أصل وتطور Anthropic كشركة ذكاء اصطناعي

نظرة عامة: لماذا يهم تاريخ Anthropic

Anthropic هي شركة أبحاث ومنتجات في مجال الذكاء الاصطناعي معروفة بشكل خاص بسلسلة نماذج Claude للغة. تأسّست على يد باحثين ذوي خبرة عميقة في أنظمة الذكاء الاصطناعي واسعة النطاق، وتعمل Anthropic عند تقاطع الأبحاث الأساسية، المنتجات العملية، والعمل على سلامة ومحاذاة الذكاء الاصطناعي.

يتتبع هذا المقال تاريخ Anthropic منذ نشأتها وحتى اليوم، ويسلّط الضوء على الأفكار والقرارات والمعالم الرئيسية التي شكّلت الشركة. سنتحرك ترتيبًا زمنيًا: نبدأ بسياق أبحاث الذكاء الاصطناعي الذي سبق التأسيس، ثم نستعرض المؤسِّسين والفريق المبكر، مهمة الشركة وقيمها، الأسس التقنية، التمويل والنمو، تطور المنتج من Claude إلى Claude 3.5، ودور Anthropic في مجتمع أبحاث الذكاء الاصطناعي الأوسع.

تاريخ Anthropic مهم لأكثر من مجرد فضول عن الشركة. منذ البداية اعتُبرت مسائل سلامة ومحاذاة الذكاء الاصطناعي أسئلة بحثية مركزية بدلًا من أن تكون أمورًا ثانوية. مفاهيم مثل الذكاء الاصطناعي الدستوري (Constitutional AI)، فرق الاختراق المكثفة (red‑teaming)، وتقييمات النماذج للسلامة ليست مشاريع جانبية بل أجزاء أساسية من كيفية بناء وطرح أنظمة Anthropic. هذا الموقف أثّر في طريقة تفكير مختبرات أخرى، صانعي سياسات، والعملاء حول النماذج المتقدمة.

الغاية هنا أن نقدّم سردًا تاريخيًا موضوعيًا ومتوازنًا لتطوّر Anthropic: ما الذي سعت الشركة إلى تحقيقه، كيف تطور عملها على Claude والأدوات المرتبطة، أي اتجاهات بحثية كانت محورية، وكيف شكّلت اعتبارات السلامة جدولها الزمني ومعالمها. هذا ليس نشرة تسويقية، بل نظرة تاريخية موجهة للقرّاء الراغبين في فهم كيف حاولت إحدى الشركات المؤثرة مواءمة التقدّم التقني السريع مع مخاوف السلامة طويلة الأجل.

في النهاية، ستحصل على صورة واضحة عن أصل Anthropic، كيف شكّلت أولوياتها منتجاتها وأبحاثها، ولماذا يهم نهجها لمستقبل الذكاء الاصطناعي.

سياق أبحاث الذكاء الاصطناعي قبل تأسيس Anthropic

من اختراقات التعلم العميق إلى نماذج الأساس

بحلول أواخر العقد الثاني من القرن الحادي والعشرين، غيّر التعلم العميق مجالات رؤية الحاسوب والكلام. شبكات الالتفاف التي فازت بمسابقة ImageNet، وأنظمة تعرف الكلام على نطاق واسع، ونُظم الترجمة الآلية العملية أظهرت أن تكبير البيانات والحوسبة يمكن أن يفتح قدرات جديدة لافتة.

نقطة تحول مهمة كانت معمارية المحوّل (Vaswani وآخرون، 2017). على خلاف الشبكات التكرارية، تعالج المحوّلات الاعتمادات بعيدة المدى بكفاءة وتوازي جيدًا عبر وحدات معالجة الرسوميات (GPUs). هذا مكّن تدريب نماذج أكبر بكثير على مجموعات نصية هائلة.

