات بشكل أساسي مقياسًا لمدى قدرة نظام الذكاء الاصطناعي على التعامل مع العمل في لحظة واحدة. يعتبر مرور الجسيمات العالي هدفًا رئيسيًا لفِرق البنية التحتية للذكاء الاصطناعي، حيث يحدد عدد المستخدمين الذين يمكن أن يخدمهم نموذج في نفس الوقت وكم من الوقت يستغرق كل منهم للحصول على الرد. وصف الباحث في الذكاء الاصطناعي أندريه كارباتي شعوره بالقلق عندما تكون اشتراكاته في الذكاء الاصطناعي خاملة – مكررًا الشعور الذي كان يشعر به كطالب دراسات عليا عندما كان العتاد الحاسوبية المكلفة لا يتم الاستفادة منه بالكامل – وهو شعور يعبر عن سبب تحول تحقيق مرور الجسيمات الأقصى إلى ما يشبه الهوس في هذا المجال.

تتضمن تطوير الذكاء الاصطناعي للتعلم الآلي عملية تعرف باسم التدريب. ببساطة، تشير هذه العملية إلى إدخال البيانات بحيث يمكن للنموذج أن يتعلم من الأنماط وينتج إخراجات مفيدة. في الأساس، إنها العملية التي تستجيب بها النظام لخصائص البيانات التي تمكنه من تعديل المخرجات نحو هدف محدد – سواء كان ذلك تحديد صور القطط أو إنتاج هايكو عند الطلب.

يمكن أن يكون التدريب مكلفًا لأنه يتطلب الكثير من المدخلات، وقد كانت الأحجام المطلوبة تتجه نحو الزيادة – وهذا هو السبب في أن الأساليب الهجينة، مثل تعديل نموذج يستند إلى القواعد باستخدام بيانات مستهدفة، يمكن أن تساعد في إدارة التكاليف دون الحاجة إلى البدء من الصفر.

[انظر: الاستدلال]

تقنية يتم فيها استخدام نموذج الذكاء الاصطناعي المدرب مسبقًا كنقطة انطلاق لتطوير نموذج جديد لمهمة مختلفة ولكن عادةً ما تكون ذات صلة – مما يسمح بإعادة استخدام المعرفة التي تم اكتسابها في دورات التدريب السابقة.

يمكن أن drives transfer learning على توفير الكفاءة من خلال تسريع تطوير النموذج. قد يكون أيضًا مفيدًا عندما تكون البيانات لمهمة التي يتم تطوير النموذج من أجلها محدودة بعض الشيء. ولكن من المهم ملاحظة أن هذه الطريقة لها قيود. ستتطلب النماذج التي تعتمد على transfer learning للحصول على قدرات عمومية على الأرجح تدريبًا على بيانات إضافية من أجل الأداء بشكل جيد في مجال اهتمامها.

(انظر: التعديل)

الأوزان هي جوهر تدريب الذكاء الاصطناعي، حيث تحدد مقدار الأهمية (أو الوزن) المعطى لميزات مختلفة (أو متغيرات الإدخال) في البيانات المستخدمة لتدريب النظام – مما يشكل مخرجات نموذج الذكاء الاصطناعي.

بالطريقة الأخرى، الأوزان هي معلمات عددية تعرّف ما هو الأكثر بروزًا في مجموعة البيانات لمهمة التدريب المحددة. تحقق وظيفة الأوزان من خلال تطبيق الضرب على المدخلات. عادةً ما يبدأ تدريب النموذج بأوزان يتم تعيينها عشوائيًا، ولكن مع تقدم العملية، تقوم الأوزان بالتعديل حيث يسعى النموذج للوصول إلى مخرجات تتطابق بشكل وثيق مع الهدف.

على سبيل المثال، نموذج الذكاء الاصطناعي لتوقع أسعار المنازل المدرب على بيانات تاريخية للعقارات لموقع مستهدف قد يشمل أوزان لميزات مثل عدد غرف النوم والحمامات، وما إذا كانت العقار منفصلًا أم شبه منفصل، وما إذا كان لديه مواقف، جراج، وما إلى ذلك.

في النهاية، تعكس الأوزان التي يربطها النموذج بكل من هذه المدخلات مقدار ما تؤثر به على قيمة العقار، استنادًا إلى مجموعة البيانات المعطاة.

فقدان التحقق هو رقم يُخبرك بمدى جودة تعلم نموذج الذكاء الاصطناعي خلال التدريب – وكلما كان الرقم أقل كلما كان أفضل. يراقب الباحثون ذلك عن كثب كنوع من تقييم الأداء في الوقت الحقيقي، باستخدامه لتحديد متى يجب إيقاف التدريب، ومتى يجب تعديل معلمات الهايبر، أو ما إذا كان ينبغي التحقيق في مشكلة محتملة. واحدة من القضايا الرئيسية التي يساعد على تنبيهها هي الإفراط في التكييف، وهي حالة يقوم فيها النموذج بتذكُّر بيانات تدريبه بدلاً من تعلم الأنماط التي يمكن تعميمها على مواقف جديدة. فكر في الأمر كما هو الفرق بين طالب يفهم المضمون بشكل حقيقي وواحد حفظ ببساطة امتحان العام الماضي – يساعد فقدان التحقق في كشف أي منهما يبدأ نموذجك في التحول إليه.

