كيف مكّنت جوجل GPT لكنها تركت الفوز لـ OpenAI

نظرة عامة: كيف أمدّت جوجل GPT بالطاقة لكنها تركت الفوز لـ OpenAI

لم "تفوّت" جوجل موجة الذكاء الاصطناعي بقدر ما اخترعت جزءًا كبيرًا مما جعل الموجة الحالية ممكنة — ثم سمحت لآخرين بتحويله إلى المنتج الحاسم.

باحثو جوجل ابتكروا بنية الـ Transformer، الفكرة الأساسية وراء نماذج GPT. تلك الورقة عام 2017، "Attention Is All You Need"، أظهرت كيف يمكن تدريب نماذج ضخمة تفهم اللغة وتولدها بطلاقة ملحوظة. بدون ذلك العمل، لما كان GPT كما نعرفه ممكنًا.

إنجاز OpenAI لم يكن خوارزمية سحرية جديدة. بل كان مجموعة من الخيارات الاستراتيجية: مَدّ Transformers إلى نطاقات لم يكن يظن معظم الناس أنها عملية، زوجها بتشغيلات تدريب هائلة، وقدّم النتيجة عبر واجهات برمجة تطبيقات سهلة الاستخدام ثم—أخيرًا—ChatGPT، منتج استهلاكي جعل الذكاء الاصطناعي محسوسًا لمئات الملايين من الناس.

هذه المقالة تتناول تلك الخيارات والمقايضات، لا الدراما السرية أو الأبطال والأشرار الشخصيين. تتبّع كيف أدت ثقافة بحث جوجل ونموذج أعمالها إلى تفضيل نماذج شبيهة بـ BERT وتحسينات متزايدة في البحث، بينما راهنت OpenAI على نظام مولّد عام أكثر مخاطرة.

سنغطي:

• كيف بنت جوجل هيمنة مبكرة على الذكاء الاصطناعي ومنظمة بحث عالمية المستوى
• لماذا كانت ورقة Transformer ثورية — وماذا غيّرت فعليًا
• كيف بنَت OpenAI على هذا الأساس لتصنع GPT وChatGPT
• الاستراتيجيات المتباعدة: BERT والبحث في جوجل مقابل توسيع GPT وواجهات API في OpenAI
• "لحظة ChatGPT" عندما تفوّقت OpenAI على جوجل في العلن
• الفروق الثقافية والحوافز التي شكلت قرارات كل شركة
• إعادة ضبط جوجل عبر Bard وGemini
• دروس عملية للمبادرين الذين لا يرغبون في تكرار خطأ جوجل

إذا كنت مهتمًا باستراتيجية الذكاء الاصطناعي—كيف يتحول البحث إلى منتجات، والمنتجات إلى ميزة دائمة—فالقصة هنا هي دراسة حالة في ما يهم أكثر من امتلاك أفضل ورقة: امتلاك رهان واضح والشجاعة لإطلاقه.

هيمنة جوجل المبكرة على الذكاء الاصطناعي وثقافة البحث

دخلت جوجل عالم التعلم الآلي الحديث بميزتين هيكليتين ضخمتين: بيانات بمقاييس لا تُصدق وثقافة هندسية مُهيأة سابقًا لأنظمة موزعة كبيرة. عندما وجّهت تلك الآليات نحو الذكاء الاصطناعي، أصبحت بسرعة المركز الجاذب للمجال.

من Google Brain إلى DeepMind

بدأ Google Brain كمشروع جانبي حول 2011–2012، بقيادة جيف دِين، أندرو نغ، وجريج كورادو، وتركز على التعلم العميق على نطاق واسع باستخدام مراكز بيانات جوجل لتدريب نماذج كانت خارج متناول معظم الجامعات.

انضمت DeepMind في 2014 عبر استحواذ ذي بروفايل عالي. بينما كان Google Brain أقرب إلى المنتجات والبنية التحتية، انحازت DeepMind نحو أفق بحثي طويل المدى: التعلم المعزز، الألعاب، وأنظمة التعلم العامة.

معًا، منحو جوجل غرفة محرك لا مثيل لها للذكاء الاصطناعي: فريقًا مضمّنًا في أجهزة الإنتاج، وآخرًا يلاحق الأبحاث الطموحة.

مراحل معنوية أظهرت الهيمنة

عدة إنجازات عامة رسّخت مكانة جوجل:

• اختراقات ImageNet: رغم أن فوز 2012 (AlexNet) جاء من جامعة تورنتو، وظّفت جوجل بسرعة كثيرًا من الباحثين الرائدين ودفعت الحالة الفنية مع نماذج مثل Inception. أصبحت معايير الرؤية الحاسوبية ميدانًا لعرض قوة جوجل في المقياس والأدوات.
• AlphaGo وما تلاها: فوز DeepMind عبر AlphaGo على لي سيدول في 2016، يليه AlphaGo Zero وAlphaZero، أظهر أن التعلم المعزز العميق يمكنه اتقان نطاقات معقدة بقليل من الهندسة البشرية.
• خطاب "AI‑first": حوالي 2016–2017 بدأ سوندار بيتشاي يصف جوجل بأنها "شركة تضع الذكاء الاصطناعي أولًا". اعتمدت خدمات عديدة على AI—البحث، الإعلانات، توصيات يوتيوب، الصور، الخرائط، وأندرويد—ما أثر في مليارات المستخدمين حتى لو أن معظمهم لم ير النماذج مباشرة.

هذه الانتصارات أقنعت كثيرين أنه للعمل على أصعب مشاكل الذكاء الاصطناعي تذهب إلى جوجل أو DeepMind.

كثافة المواهب كمحرك للابتكار

جمعت جوجل نسبة استثنائية من مواهب الذكاء الاصطناعي في العالم. فائزون بجائزة تورينج وباحثون بارزون عملوا ضمن أطر قليلة.