أظهر BERT من Google (2018) أن التدريب المسبق على نص عام ثم التخصيص يمكن أن يتفوق على نماذج متخصصة في العديد من مهام معالجة اللغة الطبيعية. بعد ذلك بزمن قصير دفعت سلسلة GPT من OpenAI الفكرة إلى الأمام: درّب نموذجًا تلقائيًا ضخمًا واحدًا واعتمد على الحجم إلى جانب توجيه بسيط بدلًا من التخصيص لكل مهمة.

قوانين التحجيم وقوة الحجم

حوالي 2019–2020، رسّخت أعمال قوانين التحجيم ملاحظات الممارسين: أداء النماذج يتحسن بشكل متوقع مع زيادة المعاملات والبيانات والحوسبة. أظهرت الدراسات أن النماذج الأكبر:

• اكتسبت قدرات أقوى في الإعدادات القليلة‑اللقطات والصفر‑اللقطات
• طورت مهارات ناشئة (مثل بعض أشكال الاستدلال وتوليد الشيفرة)
• عمّمت بشكل مفاجئ عبر مجالات متعددة

مثّلت GPT‑2 في 2019 ثم GPT‑3 في 2020 مثالًا على كيف يمكن للحجم الخالص أن يحوّل نموذج نصّي عام إلى أداة مرنة للترجمة، والتلخيص، والإجابة عن الأسئلة، وأكثر — غالبًا بدون تدريب خاص بالمهمة.

تزايد المخاوف بشأن السلامة والمحاذاة

بالتزامن مع هذا التقدّم، ازداد قلق الباحثين وصانعي السياسات حول كيفية بناء النماذج المتنامية ونشرها. تضمنت المخاطر التي نوقشت في المجتمعات التقنية والسياسية:

• سوء الاستخدام لنشر المعلومات المضللة، والبريد العشوائي، والتلاعب الاجتماعي
• تضخيم الانحيازات والسمية والقوالب النمطية
• غياب الشفافية وعدم القدرة على التنبؤ بسلوك النماذج
• تحديات المحاذاة على المدى الطويل مع ازدياد قدرات الأنظمة

الإصدار الجزئي لنموذج GPT‑2، الذي برّرته مخاطر سوء الاستخدام، أشار إلى أن المختبرات الرائدة كانت تتعامل مع هذه الأسئلة في الزمن الحقيقي.

استكشفت مجموعات أكاديمية ومنظمات غير ربحية—مثل CHAI في بيركلي، ومعهد مستقبل الإنسانية، ومركز الأمن والتكنولوجيا الناشئة—استراتيجيات المحاذاة، أدوات التوضيح، وأطر الحوكمة. أنشأت DeepMind وOpenAI فرق سلامة داخلية وبدأتا بنشر أعمال حول مواضيع مثل تعلم المكافأة، الإشراف القابل للتوسع، ومحاذاة القيم.

التوتر بين السرعة والحذر

بحلول أوائل عشرينات القرن الحادي والعشرين، دفعت ضغوط التنافس بين المختبرات الكبرى والشركات التقنية إلى تكبير النماذج بسرعة وجداول نشر عدوانية. العروض العامة وواجهات برمجة التطبيقات التجارية أظهرت طلبًا قويًا على الذكاء التوليدي، مما جذب استثمارات كبيرة.

في المقابل، جادل العديد من الباحثين بأن السلامة والموثوقية والحوكمة لا تواكب السرعة في زيادة القدرات. كانت اقتراحات المحاذاة التقنية لا تزال في مراحل مبكرة، وكان الفهم الإمبريقي لأوضاع الفشل محدودًا وممارسات التقييم غير مطوّرة.

شكل هذا التوتر—بين السعي إلى نماذج أكبر وأكثر عمومية والدعوات لتطوير حذر ومدروس—البيئة البحثية التي سبقت تأسيس Anthropic.