يتم تحديث هذه المقالة بانتظام بمعلومات جديدة.

توصلت جنرال موتورز إلى تسوية تتعلق بالخصوصية مع مجموعة من وكالات إنفاذ القانون برئاسة المدعي العام في كاليفورنيا روب بونتا.

في عام 2024، ذكرت صحيفة نيويورك تايمز أن شركات صناعة السيارات بما في ذلك جنرال موتورز كانت تشارك معلومات حول سلوك قيادة عملائها مع شركات التأمين، وأن بعض العملاء كانوا قلقين من أن معدلات التأمين الخاصة بهم قد ارتفعت نتيجة لذلك.

تدعي إعلان التسوية من مكتب بونتا أن جنرال موتورز باعت “أسماء ومعلومات اتصال وبيانات تحديد الموقع الجغرافي وبيانات سلوك القيادة لمئات الآلاف من سكان كاليفورنيا” لشركتي Verisk Analytics وLexisNexis Risk Solutions، وهما من وسطاء البيانات. يزعم مكتب بونتا أيضًا أن هذه البيانات تم جمعها من خلال برنامج OnStar التابع لجينرال موتورز، وأن الشركة حققت حوالي 20 مليون دولار من مبيعات البيانات.

ومع ذلك، قال مكتب بونتا أيضًا إن البيانات لم تؤد إلى زيادة في أسعار التأمين في كاليفورنيا، “على الأرجح لأن قوانين التأمين في كاليفورنيا تحظر على شركات التأمين استخدام بيانات القيادة لتحديد معدلات التأمين.”

كجزء من التسوية، وافقت جنرال موتورز على دفع 12.75 مليون دولار كعقوبات مدنية وعلى التوقف عن بيع بيانات القيادة لوكالات تقارير المستهلكين لمدة خمس سنوات، وفقًا لمكتب بونتا. كما وافقت جنرال موتورز على حذف أي بيانات للقيادة لا تزال تحتفظ بها خلال 180 يومًا (ما لم تحصل على موافقة من العملاء)، وطلب حذف تلك البيانات من Lexis وVerisk.

قال بونتا في بيان: “لقد باعت جنرال موتورز بيانات سائقين كاليفورنيا دون علمهم أو موافقتهم وعلى الرغم من العديد من التصريحات التي تطمئن السائقين بعدم القيام بذلك”، مضيفًا أن التسوية “تتطلب من جنرال موتورز التخلي عن هذه الممارسات غير القانونية وتؤكد على أهمية تقليل البيانات في قانون الخصوصية في كاليفورنيا – لا يمكن للشركات فقط الاحتفاظ بالبيانات واستخدامها لاحقًا لغرض آخر.”

كانت جنرال موتورز قد توصلت سابقًا إلى تسوية مع لجنة التجارة الفيدرالية بشأن مبيعات بياناتها، مع أمر نهائي يحظر جنرال موتورز وOnStar من بيع بيانات معينة لوكالات تقارير المستهلكين.

أخبرت جنرال موتورز رويترز أن التسوية “تعالج Smart Driver، وهو منتج أوقفناه في عام 2024، وتعزز الخطوات التي اتخذناها لتعزيز ممارسات الخصوصية لدينا.”

تواصل شركة إنفيديا كونها مستثمراً رئيسياً في نظام الذكاء الاصطناعي، حيث تلتزم بأكثر من 40 مليار دولار للاستثمارات في شركات الذكاء الاصطناعي – وهذا فقط في الأشهر الأولى من عام 2026، وفقًا لـ CNBC.

تأتي الكثير من هذه المبلغ من رهان واحد، وهو استثمار بقيمة 30 مليار دولار في شركة OpenAI. لكن CNBC أفادت أن الشركة المصنعة للشرائح قد أعلنت أيضًا عن سبعة استثمارات متعددة المليارات في شركات مدرجة في البورصة، وكان أحدثها اتفاقيات للاستثمار بما يصل إلى 3.2 مليار دولار في شركة تصنيع الزجاج Corning وما يصل إلى 2.1 مليار دولار في شركة تشغيل مراكز البيانات IREN.

سبق لنا أن جمعنا استثمارات إنفيديا في الشركات الناشئة في مجال الذكاء الاصطناعي، بما في ذلك 67 صفقة استثمارية في عام 2025. ووفقًا لبيانات FactSet، فقد شاركت بالفعل في حوالي جولة استثمارية لم يستكف بها في الشركات الناشئة الخاصة في عام 2026.

الحقيقة أن إنفيديا كانت تستثمر في بعض من عملائها أدت إلى انتقادات متكررة بأن هذه صفقات دائرية تنقل الأموال ذهابًا وإيابًا بين نفس الشركات.

قال محلل Wedbush Securities ماثيو بريسون إن استثمارات إنفيديا تقع “بشكل واضح في موضوع الاستثمار الدائري”، لكنه اقترح أنه إذا كانت ناجحة، فقد تساعد الشركة في بناء “خندق تنافسي”.

