انخفاض حصة إنفيديا بشكل كبير، أين تكمن فرص المرحلة الجديدة من ثورة الذكاء الاصطناعي؟

هذه هي المقالة التاسعة من سلسلة 100 مقال حول استثمار وتطوير الذكاء الاصطناعي.
لقد قرأت المقالات السابقة عن إنتل، AMD، ARM. شهدت أسعار أسهمها ارتفاعات كبيرة خلال العام الماضي — مضاعفة AMD، ثلاث أضعاف إنتل، وبلوغ ARM أعلى مستوى تاريخي.
بعد الارتفاع، ظهرت سؤال بسيط: هل لا زالت هذه الأسهم التي ارتفعت يمكن أن تُشَارَك فيها؟
هل هناك فرص في الشركات التي لم ترتفع بعد؟
للإجابة على هذا السؤال، لا بد من التطرق إلى كلمة محورية — الاستنتاج.
فيما سبق، كانت الشركات التي ارتفعت تظهر في التحليل مرارًا وتكرارًا هاتين الكلمتين.
إذن: ما حجم مسار الاستنتاج؟ في أي مرحلة هو الآن؟
أي الشركات ستستفيد وكيف؟
أي منها تم تسعيره بالفعل في السوق، وأيها لا يزال غير مسعّر؟
هذه هي المقالة التاسعة من سلسلة 100 مقال حول استثمار وتطوير الذكاء الاصطناعي، بطول 15 ألف كلمة، ومحتوى غني وسهل القراءة، يُنصَح بحفظه أولاً للمراجعة لاحقًا.
1. مدى حجم المسار
تدريب النماذج هو «كتابة البرامج»، والاستنتاج هو «العملية التي يُستدعى فيها هذا البرنامج يوميًا».
بعد تدريب GPT، يستخدمه مئات الملايين يوميًا لطرح الأسئلة، وكل استعلام يستهلك قدرة استنتاج.
Claude Code ينفذ مهمة، ووكيل (agent) ينفذ مئة دورة، وكل دورة هي استنتاج.
تشير العديد من الدراسات الصناعية ووسائل الإعلام إلى اتجاه واحد:
بعد دخول النموذج إلى بيئة الإنتاج، سيصبح الاستنتاج هو الجزء الأكبر من تكلفة دورة الحياة، مع تقديرات تتراوح بين 80-90%.
بمعنى آخر، في حسابات قوة الحوسبة في عصر الذكاء الاصطناعي المستقبلي، 8 من كل 10 دولارات ستُستهلك في الاستنتاج.
لكن السوق خلال الثلاث سنوات الماضية كان يركز تقريبًا على التدريب، لأنه أكثر «إثارة» —
مقارنة من يتوفر لديه H100 أكثر، أو من لديه أكبر عدد من المعاملات، أو من يدرب النموذج التالي أولاً.
وكان يُنظر إلى الاستنتاج على أنه مهمة تكميلية بعد التدريب.
هذا الانحراف في الإدراك بدأ يتغير، وهو السبب الجوهري وراء إعادة تقييم قيمة شركات أشباه الموصلات خلال العام الماضي.
إذن، مسار الاستنتاج كبير، لكن إلى أي مدى؟
يمكن قياسه من خمسة جوانب محددة.
الأول هو عدد المستخدمين.
ChatGPT لديه 900 مليون مستخدم نشط أسبوعيًا، و50 مليون مستخدم مدفوع.
وفي الصين، المقارنة أكثر مباشرة —
عدد الطلبات اليومية من الرموز (tokens) ارتفع من 100 مليار في بداية 2024 إلى 140 تريليون في 2026، بزيادة 1400 مرة.
وهذا لا يزال بعيدًا عن التشبع.
الثاني هو كثافة الاستخدام.
حجم معالجة الرموز من قبل OpenAI كان 6 مليارات في أكتوبر 2025، وارتفع إلى 15 مليار في أبريل 2026 — أي مضاعف 2.5 خلال نصف سنة.
إيرادات النسخة التجارية تتجاوز 40%، والمستخدمون من الشركات يستخدمون بشكل أكثر كثافة بكثير من المستهلكين.
الثالث هو طول الحوار.
طول السياق من بضع مئات من الرموز في البداية، إلى أن وصل في وثائق API لـ DeepSeek إلى 1 مليون، وأقصى إخراج هو 384 ألف.
كلما زاد طول النص، زادت استهلاك الذاكرة وقوة الحوسبة في الاستنتاج الواحد.
الرابع هو أن النموذج نفسه يستهلك المزيد من الحوسبة.
نماذج الاستنتاج مثل OpenAI o1، DeepSeek R1، Claude Thinking،
قبل الإجابة، تتطلب «تفكيرًا» داخليًا لآلاف أو عشرات الآلاف من الرموز.
رون هورنون، مؤسس NVIDIA، ذكر أن نماذج الاستنتاج قد تتطلب حوسبة أعلى بكثير، وربما تصل إلى مئة ضعف.
في الماضي، كنت تسأل الذكاء الاصطناعي سؤالًا، فيعطيك الإجابة مباشرة؛
أما الآن، إذا طرحت عليه سؤالًا صعبًا، فإنه يفكر في الأمر نصف دقيقة قبل أن يجيب.
هذه «النصف دقيقة من التفكير» تستهلك حوسبة إضافية.
الخامس هو الوكيل (agent).
مهمة الوكيل عادة تتطلب استدعاء النموذج من 10 إلى 100 مرة.
حجم النشاط الأسبوعي لـ OpenAI Codex تجاوز 4 ملايين (حتى 22 أبريل 2026) — وهو مجرد منتج لشركة واحدة.
وتقدير أحد خبراء سلسلة التوريد للذكاء الاصطناعي هو أن استهلاك الحوسبة للذكاء الاصطناعي بشكل عام يمكن أن يتجاوز 10 أضعاف حجم النموذج اللغوي الكبير المماثل.
عند ضرب هذه الخمسة عوامل، فإن الطلب الإجمالي على الاستنتاج خلال ثلاث إلى خمس سنوات سيشهد توسعًا هائلًا،
وهذا ليس مجرد سرد مبالغ فيه، بل هو تقييم يقترب أكثر من أن يكون هو الاتجاه السائد.
《انخفاض حصة إنفيديا في الاستنتاج، وأين تكمن فرص المرحلة الثانية من ثورة الذكاء الاصطناعي؟》