تأسيس Anthropic: الأصول والفريق المبكر

تأسست Anthropic في 2021 على يد الأشقاء داريو ودانييلا أمودي (Dario وDaniela Amodei) ومجموعة صغيرة من الزملاء الذين قضوا سنوات في قلب أبحاث الذكاء الاصطناعي المتقدمة.

قاد داريو فريق نماذج اللغة في OpenAI وساهم في أعمال مؤثرة حول قوانين التحجيم، التوضيح، وسلامة الذكاء الاصطناعي. قادت دانييلا أعمال السلامة والسياسة في OpenAI وعملت سابقًا في أبحاث عصبية وحاسوبية تركز على سلوك الأنظمة المعقدة وفشلها. أحاط بهما باحثون، مهندسون، ومتخصصو سياسة من OpenAI وGoogle Brain وDeepMind ومختبرات أخرى شاركوا مجتمعين في تدريب ونشر وتقييم بعض أوائل النماذج واسعة النطاق.

دوافع تأسيس Anthropic

بحلول 2020–2021، خرجت نماذج اللغة الكبرى من بُعد البحث النظري إلى أنظمة عملية تؤثر على المنتجات والمستخدمين والنقاش العام. رصد الفريق المؤسس الفُرص والمخاطر عن كثب: مكاسب القدرات السريعة، سلوكيات ناشئة مفاجئة، وتقنيات السلامة التي لا تزال غير ناضجة.

حفزت عدة مخاوف إنشاء Anthropic:

• المحاذاة والتحكم: كيف نضمن أن النماذج المتزايدة القدرة تتصرف بطرق قابلة للتنبؤ ومفيدة ومتوافقة مع القيم البشرية؟
• قرارات النشر: كيف تؤثر اختيارات بيانات التدريب، الوصول، والتجارية على سوء الاستخدام والأمن والأثر الاجتماعي؟
• الحوكمة والحوافز: هل الهياكل التنظيمية والحوافز المالية الحالية مناسبة لإدارة أنظمة ذكاء اصطناعي قد تكون تحويلية؟

تصوّر Anthropic كشركة أبحاث ذكاء اصطناعي بجعل السلامة مبدأً تنظيمياً مركزياً. بدلاً من أن تكون السلامة إضافة نهائية، أراد المؤسسون أن تكون منسوجة في كيفية تصميم النماذج وتدريبها وتقييمها ونشرها.

شركة بحثية «السلامة أولًا»

منذ اللحظة الأولى كان لدى Anthropic رؤية للتقدم في قدرات الذكاء الاصطناعي المتقدمة مع تطوير تقنيات تجعل تلك الأنظمة أكثر قابلية للتفسير، وقابلة للتوجيه، ومفيدة بشكل موثوق.

هذا يعني:

• الاستثمار في مجالات بحثية ذات صلة بالسلامة مثل المحاذاة، التوضيح، والموثوقية.\n- بناء عمليات داخلية تخضع النماذج الجديدة لاختبارات اختراق (red‑teaming)، اختبارات إجهاد، ومراجعات متعددة التخصصات قبل الإصدار الواسع.\n- هيكلة الشركة بتوجّه منفعة عامة صريح، مشيرة إلى أن الأثر المجتمعي طويل الأجل سيُعامل كهدف أساسي إلى جانب التقدّم التقني.

رأى المؤسسون فرصة لخلق منظمة تُرشّح فيها قرارات توسيع النماذج، كشف القدرات، والشراكات عبر عدسة السلامة والأخلاق بدلًا من التعامل معها كلّ على حدة تحت ضغط تجاري.

الفريق الأساسي المبكر وخبراته

عكست التوظيفات الأولى في Anthropic هذه الفلسفة. جمع الفريق المبكر بين:

• خبراء في التعلم الآلي على نطاق واسع يعرفون كيفية تدريب وتحسين نماذج لغوية ضخمة.\n- باحثي محاذاة وتوضيح يركّزون على فهم ما تتعلّمه النماذج وكيف تعمّم.\n- مختصّي أمن واختراق أنظمة (red‑teaming) لديهم خبرة في اختبار الأنظمة لثغرات سوء الاستخدام وأوضاع الفشل.\n- خبراء سياسة وتأثير اجتماعي قادرين على التفكير في التنظيمات والعملاء والآثار اللاحقة.