قامت شركة التعدين الكندية المبتدئة Focus Graphite بتحديث تقدير الموارد المعدنية (MRE) لمشروع Lac Tetepisca الخاص بها في كيبيك، موضحة ما تصفه الشركة بأنها واحدة من أكبر رواسب الجرافيت المحددة في العالم في وقت يتزايد فيه القلق بشأن سلاسل التوريد المعدنية للبطاريات الغربية.

يحدد التقدير المنقح المتوافق مع NI 43-101 120.16 مليون طن من الموارد المشار إليها بدرجة 10.27% من الكربون الجرافيتي (Cg)، إلى جانب 24.14 مليون طن من الموارد المستنتجة بنسبة 9.88% Cg. تم حساب التقدير باستخدام درجة قطع 3.5% للجرام وافتراض سعر تركيز الجرافيت بقيمة 1,200 دولار للطن.

اكتشف تسويق B2B عالي الأداء

اجمع بين ذكاء الأعمال والتميز التحريري للوصول إلى المتخصصين المشاركين عبر 36 منصة إعلامية رائدة.

اكتشف المزيد

يعمل المورد المحدث بشكل ملموس على توسيع نطاق أصول Lac Tetepisca بما يتجاوز قاعدة الموارد البالغة 74.2 مليون طن المشار إليها في تقرير GlobalData لشهر مايو 2025، تعدين الجرافيت العالمي حتى عام 2035، حيث تم تحديد المشروع بالفعل كواحد من أكبر أصول استكشاف الجرافيت على مستوى العالم.

ويأتي تحديث الموارد وسط توقعات الطلب المتسارعة على الجرافيت الطبيعي المرتبط ببطاريات السيارات الكهربائية (EV) والضغوط الجيوسياسية المتزايدة لتنويع العرض بعيدًا عن الصين.

وفقًا لتقرير GlobalData، من المتوقع أن ينمو الإنتاج العالمي من الجرافيت الطبيعي بمعدل نمو سنوي مركب يبلغ 15.6% بين عامي 2025 و2030، ليصل إلى 3.78 مليون طن سنويًا بحلول نهاية العقد.

ويشير التقرير أيضًا إلى أن الصين تمثل حاليًا أكثر من 80% من إنتاج الجرافيت الطبيعي العالمي وحوالي 90% من تصنيع مواد الأنود للبطاريات، مما يؤكد المخاوف الاستراتيجية بين صناع السياسات في أمريكا الشمالية وأوروبا بشأن تركيز العرض.

يقع مشروع Lac Tetepisca التابع لشركة Focus Graphite داخل ممر Manicouagan-Ouest Graphitic Corridor (MOGC) التابع للشركة في كيبيك، وهي منطقة يُنظر إليها بشكل متزايد على أنها ذات أهمية استراتيجية لإمدادات مواد البطاريات في أمريكا الشمالية في المستقبل. حددت GlobalData كندا من بين الدول التي من المتوقع أن تساهم في زيادة إنتاج الجرافيت حتى عام 2030، إلى جانب موزمبيق وتنزانيا وأستراليا.

يتضمن تحديث التوعية بمخاطر الألغام بيانات من 150 حفرة حفر يبلغ إجماليها 26,095 مترًا تم إنجازها بين عامي 2014 و2022، بما في ذلك ما يقرب من 9,628 مترًا تم حفرها خلال حملة الشركة لعام 2022. تظل الرواسب مفتوحة في العمق وإلى الجنوب الغربي، مع تسليط الضوء على إمكانية التوسع الإضافية عبر الشذوذات الكهرومغناطيسية والمغناطيسية غير المختبرة.

أعدت شركة IOS Geosciences الاستشارية ومقرها كيبيك التقدير وستقدم التقرير الفني الداعم عن SEDAR+ في غضون 45 يومًا.

تعمل شركة Focus Graphite أيضًا على تطوير تقنيات توصيف رقائق الجرافيت المدعومة بالذكاء الاصطناعي والتي تهدف إلى تحسين السرعة وكفاءة التكلفة لتحليل توزيع حجم القشور، وهو معلمة مهمة تجاريًا في تسعير الجرافيت من فئة البطاريات. وفقًا لـ GlobalData، تتطلب شرائح الجرافيت أسعارًا أعلى ماديًا من الجرافيت غير المتبلور نظرًا لأن أحجام الرقائق الأكبر تعد أمرًا بالغ الأهمية لتطبيقات بطاريات الليثيوم أيون.

يعكس توقيت التحديث تحولات هيكلية أوسع عبر سوق الجرافيت. وتتوقع GlobalData أن تتجاوز مبيعات السيارات الكهربائية 37 مليون وحدة في عام 2025، مع توقع ارتفاع الطلب على الجرافيت بشكل حاد مع توسع إنتاج البطاريات على مستوى العالم. ويشير التقرير أيضًا إلى أن الجرافيت لا يزال هو مادة الأنود السائدة في بطاريات الليثيوم أيون، حيث يمثل أكثر من 95٪ من تكوين الأنود عبر كيميائيات البطاريات الرئيسية.