خلقت هذه الكثافة حلقات تغذية راجعة قوية:

• تنتشر الأفكار الجديدة سريعًا عبر محاضرات داخلية وقوائم بريدية وكود مشترك.
• يمكن فرق تشكل نفسها بصورة عفوية لمهاجمة مشاكل صعبة مع توفر الخبرة بسهولة داخل الشركة.
• استفاد الباحثون من بنية تحتية إنتاجية: خطوط بيانات، أنظمة تدريب موزعة، وعتاد متخصص دون الحاجة لبنائه بأنفسهم.

هذا المزيج من المواهب النخبوية والاستثمار في البنية التحتية جعل جوجل مكانًا لانطلاق أبحاث الذكاء الاصطناعي المتقدمة.

ثقافة مهيأة للأوراق والمنصات

ميل ثقافة AI في جوجل كان قويًا نحو النشر وبناء المنصات أكثر من بناء منتجات استهلاكية مصقولة.

على الجانب البحثي، كان المعيار هو:

• النشر في مؤتمرات مثل NeurIPS وICML وICLR.
• طرح أدوات مفتوحة المصدر (مثل TensorFlow) التي عكست أنظمة جوجل الداخلية.
• إصدار أوراق مؤثرة في الرؤية، نمذجة التسلسل، التعلم المعزز، والتدريب على نطاق واسع.

وعلى الجانب الهندسي، ضخّت جوجل موارد في البنية التحتية:

• وحدات معالجة مصممة للتمارين (TPUs) مخصصة لأحمال الشبكات العصبية.
• أكوام تدريب وتقديم متقدمة مصدرها أنظمة داخلية مثل Borg.
• منصات بيانات وتجريب جعلت من السهل إجراء دراسات ضخمة على حركة حقيقية.

هذه الاختيارات كانت منسجمة بقوة مع أعمال جوجل الأساسية. النماذج والأدوات الأفضل حسّنت مباشرةً نتائج البحث، استهداف الإعلانات، وتوصيات المحتوى. عومل الذكاء الاصطناعي كـ طبقة قدرة عامة بدلًا من فئة منتجات قائمة بذاتها.

النتيجة: شركة سيطرت على علم وبنية AI، ودمجته بعمق في خدماتها القائمة، وبثّت تقدمها عبر أبحاث مؤثرة — بينما ظلت حذرة إزاء بناء تجارب استهلاكية جديدة قائمة على الذكاء التوليدي.

ولادة الـ Transformer: اختراق جوجل

في 2017 نشر فريق صغير من Google Brain وGoogle Research ورقة أعادت تشكيل المجال: "Attention Is All You Need" من أشِش فاسواني وآخرين.

الفكرة الأساسية كانت بسيطة لكنها ثورية: يمكنك التخلي عن التتابع والـ CNNs، وبناء نماذج تسلسلية باستخدام الانتباه فقط. سميت هذه البنية Transformer.

ماذا أصلح Transformer في شبكات RNN وLSTM

قبل Transformers، كانت أنظمة اللغة تعتمد على RNNs وLSTMs وكانت تواجه مشكلتين رئيسيتين:

• عنق زجاجة تسلسلي: RNNs تعالج الرموز واحدة تلو الأخرى، فالتدريب والاستدلال يصعبان من أجل التسريع المتوازي.
• التبعيات بعيدة المدى: مع طول التسلسلات يصبح الاحتفاظ بالمعلومات من خطوات بعيدة صعبًا حتى مع LSTMs وطبقات الانتباه المضافة.

حل الـ Transformer كلاهما:

• الانتباه الذاتي يتيح لكل رمز أن "ينظر" مباشرة إلى كل رمز آخر في التسلسل داخل طبقة واحدة.
• يعالج النموذج كل الرموز بالتوازي، مما يجعل التدريب صديقًا لوحدات GPU.
• انتباه متعدد الرؤوس يمكّن النموذج من تعلم "وجهات نظر" سياقية متعددة (بناء جملة، إحالة مرجعية، موضوع، إلخ) في آن واحد.

ويُضاف معلومات الموضع عبر ترميزات موضعية حتى يعرف النموذج الترتيب دون الحاجة للتتابع.

لماذا فتح هذا الباب أمام النماذج القابلة للتوسع والمتعددة الوسائط

بما أن العمليات قابلة للتوازي وتعتمد على ضربات مصفوفية مكثفة، فإن Transformers يتدرّجون نظيفًا مع زيادة البيانات والحساب. خاصية التدرّج هذه هي بالضبط ما تعتمد عليه نماذج مثل GPT وGemini.

نفس آلية الانتباه تعمم أيضًا خارج النص: يمكن تطبيقها على رقع الصور، إطارات صوت، رموز الفيديو، والمزيد. هذا جعل البنية أساسًا طبيعيًا لنماذج متعددة الوسائط تقرأ، ترى، وتستمع عبر هيكل موحد.

النشر المفتوح والطريق إلى GPT

الأهم أن جوجل نشرت الورقة علنًا ومع الأعمال اللاحقة والمكتبات مثل Tensor2Tensor جعلت البنية سهلة الاستنساخ. الباحثون والشركات الناشئة حول العالم تمكنوا من قراءة التفاصيل ونسخ التصميم وتوسيع نطاقه.

وفعلت OpenAI ذلك حرفيًا. GPT‑1 هو، من حيث البنية، ستاك من محولات الـ Transformer (decoder) مع هدف نمذجة اللغة. السلف التقني المباشر لـ GPT جاء من Transformer لجوجل: نفس بلوكات الانتباه الذاتي، نفس ترميزات الموضع، ونفس الرهان على التوسيع — لكن مطبّق في سياق منتج وتنظيمي مختلف.

من Transformer إلى GPT: كيف بنَت OpenAI على عمل جوجل

عندما أطلقت OpenAI GPT لم تكن تخترع برادايمًا جديدًا كليًا. بل أخذت تصميم Transformer الخاص بجوجل ودفعته أبعد مما كانت معظم مجموعات البحث مستعدة أو قادرة على الذهاب.