سمح هذا المزج لAnthropic بمقاربة تطوير الذكاء الاصطناعي كمشروع اجتماعي‑تقني وليس كتحدٍ هندسي بحت. صُمِّمت قرارات تصميم النموذج، البنية التحتية، التقييم، واستراتيجيات النشر بمشاركة الباحثين والمهندسين وموظفي السياسة منذ البداية.

التأسيس في ظل نقاشات نشطة حول الذكاء الاصطناعي المتقدّم

تزامن إنشاء الشركة مع نقاشات مكثفة في مجتمع الذكاء الاصطناعي حول كيفية التعامل مع الأنظمة سريعة التحجيم: الوصول المفتوح مقابل واجهات برمجة محكومة، المصدر المفتوح مقابل الإصدارات المتحكّم بها، مركزيّة الحوسبة، والمخاطر طويلة الأمد للنماذج غير المحاذية.

وضعت Anthropic نفسها كمحاولة للإجابة على سؤال مركزي في هذه النقاشات: كيف يبدو بناء مختبر ذكاء اصطناعي طليعي تُوجَّه هياكله، أساليبه، وثقافته بوضوح نحو السلامة والمسؤولية طويلة الأجل، مع استمرار الدفع إلى حدود البحث؟

المهمة والقيم وتركيز السلامة

أسّست Anthropic حول مهمة واضحة: بناء أنظمة ذكاء اصطناعي موثوقة، قابلة للتفسير، وقابلة للتوجيه، وتعود بالنفع على المجتمع. منذ البداية صوّرت الشركة عملها ليس فقط على أنه بناء نماذج قادرة، بل كعمل يحدد كيف تتصرف أنظمة الذكاء الاصطناعي المتقدمة مع ازدياد قوتها.

مفيد، صادق، وغير ضار

تلخّص Anthropic قيمها لسلوك الذكاء الاصطناعي بكلمات ثلاث: مفيد، صادق، وغير ضار.

• مفيد: تعني أن النماذج يجب أن تحل مشكلات المستخدمين فعليًا، تتبع التعليمات، وتقدّم مساعدة عملية.\n- صادق: تعني إعطاء الأولوية للحقائق وتجنّب اختلاقها، وإظهار عدم اليقين بوضوح.\n- غير ضار: تعني تقليل مخاطر التسبب في أذى جسدي أو نفسي أو اجتماعي، بما في ذلك رفض الطلبات غير الآمنة أو المسيئة.

ليست هذه الشعارات للتسويق؛ بل تعمل كنقاط مرجعية هندسية. تُشكّل بيانات التدريب ومجموعات التقييم وسياسات النشر كلها حول قياس وتحسين هذه الأبعاد الثلاثة، لا مجرد القدرة الصرفة.

السلامة والموثوقية والتوضيح كمبادئ أساسية

تتعامل Anthropic مع سلامة الذكاء الاصطناعي والموثوقية كقيود تصميم أساسية، لا كأمور لاحقة. تُرجمت هذه الرؤية إلى استثمارات كبيرة في:

• أبحاث المحاذاة والسلامة: بما في ذلك العمل على تجنّب المخرجات الضارة، سوء الاستخدام، وأوضاع الفشل مع ازدياد حجم النماذج.\n- الموثوقية: مثل تقليل الهلوسات، تحسين الدقّة الواقعية، ومعالجة الحالات الحديّة والطلبات العدائية.\n- التوضيح (interpretability): بحوث لفهم الآليات الداخلية للنماذج بحيث يمكن تدقيق السلوك والتحكّم فيه بشكل أفضل.