وفي الوقت نفسه، أدت قيود التصدير التي فرضتها الصين على بعض منتجات الجرافيت منذ أواخر عام 2023 إلى تكثيف الاهتمام بمناطق التوريد البديلة. وقالت GlobalData إن الإجراءات أدت إلى حالة من عدم اليقين في أسواق الجرافيت الدولية ومن المتوقع أن تدعم الأسعار المرتفعة في عام 2025 وسط تعزيز الطلب على معادن البطاريات.

وقالت شركة Focus Graphite أيضًا إن الرخام الدولوميتي الذي تم تحديده داخل الجدار المعلق للمشروع يمكن استخدامه للتخفيف من توليد الأحماض في مرافق تخزين المخلفات المستقبلية. مزيد من الدراسات المعدنية والحامضية جارية.

قم بالتسجيل للحصول على جولة الأخبار اليومية لدينا!

امنح عملك ميزة من خلال رؤى الصناعة الرائدة لدينا.

كما تم الإبلاغ على نطاق واسع، أقالت شركة أوراكل حوالي 20,000 إلى 30,000 شخص عبر البريد الإلكتروني في 31 مارس.

أحد الموظفين الذين تم فصلهم في ذلك اليوم قال لموقع TechCrunch عن تجربته: “كان لدي شعور غريب في معدتي. ذهبت لتسجيل الدخول إلى VPN، وكان VPN مثل، ‘هذا المستخدم لم يعد موجوداً.’ ثم اتصلت بصديقتي، وقلت، ‘مرحباً، هل يمكنك رؤيتي في Slack؟’ فقالت، ‘لا، تم تعطيل حسابك.’”

سرعان ما تلقى الشخص بريدًا إلكترونيًا يفيد بأن دوره تم إنهاؤه على الفور. وصلت عرض التعويض بعد بضعة أيام. لكن شروط أوراكل ستصبح نقطة نزاع سريعة — وبعض الموظفين الذين تم تسريحهم سيعترضون.

عرضت أوراكل شروطًا قياسية نسبيًا لموظفيها المفصولين. مقابل توقيع إفراج يتنازلون فيه عن حقهم في اتخاذ إجراءات قانونية، تلقى الموظفون رواتب لمدة أربعة أسابيع للسنة الأولى، بالإضافة إلى أسبوع إضافي لكل سنة خدمة، بحد أقصى 26 أسبوعًا. كانت الشركة أيضًا تدفع لشهر واحد من تأمين COBRA.

لكن المشكلة: على الرغم من أن تعويض الأسهم غالبًا ما يشكل جزءًا كبيرًا من راتب موظف التكنولوجيا، خصوصًا في أوراكل، لم تتسرع الشركة في تجزئة وحدات الأسهم المقيدة التي كانت من المقرر أن تُستحق قريبًا. أي أسهم لم تُستحق بحلول تاريخ إنهاء الخدمة كانت متروكة.

كان هذا صحيحًا حتى بالنسبة للأسهم الممنوحة كحوافز للاحتفاظ أو بدلاً من زيادات الرواتب المرتبطة بالترقيات. فقد خسر موظف ذو خبرة طويلة مليون دولار من الأسهم التي كانت على بعد أربعة أشهر فقط من الاستحقاق؛ واعتبرت وحدات الأسهم المقيدة حوالي 70% من تعويضه، حسبما أفادت Time.

كما اكتشف بعض الموظفين أنه إذا تم تصنيفهم كموظفين عن بُعد بواسطة الشركة، ولم يعملوا في ولاية تتمتع بقوانين عمل أقوى مثل كاليفورنيا أو نيويورك، فإن الشركة قالت إنهم لا يحصلون على حماية قانون WARN.

قانون WARN هو قانون يتطلب من الشركات التي تجري عمليات تسريح جماعي إبلاغ الموظفين بإشعار مدته شهرين قبل فصلهم. يتم تنشيطه عندما يتأثر 50 شخصًا أو أكثر في موقع واحد. من خلال تصنيف الموظفين كعمال عن بُعد، يمكن تجاوز الحد الأدنى من متطلبات المواقع.

لم يكن بعض الأشخاص على علم بأنه تم تصنيفهم كموظفين عن بُعد، لأنهم كانوا قريبين من مكتب وعملوا وفق جدول زمني هجين.

حتى لو تم تغطيتهم بقانون WARN، فإن هذا لم يمتد بالضرورة إلى التعويض، كما قال موظف سابق في أوراكل. وهذا لأن أوراكل شملت راتب إشعار WARN لمدة شهرين في حسابها الحالي الذي يبلغ أربعة أسابيع، بالإضافة إلى أسبوع لكل سنة.

لفترة قصيرة، حاولت مجموعة من الموظفين التفاوض جماعياً مع أوراكل، وفقًا لرسالة شاهدها موقع TechCrunch. وقع ما لا يقل عن 90 شخصًا على عريضة عامة تحث عملاق قواعد البيانات والحوسبة السحابية على مطابقة شروط الشركات الكبيرة الأخرى التي تجري تسريحات جماعية باسم الذكاء الاصطناعي.