تحويل Transformers إلى GPT

كان GPT الأصلي (2018) في الجوهر Transformer decoder مُدرّبًا على هدف بسيط: توقع الرمز التالي في نص طویل. تلك الفكرة تعود مباشرة إلى هندسة Transformer 2017، لكن حيث ركّزت جوجل على مهام الترجمة والقياسات، تعاملت OpenAI مع "تنبؤ الكلمة التالية على نطاق واسع" كأساس لمولد نص عام.

GPT‑2 (2019) وسّعت الوصفة إلى 1.5 مليار معلمة ومجموعة نصوص ويب أضخم. GPT‑3 (2020) قفز إلى 175 مليار معلمة، مدرّبًا على تريليونات من الرموز باستخدام عنقود GPU هائل. امتد GPT‑4 النمط مرة أخرى: مزيد من المعلمات والبيانات والاهتمام بالانتقاء والحساب، ملفوفًا بطبقات سلامة وRLHF لتشكيل سلوك حواري ومفيد.

خلال هذا التقدّم بقي القلب الخوارزمي قريبًا جدًا من Transformer لجوجل: بلوكات الانتباه الذاتي، ترميزات الموضع، وطبقات مكدسة. القفزة كانت في الحجم الصريح والهندسة المستمرة.

التوسيع كإستراتيجية وليس مجرد تجربة بحثية

حيث ركزت نماذج جوجل المبكرة (مثل BERT) على مهام الفهم — التصنيف، ترتيب البحث، والإجابة على الأسئلة — أميلت OpenAI نحو التوليد المفتوح والحوار. نشرت جوجل نماذج حالة‑الفن ومن ثم تحركت قُدمًا للأوراق التالية؛ بينما حولت OpenAI فكرة واحدة إلى خط أنابيب منتج.

البحوث المفتوحة من جوجل وDeepMind والجامعات غذّت GPT مباشرة: متغيرات Transformer، حيل تحسين، جداول معدل التعلم، قوانين التوسيع، وترميز أفضل للرموز. امتصت OpenAI هذه النتائج العامة، ثم استثمرت بكثافة في تشغيلات تدريب خاصة وبُنية تحتية مملوكة.

الشرارة الفكرية — Transformers — أتت من جوجل. قرار المراهنة على توسيع هذه الفكرة، إطلاق API، ومن ثم منتج محادثة استهلاكي كان قرار OpenAI.

لماذا فضّلت جوجل BERT والبحث على منتجات شبيهة بـ GPT

نجاح جوجل التجاري المبكر مع التعلم العميق جاء من جعل ماكينة صنع النقود الأساسية—البحث والإعلانات—أذكى. ذلك السياق شكّل كيف قيّمت المعماريات الجديدة مثل Transformer. بدل السباق لبناء مولدات نص حرة، ضاعفت جوجل جهودها على نماذج تجعل الترتيب والملاءمة والجودة أفضل. كان BERT مناسبًا تمامًا.

BERT كنموذج "متوافق مع البحث"

BERT (تمثيلات تشفيرية ثنائية الاتجاه من Transformers) هو نموذج encoder-only مدرّب بتقنية الـ masked language modeling: أجزاء من الجملة تُخفي والنموذج يجب أن يستنتج الرموز المفقودة باستخدام السياق الكامل على الجانبين.

هدف التدريب هذا انسجم تقريبًا مع مشاكل جوجل:

• فهم الاستعلام: الاستعلامات قصيرة وفوضوية؛ والسياق ثنائي الاتجاه في BERT سمح بتفسير أدق لنوايا المستخدم.
• فهم الوثائق: ترتيب مليارات الصفحات يتطلب تشابهًا معنويًا دقيقًا؛ متجهات BERT حسّنت مطابقة الاستعلام إلى الفقرات.
• جودة واكتشاف سبام: نموذج مقنع في التنبؤ بالكلمات يساعد في كشف النصوص غير المنسجمة أو منخفضة الجودة.

النماذج المشفرة تتناسب بسلاسة مع كومة الاسترداد والرتبة الموجودة لدى جوجل. يمكن استدعاؤها كإشارات صلة إلى جانب مئات الميزات الأخرى، محسنّة البحث دون إعادة هيكلة كاملة للمنتج.

لماذا تناسب الـ masked LM نموذج أعمال جوجل

جوجل تحتاج إجابات تكون موثوقة، قابلة للتتبع، وقابلة للتسييل:

• موثوقة: نتائج البحث يجب أن تكون مرتكزة إلى صفحات ومصادر حقيقية. نماذج الـ masked تعلم النموذج فهم اللغة بدل توليد مخرجات مخترعة.
• قابلة للتتبع: كل نتيجة تربط إلى ناشر، مما يدعم النظام البيئي للويب ويعطي المستخدم طرقًا للتحقق.
• قابلة للتسييل: إعلانات البحث تناسب قائمة مرتبة من الروابط؛ ملاءمة أفضل = معدلات نقر أعلى وقيمة أكبر لكل استعلام.

BERT حسّن الثلاثة دون أن يهزم واجهة البحث المثبتة أو نموذج الإعلانات. أما مولدات شبيهة بـ GPT فكانت تقدم قيمة غير واضحة مباشرة لنموذج الأعمال القائم.

حساب المخاطر الداخلي: السلامة والمعلومات المضللة والسمعة

التوليد الحر أثار مخاوف داخلية حادّة:

• المعلومات المضللة والهلوسة: النماذج التوليدية تخترع حقائق بثقة. بالنسبة لشركة تُعد سلطة، هذا يمثل خطرًا مباشرًا على العلامة التجارية.
• المحتوى الضار: التوليد غير المُفلتر يمكن أن ينتج نصوصًا سامة أو متحيزة أو خطرة. نشر ذلك على نطاق جوجل يؤدي إلى رد فعل عام وتنظيمي.
• التعرّض التنظيمي: مع صعود تحقيقات مكافحة الاحتكار وتشديد تنظيم المحتوى، إطلاق شات مفتوح المدى عالميًا بدا مخاطرة كبيرة.