تكرّس اتصالات الشركة العامة التأكيد على المخاطر طويلة الأمد للأنظمة القوية والحاجة إلى سلوك قابل للتنبؤ وقابل للفحص.

الذكاء الاصطناعي الدستوري: توجيه السلوك عبر مبادئ

لتطبيق قيمها، قدّمت Anthropic مفهوم الذكاء الاصطناعي الدستوري (Constitutional AI). بدل الاعتماد فقط على تغذية بشرية لتصحيح سلوك النموذج، يستخدم النهج "دستورًا" مكتوبًا من مبادئ عالية المستوى — مستندًا إلى معايير مقبولة على نطاق واسع مثل حقوق الإنسان وإرشادات السلامة العامة.

يتدرب النموذج ليقوم بـ:

1. انتقاد إجاباته ضد هذه المبادئ.\n2. تنقيح مخرجاته لتتوافق بشكل أفضل مع الدستور.

توسع هذه الطريقة إشراف المحاذاة: مجموعة مبادئ مكتوبة بعناية يمكن أن توجه العديد من تفاعلات التدريب دون حاجة إلى أن يقوم البشر بتقييم كل رد بمفردهم. كما تجعل السلوك أكثر شفافية، لأن القواعد الحاكمة قابلة للقراءة والنقاش والتعديل مع مرور الوقت.

كيف تشكّل القيم أولويات البحث والمنتجات

تؤثر مهمة Anthropic وتركيزها على السلامة مباشرة في اتجاهات البحث التي تتبعها وكيفية إطلاقها للمنتجات.

على جانب البحث يعني ذلك إعطاء الأولوية للمشروعات التي:\n

• تحسّن التحكم وقابلية توجيه النماذج الكبيرة.\n- تسلّط الضوء على التمثيلات الداخلية والدوائر الميكانيكية.\n- تطوّر تقويمات لقياس الأذى والخداع ومخاطر سوء الاستخدام.\n- تدرس كيف تتغير المخاطر مع ازدياد قدرة النماذج.

وعلى جانب المنتج، تُصمم أدوات مثل Claude مع ضوابط سلامة مدمجة من نقطة الصفر. يُعامل سلوك الرفض، تصفية المحتوى، والمحفزات النظامية المستندة إلى مبادئ دستورية كميزات منتج أساسية، لا إضافات. وتبرز العروض للمؤسسات قابلية التدقيق، سياسات سلامة واضحة، وسلوك نموذج متوقّع.

من خلال ربط مهمتها بخيارات تقنية ملموسة — سلوك مفيد وصادق وغير ضار؛ طرق تدريب دستورية؛ أبحاث التوضيح والسلامة — رسّخت Anthropic تاريخها وتطوّرها حول سؤال محوري: كيف نجعل الأنظمة القوية تتوافق مع القيم البشرية؟

اتجاهات البحث المبكرة والأسس التقنية

من أشهر شهورها الأولى تناولت Anthropic أبحاث السلامة والقدرة كأجندة واحدة مترابطة. يمكن تجميع التركيز التقني المبكر للشركة في عدة مسارات أساسية.

فهم وتوجيه سلوك النماذج

خيط رئيسي في الأبحاث المبكرة فحص كيف تتصرف النماذج اللغوية الكبيرة تحت محفزات مختلفة وإشارات تدريب وإعدادات نشر. اختبرت الفرق منهجيًا:

• متى ولماذا تنتج النماذج نصوصًا ضارة أو مضللة أو واثقة بشكل مفرط\n- كيف يتغير السلوك مع تحجيم النموذج وبيانات التدريب\n- أي أنماط التحفيز تستجلِب إجابات مفيدة وصادقة على نحوٍ أكثر موثوقية

أفضى هذا العمل إلى تقييمات مُنظَّمة لـ"المنفعة" و"عدم الإضرار"، وإلى معايير داخلية تتتبّع المقايضات بين الاثنين.