على سبيل المثال، بدأت حزمة التعويض لشركة ميتا، وفقًا لرسالة إلكترونية نشرتها شركة Business Insider، بمبلغ 16 أسبوعًا من الراتب الأساسي، بالإضافة إلى أسبوعين عن كل سنة من الخدمة، وشملت COBRA لمدة 18 شهرًا.

كما قدمت شركة مايكروسوفت، التي عرضت قروض التقاعد الطوعية لموظفيها ذوي الخبرة الطويلة، تسريع استحقاق الأسهم، ومدة لا تقل عن ثمانية أسابيع من الراتب، وأسبوع إضافي إلى أسبوعين عن كل ستة أشهر من الخدمة، اعتمادًا على الرتبة، وفقًا لما نقلته صحيفة Seattle Times.

وحتى Cloudflare، التي قامت بقطع 20% من موظفيها، عرضت تعويض دفعة واحدة يعادل الراتب الأساسي حتى نهاية عام 2026، بالإضافة إلى تغطية الرعاية الصحية حتى نهاية العام، وتسريع استحقاق الأسهم حتى 15 أغسطس. لذا، إذا كان الموظف قريبًا من الحصول على شريحة أخرى، فسيتلقاها.

رفضت أوراكل التفاوض، وفقًا لرسالة إلكترونية شهدها موقع TechCrunch. كانت حالة “خذ أو اترك” كما قال الموظف.

عند سؤالها عن شروط التعويض، وتصنيف الموظفين عن بُعد، والمحاولة الفاشلة من قبل الموظفين للتفاوض أكثر، رفضت أوراكل التعليق.

لا تعتبر هذه ردة فعل من الشركة مفاجئة، حتى لأولئك الذين كانوا يأملون في التفاوض. لكنها تؤكد أن جميع الرواتب النظرية العالية (غالبًا عبر الأسهم) والامتيازات التي يستمتع بها عمال التكنولوجيا عندما يكون السوق في صالحهم، تكون لديهم حماية قليلة جدًا عندما لا يكون كذلك.

أعلنت شركة أمازون يوم الجمعة عن إضافة تغذية فيديو قصيرة إلى تطبيق برايم فيديو تحت اسم “Clips”.

سيتم إطلاق Clips أولاً في الولايات المتحدة، وستتضمن… حسنًا، مقاطع من عروض على برايم فيديو مصممة لجذب المشاهد وجعله يجرب العرض الكامل. من تلك المقطع، يمكن للمستخدمين إضافة عنوان إلى قائمة المفضلات الخاصة بهم، أو مشاركته مع صديق، أو الانتقال لاستئجار أو شراء أو الوصول إلى العنوان من خلال اشتراكهم.

قال بريدن غريفين، مدير تجارب التطبيقات العالمية في برايم فيديو، في بيان صحفي: “Clips يوفر للعملاء وسيلة جديدة تمامًا لتصفح المحتوى من خلال مقتطفات قصيرة مخصصة تناسب اهتماماتهم.” وأضاف: “سواء كان لديهم بضع دقائق للتصفح أو يبحثون عن شيء يشاهدونه عندما يكون لديهم المزيد من الوقت، فإن الترفيه على بعد نقرة واحدة فقط.”

اختبرت أمازون أولاً هذه التغذية القصيرة خلال موسم الدوري الأمريكي لكرة السلة (NBA)، حيث عرضت ملخصات يمكن للمستخدمين التمرير من خلالها كما لو كانوا يشاهدون فيديوهات تيك توك.

ليس من المفاجئ رؤية برايم فيديو يقوم بهذا التغيير — فقد قدمت نيتفليكس وبيكوك وتوبي وديزني وغيرها تجارب مشابهة مؤخرًا، والتي تهدف إلى تعزيز الاكتشاف. تغذية نيتفليكس القصيرة تشارك حتى الاسم Clips.

سيتم إطلاق Clips أولاً لمجموعة مختارة من العملاء في الولايات المتحدة على أجهزة iOS وAndroid والأجهزة اللوحية Fire، ولكن سيكون متاحًا بشكل أوسع هذا الصيف. يمكن للمستخدمين الانتقال إلى Clips من خلال التمرير لأسفل على شريط Clips في الصفحة الرئيسية لتطبيق برايم فيديو المحمول، والذي سيظهر تغذية عمودية ملء الشاشة.

انضمت شركة Cloudflare يوم الخميس إلى قائمة متزايدة من شركات التكنولوجيا — بما في ذلك Meta وMicrosoft وGoogle — التي أبلغت عن زيادة في الإيرادات مع تسريح جماعي كبير للموظفين، وعزت كلا الاتجاهين إلى استخدامها للذكاء الاصطناعي.

أعلنت شركة Cloudflare، التي تقدم خدمات أمان الإنترنت والأداء لملايين المواقع حول العالم، أنها ستقوم بتقليص قوتها العاملة بنسبة تقارب 20%، ما يعادل 1,100 شخص، وذلك في إطار تقرير أرباحها للربع الأول من عام 2026 الذي أُعلن عنه يوم الخميس.