أغلب حالات الاستخدام التي تجاوزت مراجعات السياسة كانت مساعدة ومقيدة: الإكمال التلقائي في Gmail، الردود الذكية، الترجمة، وتعزيز الترتيب. كانت نماذج المشفر أسهل في الحدّ والمراقبة والتبرير مقارنةً بنظام محادثة عام.

مخاوف التآكل: لا تقتل بقرة الحليب

حتى مع وجود نماذج محادثة أولية، ظل السؤال المركزي: هل الإجابات المباشرة ستقلل من الاستعلامات والنقرات على الويب؟

تجربة محادثة تعطي إجابة كاملة في خطوة واحدة تغيّر سلوك المستخدم:

• تقليل النقرات إلى مواقع خارجية → ناشرون غاضبون، نظام ويب أضعف
• قلة المساحة والنية للإعلانات التقليدية → عدم يقين في الإيرادات

غريزة القيادة كانت دمج الذكاء الاصطناعي كمُحسّن للبحث، لا كبديل. ولذلك جوجل فضلت تحسينات ترتيب وملخصات غنية وفهم دلالي تدريجي — تمامًا حيث يبرع BERT — بدلاً من منتج دردشة مستقل قد يزعزع نموذج الإيرادات.

كيف أخرت هذه الاختيارات المنتجات التوليدية المواجهة للعامة

كل قرار منها كان عقلانيًا بمفرده:

• تفضيل نماذج تُحسّن مقاييس البحث والإعلانات مباشرةً
• إعطاء أولوية للسلامة والموثوقية والتقيد التنظيمي
• حماية تجربة البحث ونموذج التسييل

مجتمعة، جعلت هذه القرارات جوجل تقلل الاستثمار في تحويل التقنيات الشبيهة بـ GPT إلى تجارب مُعمّمة للعامة. فرق البحث استكشفت محولات decoder ونظم الحوار، لكن فرق المنتج لم تُحفّز بشدة على إطلاق شات قد:

• لا يحسن مؤشرات البحث الأساسية
• يهدد إيرادات الإعلانات وعلاقات الناشرين
• يعرّض الشركة لمخاطر سلامة وPR كبيرة

OpenAI، بلا إمبراطورية بحثية للحماية، اتخذت الرهان المعاكس: أن واجهة دردشة قوية ومتاحة على نطاق واسع — حتى مع عيوبها — ستخلق طلبًا جديدًا على نطاق هائل. تركّز جوجل على BERT والمواءمة مع البحث أخّر تحرّكها نحو أدوات مولدة موجهة للمستهلك.

رهان OpenAI على التوسيع وواجهات API وتجارب الدردشة

من مختبر أبحاث إلى شركة محدودة الربح

تأسست OpenAI في 2015 كمختبر أبحاث غير ربحي، بتمويل من مؤسسين تقنيين رأوا في الذكاء الاصطناعي فرصة وخطرًا في آنٍ واحد. في السنوات الأولى بدا مثل Google Brain أو DeepMind: نشر أوراق، إصدار كود، ودفع العلم.

بحلول 2019 أدرك القادة أن النماذج الحدودية ستتطلب مليارات الدولارات من الحساب والحوسبة. الحل كان هيكلًا مبتكرًا: OpenAI LP كشركة "محدودة الربح" تحت مظلة غير ربحية.

سمح ذلك للمستثمرين بعوائد محددة بينما يحتفظ المجلس برؤية مهمّة. الهيكل مكّن إبرام صفقات تمويل وسحابة ضخمة دون أن تتحول المؤسسة إلى شركة ناشئة تقليدية.

التوسيع كفرضية جوهرية

بينما كانت مختبرات كثيرة تُحسّن المعماريات أو تبني نظمًا متخصصة، راهنت OpenAI بقوة: قد تكون النماذج العامة الكبيرة جدًا قادرة بشكل مفاجئ إذا استمررت في توسيع البيانات والمعلمات والحساب.

تتابع GPT‑1، 2، 3 وصفة بسيطة: Transformer قياسي لكن أكبر، تدريبه أطول وعلى نص متنوع. بدل تخصيص نموذج لكل مهمة، اعتمدت على "نموذج كبير واحد، استخدامات كثيرة" عبر الـ prompting والتخصيص اللاحق.

هذه ليست مجرد وجهة نظر بحثية؛ كانت إستراتيجية عمل: إذا كانت واجهة API واحدة تغطي آلاف حالات الاستخدام—من أدوات كتابة إلى مساعدين في البرمجة—فإن OpenAI يمكنها أن تصبح منصة.

واجهة برمجة تطبيقات أولًا: تحويل النماذج إلى منصة

أطلق GPT‑3 API عام 2020 وجعل الاستراتيجية قابلة للتطبيق. بدل إطلاق برامج معقدة أو منتجات محصورة، عرضت OpenAI واجهة سحابية بسيطة:

• أرسل نصًا، واحصل على ناتج النموذج.
• ادفع مقابل كل توكن.
• ابنِ ما تريد فوقها.

هذا النهج "API‑first" سمح للشركات الناشئة والمؤسسات بعلاج تجربة المستخدم والامتثال، بينما ركّزت OpenAI على تدريب نماذج أكبر وتحسين المحاذاة.

الـ API خلق أيضًا محركًا واضحًا للإيرادات مبكرًا. بدل انتظار منتجات مثالية، سمحت OpenAI للنظام البيئي باكتشاف حالات الاستخدام والقيام ببحوث المنتج بالنيابة عنها.

الاستعداد لإطلاق منتجات ناقصة الكمال

اختارت OpenAI إطلاق منتجات قبل أن تكون النماذج مصقولة تمامًا. أُطلق GPT‑2 بشكل مرحلي لأسباب تتعلق بالسلامة؛ وظهر GPT‑3 في بيتا محدود بعيوبه الواضحة—هلوسات، تحيّز، وعدم تناسق.