قال ماتيو برينس، المؤسس المشارك والرئيس التنفيذي، يوم الخميس خلال مكالمة المؤتمر الربع سنوي: “لم نقم قط بشيء من هذا القبيل في تاريخ Cloudflare”، في إشارة إلى أول تسريح جماعي في تاريخ الشركة الذي يمتد لـ16 عامًا. وأوضح المدير المالي توماس سيفرت في المكالمة أن الشركة تقوم بتقليص عدد الموظفين من جميع الفرق والمناطق باستثناء مندوبي المبيعات الذين يحملون حصص إيرادات.

وجاءت أخبار تقليص القوى العاملة في الوقت الذي أبلغت فيه الشركة عن إيرادات ربع سنوية بلغت 639.8 مليون دولار، بزيادة قدرها 34% على أساس سنوي وأعلى ربع واحد في تاريخ الشركة. ومع ذلك، كان ذلك مصحوبًا بخسارة قدرها 62.0 مليون دولار مقارنة بخسارة قدرها 53.2 مليون دولار في الربع المماثل من العام الماضي.

هذه الخسارة المتزايدة، حتى مع زيادة الإيرادات، تسلط الضوء على تناقض مألوف في قصة Cloudflare: الشركة تنمو بسرعة لكنها لم تحقق بعد أرباحًا ثابتة. لكن الخسارة كانت نسبة أقل من الإيرادات، وكان الربع مصحوبًا بالكثير من المؤشرات الإيجابية الأخرى. على سبيل المثال، أفادت Cloudflare بأنها تمتلك أكثر من 2.5 مليار دولار في “الالتزامات المتبقية للأداء”، ما يمثل نموًا بنسبة 34% على أساس سنوي. وتعتبر الالتزامات المتبقية (RPO) المقياس المفضل هذه الأيام للدلالة على الإيرادات تحت العقد ولكن لم يتم تسليمها بعد.

لذا، أصّر برينس على أن التخفيضات بنسبة 20% لم تكن لتقليص النفقات بل كانت بسبب استخدامها للذكاء الاصطناعي.

كتب برينس وشريكته في التأسيس ومديرة العمليات، ميشيل زاتلين، في منشور مدونة ذو صلة حول التسريحات: “الأفعال التي تمت اليوم ليست تمرينًا على تقليص التكاليف أو تقييم لأداء الأفراد؛ بل تتعلق بتحديد كيفية عمل شركة عالمية ذات نمو عالي وخلق قيمة في عصر الذكاء الاصطناعي”.

اعترف برينس خلال المكالمة بأنه على الرغم من أن Cloudflare كانت تبيع منتجات مدعومة بالذكاء الاصطناعي، إلا أنها كانت في البداية حذرة بشأن اعتماد الذكاء الاصطناعي بنفسها.

قال: “داخليًا، كانت نقطة التحول في نوفمبر الماضي. في ذلك الوقت، بدأنا نرى زيادات ضخمة في الإنتاجية عبر فرقنا، حيث كان الأعضاء في الفريق أكثر إنتاجية بمقدار مرتين أو عشر مرات أو حتى مئة مرة عما كانوا عليه من قبل. كان الأمر مثل الانتقال من المفك اليدوي إلى المفك الكهربائي”.

وأضاف: “استخدام Cloudflare للذكاء الاصطناعي قد زاد بأكثر من 600% في الأشهر الثلاثة الماضية فقط”.

سلط برينس الضوء على الاستخدام الداخلي للبرمجة بالذكاء الاصطناعي، مشيرًا إلى أن فريق البحث والتطوير بأكمله تقريبًا يستخدم الآن منصة “Workers” الخاصة بالشركة — وهي أداة تتيح للمطورين بناء وتشغيل البرمجيات مباشرة على الشبكة العالمية لـ Cloudflare — بما في ذلك ميزة البرمجة “vibe”. كما أشار إلى أن 100% من الشيفرة المنتجة بهذه الطريقة والتي تم نشرها لاستخدامها في منتجات Cloudflare “يتم مراجعتها الآن بواسطة وكلاء ذكاء اصطناعي مستقلين”.

لكنه قال إن المطورين ليسوا فقط من يستخدمون الذكاء الاصطناعي داخليًا. “موظفو الشركة من الهندسة إلى الموارد البشرية إلى المالية إلى التسويق يقومون بتشغيل آلاف من جلسات وكيل الذكاء الاصطناعي يوميًا لإنجاز أعمالهم.”

نتيجة لذلك، يحتاج هؤلاء الموظفون ذوو الإنتاجية العالية المدعومون بالذكاء الاصطناعي إلى عدد أقل من موظفي الدعم، حسب قوله.

قال برينس: “الكثير من موظفي الدعم الذين يقدمون الدعم لهم، تلك الأدوار لن تكون هي الأدوار التي، كما تعلمون، ستقود الشركات في المستقبل”.

من المثير للاهتمام، يقول برينس إن Cloudflare “ستواصل توظيف الناس، وسنستمر في الاستثمار فيهم لأن الأشخاص الذين يتبنون هذه الأدوات أكثر إنتاجية بكثير مما شهدناه من قبل. أعتقد أنه في عام 2027 سيكون لدينا عدد أكبر من الموظفين مما كان لدينا في أي نقطة في عام 2026”.