أوضح تعبير عن هذه الفلسفة كان ChatGPT أواخر 2022. لم يكن أحدث نموذج متاح لدى OpenAI، ولم يكن مصقولًا تمامًا. لكنه قدّم:

• واجهة دردشة بسيطة مفهومة من الجميع.
• وصولًا مجانيًا في البداية دفع للملايين للتجربة.
• حلقة تكرار سريعة استُخدمت لمراقبة المحادثات الحقيقية.

بدل تحسين النموذج سرًا إلى درجة الكمال، تعاملت OpenAI مع الجمهور كالمحرك الأكبر للتغذية الراجعة. الضوابط والوسائل تطورت أسبوعًا بأسبوع بناءً على السلوك المرصود.

شراكة استراتيجية مع مايكروسوفت ووصول إلى الحوسبة

رهان OpenAI على التوسيع احتاج ميزانية حسابية هائلة. هنا كانت شراكة مايكروسوفت حاسمة.

من 2019 توسعت الشراكة لتشمل:

• استثمارات بمليارات الدولارات في OpenAI LP.
• استضافة سحابية حصرية على Azure لنماذج OpenAI.
• تعاون تسويقي مع منتجات مثل Bing Chat وCopilot.

لـ OpenAI، هذا حَلّ قيدًا أساسيًا: تمويل تشغيلات التدريب على حواسيب فائقة دون بناء بنية سحابية خاصة بها.

ولمايكروسوفت، كانت طريقة لتمييز Azure وإدخال الذكاء الاصطناعي سريعًا إلى Office وGitHub وWindows وBing.

حلقة التغذية الراجعة: مستخدمون → بيانات → إيرادات → نماذج أكبر

جميع هذه القرارات—التوسيع، API‑first، الدردشة الاستهلاكية، واتفاقية مايكروسوفت—خلقت حلقة معززة:

1. نماذج أفضل جذبت مطورين ومستخدمين.
2. الـ APIs وChatGPT سهّلا التكامل والتجربة.
3. الاستخدام ولد إيرادات موّلت تشغيلات تدريب أكبر وبنية تحتية أفضل.
4. التفاعل الواقعي أنتج بيانات قيمة للتخصيص وRLHF.
5. نماذج محسّنة قدّمت ميزات جديدة استقطبت مزيدًا من المستخدمين.

بدل تحسين الأوراق البحثية إلى الكمال أو تجارب داخلية حذرة، أمّنت OpenAI لُبنة تراكُمية من المستخدمين والبيانات والنقد المالي.

صدمة ChatGPT: عندما تفوّقت OpenAI على جوجل في التنفيذ

أطلقت OpenAI ChatGPT في 30 نوفمبر 2022، بدا كمعاينة بحثية بسيطة: مربع دردشة، بلا جدار دفع، ومنشور مدونة قصير. خلال خمسة أيام تخطى المليون مستخدم. خلال أسابيع، امتلأت الشبكات الاجتماعية بحالات استخدام: كتابة مقالات، تصحيح برمجيات، صياغة رسائل قانونية، وعصف أفكار تجاري—all باستخدام أداة واحدة.

المنتج لم يُقدَّم كـ "عرض لورقة معتمدة على Transformer". بل ببساطة: اسأل أي شيء، واحصل على إجابة. هذه البساطة جعلت التكنولوجيا مفهومة على الفور لغير الخبراء.

الصدمة داخل جوجل

داخليًا، كان التفاعل أشبه بإنذار أحمر. أعلن القادة "كود ريد". عاد لاري بايج وسيرجي برين إلى مناقشات المنتج والاستراتيجية. فرق عملت على أنظمة محادثة لسنوات وجدت نفسها مفحوصةً بشدة.

المهندسون كانوا يعلمون أن لدى جوجل أنظمة قريبة من قدرات ChatGPT. نماذج مثل LaMDA وPaLM وأجزاء من Meena أظهرت حوارًا وطلاقة وقياسات استدلالية على المعايير الداخلية. لكنها بقيت خلف بوابات، مراجعات أمان، وموافقات داخلية طويلة.

خارجيًا بدا الأمر كما لو أن جوجل تِركَت المفاجأة.

ChatGPT مقابل LaMDA: تقنية مشابهة، منتج مختلف

تقنيًا، ChatGPT وLaMDA أبناء عمومة: نماذج كبيرة قائمة على Transformer مخصّصة للحوار. الفجوة الأساسية لم تكن في بنية النموذج؛ بل في قرارات المنتج.

OpenAI:

• أطلقت واجهة مفردة ونظيفة
• قبلت عدم الكمال وتكررَت على الملأ
• استثمرت في RLHF وتعلّمت من ملايين المحادثات

جوجل:

• أبقت LaMDA خلف عروض مقيدة
• ركزت على تجنّب المخاطر وحماية السمعة
• وجدت صعوبة في تحويل النماذج التجريبية إلى منتج موجه للمستهلكين

إطلاق Bard المتسرع والزلل العامة

تحت ضغط الاستعراض، أعلنت جوجل عن Bard في فبراير 2023. حاول العرض التجريبي محاكاة سحر ChatGPT. لكن إحدی الإجابات البارزة — حول اكتشافات تلسكوب جيمس ويب — كانت خاطئة. الخطأ ظهر في مواد تسويقية لجوجل، اكتشف بسرعة، وخسرت ألفات المليارات من قيمة ألفابيت في يوم.

أعاد ذلك تأكيد رواية قاسية: جوجل متأخرة ومترددة وغير دقيقة، بينما بدت OpenAI واثقة ومستعدة.