قالت Cloudflare إنها أنهت الربع الأول قبل التسريحات بعدد حوالي 5,500 موظف.

النمط الذي وصفه برينس – استخدام مكاسب الذكاء الاصطناعي كتبرير لتقليص القوى العاملة حتى خلال فترة نمو الإيرادات القوية – أصبح بسرعة سيناريو مألوف عبر صناعة التكنولوجيا. سواء كان هذا يعكس تحولاً هيكليًا حقيقيًا أو يعمل كغطاء مريح للانضباط المالي هو سؤال سيصارع معه المستثمرون والموظفون لبعض الوقت.

عند سؤاله من قِبل محلل خلال المكالمة عن سبب حاجة الشركة لخفض كبير بعد ربع جيد، قال برينس: “فقط لأنك لائق لا يعني أنك لا تستطيع أن تصبح أكثر لياقة”.

قدمت شركة Mining Technology “محتوى متميز” جديدًا لقرائها – فيما يلي شرح لما يتغير وما لا يتغير.

المحتوى المتميز ذو قيمة

المحتوى المتميز هو اشتراكنا المجاني الجديد الذي يوفر الوصول إلى تحليلات أعمق وميزات ورؤى مستندة إلى البيانات مستمدة من قدرات البحث العالمية لشركتنا الأم، GlobalData.

اكتشف تسويق B2B عالي الأداء

اجمع بين ذكاء الأعمال والتميز التحريري للوصول إلى المتخصصين المشاركين عبر 36 منصة إعلامية رائدة.

اكتشف المزيد

لقد قدمنا ​​المحتوى المتميز لتعبئة المحتوى الأكثر قيمة لدينا. بالإضافة إلى نشر أحدث أخبار الصناعة يوميًا، ننشر أيضًا المقابلات والميزات والتحليلات المستندة إلى البيانات المستمدة من أبحاثنا والبيانات والتحليلات الخاصة بـ GlobalData. إن مثل هذه المقالات، التي تحتوي على رؤى قيمة وقابلة للتنفيذ في مجال الصناعة، هي التي نصنفها الآن على أنها محتوى متميز.

المحتوى المميز محمي

الهدف من كل هذا هو مساعدتنا على فهم ما يقرأه جمهورنا بشكل أفضل لمواصلة تحسين المحتوى الذي ننشره. إن المشهد الإعلامي اليوم – حتى في مجالات B2B المتخصصة – مجزأ ويتعرض لضغوط متزايدة من أدوات الذكاء الاصطناعي. ومن خلال جمع المحتوى الخاص بنا بهذه الطريقة، يمكننا المساعدة في حماية الملكية الفكرية الخاصة بنا مع تحسين مخرجاتنا للقراء.

المحتوى المميز مجاني

نحن لا نقدم اشتراكًا مدفوعًا للمحتوى الخاص بنا. يوجد المحتوى المميز الخاص بنا خلف جدار تسجيل مجاني يلتقط بعض التفاصيل الأساسية. يتم منح المستخدمين ملفًا شخصيًا خاصًا بهم، والذي سيتم تطويره بمزيد من الوظائف بمرور الوقت.

للوصول، ما عليك سوى فتح مقالة محتوى مميز على الموقع والاشتراك، أو زيارة موقع GlobalData الإلكتروني لمعرفة المزيد عن معلومات صناعة التعدين الخاصة بها.

قم بالتسجيل للحصول على جولة الأخبار اليومية لدينا!

امنح عملك ميزة من خلال رؤى الصناعة الرائدة لدينا.

قدمت شركة Mining Technology “محتوى متميز” جديدًا لقرائها – فيما يلي شرح لما يتغير وما لا يتغير.

المحتوى المتميز ذو قيمة

المحتوى المتميز هو اشتراكنا المجاني الجديد الذي يوفر الوصول إلى تحليلات أعمق وميزات ورؤى مستندة إلى البيانات مستمدة من قدرات البحث العالمية لشركتنا الأم، GlobalData.

اكتشف تسويق B2B عالي الأداء

اجمع بين ذكاء الأعمال والتميز التحريري للوصول إلى المتخصصين المشاركين عبر 36 منصة إعلامية رائدة.

اكتشف المزيد

لقد قدمنا ​​المحتوى المتميز لتعبئة المحتوى الأكثر قيمة لدينا. بالإضافة إلى نشر أحدث أخبار الصناعة يوميًا، ننشر أيضًا المقابلات والميزات والتحليلات المستندة إلى البيانات المستمدة من أبحاثنا والبيانات والتحليلات الخاصة بـ GlobalData. إن مثل هذه المقالات، التي تحتوي على رؤى قيمة وقابلة للتنفيذ في مجال الصناعة، هي التي نصنفها الآن على أنها محتوى متميز.