المفارقة كانت مؤلمة: الهلوسات والأخطاء المعرفية معروفة في نماذج اللغة الكبيرة. الفرق أن OpenAI طبّعت هذا الأمر لدى المستخدمين عبر إشارات واجهة واضحة وتنويهات، بينما غلّفت جوجل إطلاق Bard بتسويق لامع فتعرّضت لزلّة بارزة.

السرعة وتجربة المستخدم والسرد: ميزة تنفيذ OpenAI

ميزة ChatGPT على أنظمة جوجل لم تكن مجرد نموذج أكبر أو خوارزمية أروع. بل كانت سرعة التنفيذ ووضوح التجربة.

OpenAI:

• حوّلت بحثًا إلى منتج فيروسي واحد
• اعتنقت عقلية بيتا عامة: "جرّبوه، اكسروه، أخبرونا"
• صممت UX يتطابق مباشرة مع ما يفعله الناس بالنص: اسأل، أحصل على إجابة، عدّل

جوجل تحرّكت أبطأ، أمّنت نفسها للخطأ الصفري، وقدّمت Bard كإطلاق مصقول بدلًا من مرحلة تعلم. بحلول وقت وصول Bard للمستخدمين، كان ChatGPT قد أصبح عادة يومية للطلاب والموظفين والمطوّرين.

الصدمة داخل جوجل لم تكن فقط أن OpenAI تمتلك ذكاء اصطناعي جيدًا. بل أن منظمة أصغر أخذت أفكارًا ساعدت جوجل على اختراعها، رتّبتها في منتج أحبه الناس، وأعادت تعريف من يقود الذكاء الاصطناعي — كل ذلك في أسابيع.

الثقافة والحوافز والمخاطر: جوجل مقابل OpenAI

انطلقت الشركتان من أسس تقنية متقاربة لكن حقائق تنظيمية وُظفت بشكل مختلف؛ وهذه الفروقات شكّلت كل قرار حول أنظمة شبيهة بـ GPT.

الحوافز: ماكينة نقدية مقابل وضع البقاء

مصدر جوجل الأساسي هو البحث والإعلانات. هذا المحرك يولّد تدفقات نقدية هائلة ومتوقعة، ومعظم الحوافز العليا مرتبطة بحمايته.

إطلاق نموذج محادثة قوي قد:

• يقلل انطباعات الإعلانات،
• يعطي إجابات بدون بحث،
• وينتج هلوسات تضر بالثقة,

لذلك كان المنحى الطبيعي الحذر. بينما OpenAI لم تمتلك بقرة نقود؛ حافزها وجودي: أطلق، اكسب المطورين، أبرم صفقات حوسبة، وحوّل البحث إلى إيرادات قبل الآخرين.

الثقافة: تحمل المخاطر وحساسية العلاقات العامة

جوجل مرت بتدقيقات مكافحة الاحتكار ونزاعات خصوصية وتنظيمات عالمية. هذا التاريخ خلق ثقافة حيث:

• فرق العلاقات العامة والسياسة والقانون لديها سلطة نقض قوية،
• استعراضات السلامة طويلة ومتعددة الطبقات،
• تُعامَل مخاطر السمعة على أنها أولوية قصوى

OpenAI قبلت أن النماذج القوية ستكون فوضوية علنًا. ركّزت على التكرار مع ضوابط بدل دوائر مراجعة داخلية طويلة. كانت لا تزال حذرة، لكن سماحها للمخاطر المنتجية كان أكبر بكثير.

الهيكل والسرعة: لجان مقابل تركيز السلطة

في جوجل، الإطلاقات الكبيرة تمر عبر لجان، موافقات عابرة للأقسام، ومفاوضات OKR معقّدة. هذا يبطئ أي منتج يقطع عبر البحث والإعلانات والسحابة والهواتف.

OpenAI ركّزت السلطة في مجموعة قيادية صغيرة وفريق منتج مُركّز. قرارات ChatGPT، التسعير، واتجاه الـ API كانت تُتخذ بسرعة ثم تُعدّل اعتمادًا على الاستخدام.

عندما لم يعد البحث وحده كافيًا

سنوات طويلة كانت ميزة جوجل على نشر أفضل الأوراق وتدريب أقوى النماذج. لكن بمجرد أن صار بإمكان الآخرين تكرار الأبحاث، تحوّل الامتياز إلى البحث بالإضافة إلى: تصميم المنتج، تجربة المطور، حلقات تغذية البيانات، وسرعة دخول السوق.

OpenAI تعاملت مع النماذج كركيزة منتج: أطلق API، واجهة دردشة، تعلّم من المستخدمين، ثم أدرج النتائج في الجيل التالي من النماذج. بينما جوجل أبقت أقوى أنظمتها كأدوات داخلية أو عروض ضيقة النطاق. بحلول محاولة تدويلها، كانت OpenAI قد خلقت عادات وتوقعات ونظامًا بيئيًا حول GPT.

الفجوة لم تكن في فهم Transformers؛ بل في الاستعداد الهيكلي والقديم لتحويل ذلك الفهم إلى منتجات أمام مئات الملايين من الناس.

الابتكار التقني مقابل الابتكار المنتج: من فعل ماذا

جوجل: المحرك التقني

تقنيًا، جوجل بقيت قوة. قادت على البنية التحتية: TPUs مخصصة، شبكات مراكز بيانات متقدمة، وأدوات داخلية جعلت تدريب النماذج الضخمة روتينًا قبل سنوات من قدرة معظم الشركات.

دفع باحثو جوجل الحدود في بنى النماذج (Transformers، متغيرات الانتباه، mixture-of-experts، نماذج مع استرجاع)، قوانين التوسيع، وكفاءة التدريب. كثير من الأوراق الرئيسية أتت من جوجل أو DeepMind.

لكن كثيرًا من هذا الابتكار بقي داخل الأوراق، المنصات الداخلية، وميزات محددة في البحث والإعلانات وWorkspace. بدلاً من وجود "منتج ذكاء اصطناعي واحد" واضح، رأى المستخدمون عشرات تحسينات صغيرة ومتفرقة.

OpenAI: محرك المنتج والمنصة

اتخذت OpenAI مسارًا مختلفًا. تقنيًا بنَت على أفكار منشورة من الآخرين، بما في ذلك جوجل. ميزتها كانت تحويل هذه الأفكار إلى خط منتجات واضح:

• تجربة رائدة واحدة: ChatGPT، بحدها الأدنى المفهوم والجاهزية.
• منصة واحدة رئيسية: API مع نقاط نهاية مستقرة وتسعير متوقع.
• قصة واحدة للمطورين: توثيق جيد، أمثلة، ونموذج ذهني بسيط — "نادِ النموذج كدالة".

هذا التغليف الموحد حول قدرة النموذج جعل الناس يتبنّونها فورًا. بينما جوجل نشرت نماذج قوية عبر علامات تجارية متعددة، ركّزت OpenAI الانتباه على أسماء وتدفقات قليلة.

التوزيع يهزم التفوق التقني الخالص

بمجرد ما انفجر ChatGPT، حصلت OpenAI على ما كانت تملكه جوجل سابقًا: وعي افتراضي افتراضي. جرب المطورون OpenAI كخيار أول، كتبوا دروسًا، وبنوا منتجات على رأس API الخاص بها.

فجوة جودة النموذج — إن وُجدت — كانت أقل أهمية من فجوة التوزيع. التفوق التقني لجوجل في البنية التحتية والبحث لم يتحول تلقائيًا إلى زعامة سوقية.

الدرس: الفوز في العلم وحده لا يكفي. دون منتج واضح، تسعير، وسرد متماسكة، حتى أقوى محرك بحث قد يُتفوق عليه مُنتج مركز.

بعد نداء الاستيقاظ: Bard، Gemini، وإعادة ضبط جوجل

عندما كشفت ChatGPT التأخر النسبي في تنفيذ جوجل، أطلقت الشركة "كود ريد" علنيًا. تلت ذلك إعادة ضبط سريعة وصريحة لاستراتيجية AI في جوجل، أحيانًا فوضوية لكنها حقيقية.

من Bard إلى Gemini: الاعتراف بإعادة الضبط

الإجابة الأولى لجوجل كانت Bard، واجهة دردشة مبنية على LaMDA ثم رُفعت إلى PaLM 2. بدا Bard متسرعًا وحذرًا في آنٍ واحد: وصول محدود، توزيع بطيء وقيود واضحة.

إعادة الضبط الحقيقية جاءت مع Gemini:

• Gemini Ultra، Pro، Nano كأسرة نماذج متماسكة للسحابة والاستهلاك وعلى الجهاز.
• إعادة تسمية Bard إلى Gemini (وGemini Advanced) للإشارة إلى فصل واضح عن حقبة الاختبار.
• التزام علني بجعل Gemini العلامة المركزية عبر منتجات جوجل.

هذا التغيير أعاد جوجل من "شركة بحث تجارب على الشات بوت" إلى "منصة تضع الذكاء الاصطناعي أولًا مع عائلة نماذج رائدة"، حتى لو كان ذلك بعد تفوّق OpenAI.

نسج Gemini في منتجات جوجل الأساسية

قوة جوجل التوزيعية جعلت التركيز على دمج Gemini في الأماكن التي يتواجد فيها المستخدمون بالفعل:

• البحث: تجربة بحث توليدية وملخصات ذكية تجيب مباشرة بدلًا من ربط الصفحات فقط.
• Workspace: مساعدين في Gmail وDocs وSheets وSlides وMeet لصياغة وتلخيص وتحليل المحتوى.
• أندرويد: Gemini كمساعد نظامي، وإدخال متعدد الوسائط، ونماذج Nano على الجهاز لمهام حساسة للخصوصية.
• Chrome: مساعدات كتابة مدعومة بـ Gemini، تنظيم علامات التبويب وميزات للمطورين داخل المتصفح.

الاستراتيجية: إن فازت OpenAI بالعلامة التجارية والحداثة، تستطيع جوجل الفوز بالحضور الافتراضي والدمج المتقن في سير العمل اليومي.

السلامة والحوكمة والتعرّض المحسوب

مع توسيع الوصول، استندت جوجل كثيرًا إلى مبادئ AI وسياسات السلامة:

• تقييمات "red-teaming" وتقييمات واسعة قبل طرح نماذج أعلى قدرة.
• إطلاقات مُدرجة حسب المناطق، مع قفل بعض الميزات حسب العمر ونوع الحساب.
• استثمارات في أبحاث المحاذاة، مرشحات المحتوى، وسلوكيات الرفض.
• أعمال وسم المصدر والأصل (مثل SynthID للصور والوسائط).

المقايضة: ضوابط أقوى وتجريب أبطأ مقابل نسخة OpenAI الأسرع التي تحمل زلات عامة أحيانًا.

هل لحقت جوجل بالفعل؟

من حيث جودة النموذج الخالص، Gemini Advanced والنماذج العليا تبدو منافسة لـ GPT‑4 على كثير من المقاييس وتجارب المطورين. في بعض المهام متعددة الوسائط والبرمجة يتفوّق Gemini؛ وفي مهام أخرى يظل GPT‑4 المعيار.

حيث لا تزال جوجل تتأخر هو حصة الانتباه والنظام البيئي:

• لا تزال OpenAI الخيار الافتراضي لدى كثير من الشركات الناشئة والباحثين.
• علامة "ChatGPT" مرادفة للذكاء الاصطناعي لدى عموم الناس.
• نضج أدوات OpenAI ونظام الإضافات والـ plugins سبق.

ميزان قوة جوجل هو توزيعها الضخم (البحث، أندرويد، كروم، Workspace) وبُنيتها التحتية. إن استطاعت تحويل ذلك إلى تجارب AI محببة بسرعة، فهي تستطيع سد الفجوة أو قلب الانطباع.