المحتوى المميز محمي

الهدف من كل هذا هو مساعدتنا على فهم ما يقرأه جمهورنا بشكل أفضل لمواصلة تحسين المحتوى الذي ننشره. إن المشهد الإعلامي اليوم – حتى في مجالات B2B المتخصصة – مجزأ ويتعرض لضغوط متزايدة من أدوات الذكاء الاصطناعي. ومن خلال جمع المحتوى الخاص بنا بهذه الطريقة، يمكننا المساعدة في حماية الملكية الفكرية الخاصة بنا مع تحسين مخرجاتنا للقراء.

المحتوى المميز مجاني

نحن لا نقدم اشتراكًا مدفوعًا للمحتوى الخاص بنا. يوجد المحتوى المميز الخاص بنا خلف جدار تسجيل مجاني يلتقط بعض التفاصيل الأساسية. يتم منح المستخدمين ملفًا شخصيًا خاصًا بهم، والذي سيتم تطويره بمزيد من الوظائف بمرور الوقت.

للوصول، ما عليك سوى فتح مقالة محتوى مميز على الموقع والاشتراك، أو زيارة موقع GlobalData الإلكتروني لمعرفة المزيد عن معلومات صناعة التعدين الخاصة بها.

قم بالتسجيل للحصول على جولة الأخبار اليومية لدينا!

امنح عملك ميزة من خلال رؤى الصناعة الرائدة لدينا.

بيتر ويليامز، وهو مدير تنفيذي مخضرم في الأمن السيبراني كان رئيس قسم تقنيات الاختراق والمراقبة في شركة الدفاع الأمريكية L3Harris، قد أُمر بدفع 10 مليون دولار لصاحب العمل السابق له. ويليامز كان الشخصية الرئيسية في واحدة من أسوأ تسريبات أدوات الاختراق المتقدمة في تاريخ الولايات المتحدة وحلفائها المقربين.

في يوم الأربعاء، أمر قاضي ويليامز بدفع هذا المبلغ كتعويض بالإضافة إلى 1.3 مليون دولار التي تم الحكم عليه بدفعها سابقاً لشركة L3Harris. ويليامز، المواطن الأسترالي البالغ من العمر 39 عامًا الذي عمل سابقًا في إحدى وكالات الاستخبارات الأسترالية، كان حتى العام الماضي المدير العام لشركة Trenchant. تأسست Trenchant من دمج شركتين ناشئتين، وهي فرع من L3Harris تطور برمجيات التجسس المتقدمة وأدوات الاختراق وتبيعها للحكومة الأمريكية وحلفائها في ما يُعرف بتحالف Five Eyes، وهو ائتلاف من خمس دول ناطقة باللغة الإنجليزية تتبادل المعلومات الاستخباراتية السرية. بالإضافة إلى الولايات المتحدة، يشمل التحالف أستراليا وكندا ونيوزيلندا والمملكة المتحدة.

أول من أبلغ عن الأمر الجديد لدفع التعويض هو المراسلة المخضرمة في الأمن السيبراني كيم زتر في نشرتها الإخبارية.

لم تستجب محامو ويليامز لطلب التعليق.

في العام الماضي، تم اعتقال ويليامز واتهامه بسرقة سبعة أسرار تجارية غير محددة – من المحتمل أن تكون استغلالات سيبرانية، وهي رموز تستغل ثغرات البرمجيات، وتقنيات المراقبة – من Trenchant ثم بيعها إلى Operation Zero. الشركة الروسية التي تعمل كوسيط، تشتري وتبيع أدوات الاختراق، وتقول إنها تعمل حصريًا مع الحكومة الروسية والشركات المحلية.

أقر ويليامز بالذنب وحُكم عليه بأكثر من سبع سنوات في السجن.

حقق ويليامز 1.3 مليون دولار من بيع الأسرار التجارية، التي استخدمها لشراء ساعات فاخرة، ومنزل بالقرب من واشنطن العاصمة، وإجازات عائلية. أخبرت Trenchant المدعين العامين أنها تكبدت خسائر تصل إلى 35 مليون دولار بسبب سرقة ويليامز.

قال المدعون في الولايات المتحدة إن ويليامز “خان” الولايات المتحدة وحلفاءها من خلال منح Operation Zero، التي تسميها الحكومة الأمريكية “أحد أخطر وسطاء الاستغلال في العالم”، أدوات كان من الممكن استخدامها لاختراق “ملايين أجهزة الكمبيوتر والأجهزة حول العالم.”

كما ذكرت TechCrunch سابقًا، استغل ويليامز “الوصول الكامل” المميز لشبكة Trenchant الداخلية لسرقة الأدوات من مكاتب الشركة. بعد أن باع ويليامز أدوات الاختراق إلى Operation Zero، تم استخدام بعضها من قبل جواسيس الحكومة الروسية في أوكرانيا، ولاحقًا من قبل مجرمين سيبرانيين صينيين، وفقًا لموظفين سابقين في L3Harris الذين تعرفوا على الشيفرة المسروقة في الأبحاث المتعلقة بالأمن السيبراني التي نشرتها جوجل بعد التحقيق في الهجمات السيبرانية التي تم استخدام تلك الأدوات فيها.

كما حاول ويليامز تشويه سمعة أحد موظفيه بتهمة السرقة.