مستقبل متعدد الأقطاب، لا سباق خاسر-فائز وحيد

إعادة الضبط تجري في حقل لم يعد حكرا على جوجل وOpenAI:

• OpenAI: حصة استهلاكية وابتكار سريع ونظام مطوري قوي
• جوجل: بنية تحتية، بيانات، توزيع، ودمج Gemini في المنتجات
• المصدر المفتوح (Meta Llama، Mistral، وغيرهما): حراك سريع، رخيص، وكافٍ لكثير من الحالات
• Anthropic وآخرون: تمييز حول السلامة والموثوقية وقطاعات محددة

جوجل متأخرة لكنها جادة؛ المستقبل على الأرجح متعدد الأقطاب، لا فائزًا وحيدًا. للمبادرين هذا يعني تصميم استراتيجيات تفترض مزودين متعدّدين، نماذج مفتوحة قوية، وتطوّرًا متسارعًا بدل الرهان على كومة AI واحدة.

دروس رئيسية للبنائين: كيف لا تكرر خطأ جوجل

ثبتت جوجل أنه يمكنك أن تختَرع الاختراق وتخسر أول موجة قيمة. للنّاس المبادرين، الهدف ليس الإعجاب بالمفارقة بل تجنّب تكرارها.

1. أطلق منتجات، لا أوراق فقط

عامل كل نتيجة بحثية كـ فرضية منتج، لا كنقطة نهاية.

• ضع مالك منتج مسؤول عن كل اختراق مهم.
• خلال أسابيع عرّف مشكلة مستخدم وتجربة v1، ولو كانت ضيقة.
• حدد موعدًا افتراضيًا للإطلاق حتى لو كان للمجموعة الأولى من 1000 مستخدم.

إذا كانت النتيجة مهمة بما يكفي للنشر، فهي مهمة بما يكفي لبناء نموذج أولي للعملاء.

2.وازن الحوافز مع التأثير المُطلق

الناس يفعلون ما تُكافَأ عليه.

• اجعل الترقيات والامتيازات تعتمد على الأثر المُطلق لدى المستخدمين، لا على الاقتباسات فقط.
• احتفل بالفرق متعددة التخصصات التي تُخرج فكرة محفوفة بالمخاطر إلى الإنتاج.
• امنح قادة مفردين سلطة مفردة على التجربة والإطلاق حتى لا تموت القرارات داخل اللجان.

3.ارهن علنًا على البدائل الأساسية الجديدة

Transformers كانت بِمثابة بِنية حاسوبية جديدة. جوجل عاملتها كترقية بنية؛ OpenAI كمنمح للمنتج.

عندما تصل إلى فكرة عميقة:

• سمِّ 1–2 منتجات رئيسية لدفع الفكرة إلى الحد الأقصى.
• خصص فريقًا وميزانية لمدة 12–24 شهرًا.
• اقبل التداخل والتنافس الداخلي مع المنتجات القديمة إذا كانت المكافأة ضخمة.

4.وازن السلامة مع التعلم الواقعي

مخاوف العلامة التجارية والسلامة صحيحة، لكن لا تجعلها سببًا للتأخير المديد.

اصنع نموذجًا طبقيًا للمخاطر:

• حالات عالية المخاطر (صحة، مالية، انتخابات) تُعطى بوابات صارمة.
• تجارب منخفضة المخاطر وموسومة بوضوح يمكن إطلاقها مبكرًا مع مراقبة قوية.

بدل انتظار اليقين، صمّم تعريضًا محكومًا: إطلاق تدريجي، تسجيل قوي، مسارات إرجاع سريعة، واختبارات داخلية وخارجية.

5.امتلك المنصة التي تتيحها

جوجل سهّلت للآخرين بناء أنظمة شبيهة بـ GPT بنشر الأفكار والأدوات، ثم راقبت من على الهامش.

عند كشف قدرة جديدة:

• اصنع منتج مرجعي يوضّح سقف ما هو ممكن.
• اعرض APIs مبكرًا، لكن احتفظ بتجربة أولية من شركتك تقوم بتطويرها باستمرار.
• عامل المطورين الخارجيين كشركاء يوسّعون منصتك، لا كمكتفيين بأنهم وحدهم يكتشفون ماهية المستخدمين.

6.مؤسّس مسارات واضحة من الورقة إلى المنتج

لا تعتمد على مدير خارق أو فريق بطولي.

بِنِ منظومة:

• معيارية مسار العمل: فكرة → عرض داخلي → بيتا محدودة → إطلاق عام.
• مجموعة مخصصة مهمتها تحويل أفضل نتائج البحث إلى منتجات أو APIs.
• تدوير باحثين كبار إلى أدوار قيادة المنتج حتى يفهم القادة القدرة ويملكون تطبيقها.

7.التزم بأن تفاجئ نفسك بتقنيتك

أكبر خطأ جوجل لم يكن عدم التنبؤ بالذكاء الاصطناعي؛ كان التقليل من قدرة اختراعاتها عندما تُعرض أمام المستخدم.

منطق عملي:

• افترض أن اكتشافك لديه مساحة سطح أكبر مما تراه داخليًا.
• أظهره للمستخدمين مبكرًا حتى يمكنهم إظهار الاستخدامات المدهشة والفوضوية ذات القيمة العالية.
• اقبل تغيير خارطة الطريق عندما تتعارض هذه الاستخدامات مع استراتيجية الشركة الأصلية.

الابتكارات المستقبلية ستتم تسويقها من قبل فرق مستعدة للتحول بسرعة من "اكتشفنا" إلى "نحن مسؤولون تمامًا عن إطلاق هذا".

الدرس من جوجل ليس أن تنشر أقل أو تخفي الأبحاث. بل أن تُقرِن الاكتشاف العالمي بملكية منتج طموحة، حوافز واضحة، وانحياز للتعلم العلني. المؤسسات التي تفعل ذلك ستملك الموجة التالية، لا تكتب فقط الورقة التي تبدأها.