المحاذاة عبر التغذية البشرية والقواعد

بنت Anthropic على أساليب مثل التعلم المعزز من ردود البشر، لكن أضافت تعديلات خاصة بها. جرّب الباحثون:\n

• بيانات مقارنة أكثر تفصيلاً من المصنّفين البشر\n- قوائم تقييم دقيقة لسلوكيات ذات صلة بالسلامة\n- إجراءات لاكتشاف أوضاع الفشل الدقيقة، لا مجرد السمية الواضحة

دخلت هذه الجهود في العمل المبكر على الذكاء الاصطناعي الدستوري: تدريب النماذج على اتباع "دستور" من المبادئ بدلاً من الاعتماد فقط على تفضيلات البشر. هدف هذا الأسلوب جعل المحاذاة أكثر شفافية وقابلية للتدقيق والاتساق.

التوضيح والتمثيلات الداخلية

ركّز ركيزة أخرى على التوضيح — محاولة رؤية ما يعرفه النموذج داخليًا. نشرت Anthropic أعمالًا حول السمات والدوائر في الشبكات العصبية، وتحقّقًا في كيفية تمثيل المفاهيم عبر الطبقات والتنشيطات.

رغم أن هذه الدراسات كانت استكشافية إلى حدٍ ما، فقد أسست أساسًا تقنيًا لمشروعات التوضيح الآلي اللاحقة، وأشارت إلى أن الشركة جادة في فتح "الصندوق الأسود" للنماذج.

اختبارات الإجهاد من خلال التقييمات واختراق الأنظمة

لدعم كل هذا، استثمرت Anthropic بكثافة في أطر التقييم. صممت فرق مخصصة محفزات عدائية، اختبارات سيناريو، وفحوصات آلية لكشف الحالات الحديّة قبل نشر النماذج على نطاق واسع.

باعتبار أطر التقييم كقطع بحثية من الدرجة الأولى — قابلة للتكرار والإصدار والنشر — اكتسبت Anthropic بسرعة سمعة في مجتمع أبحاث الذكاء الاصطناعي لنهج منضبط ومُوجَّه بالسلامة يندمج بإحكام مع تطوير نماذج Claude الأكثر قدرة.

معالم التمويل ونمو الشركة

رأس المال المبكر والجولات الأولى

تشكّل مسار Anthropic مبكرًا بتمويل استثنائي لشركة بحثية ناشئة.

تصف التقارير العامة مرحلة بذرة في 2020–2021، تلتها جولة Series A كبيرة في 2021 بنحو 100 مليون دولار أو أكثر، مما أتاح للفريق المؤسس توظيف باحثين أساسيين وبدء جولات تدريب جادة.

في 2022 أعلنت Anthropic عن جولة Series B أكبر، وأُبلغ عن قيمتها بنحو 580 مليون دولار. مكّنت هذه الجولة الشركة من المنافسة على طليعة أبحاث الذكاء الاصطناعي واسعة النطاق حيث تكاليف الحوسبة والبيانات مرتفعة.

منذ 2023 تحوّل التمويل نحو شراكات استراتيجية مع مزودي السحابة الرئيسيين. أبرزت الإعلانات العامة أطر استثمارية بمليارات الدولارات مع Google وAmazon، شملت استثمارات رأسمالية والتزامات سحابية وأجهزة عميقة. جمعت هذه الشراكات رأس المال مع إمكانية الوصول إلى بنى حوسبة واسعة النطاق.

تمويل البحث والبنية والتوظيف

مكّن هذا التدفق المالي Anthropic من:\n

• تدريب نماذج Claude أكبر وأكثر قدرة على عناقيد حوسبة ضخمة\n- بناء أدوات داخلية، خطوط بيانات، وأطر تقييم لأبحاث السلامة\n- تأمين التزامات سحابية طويلة الأمد، ما خفّض عدم اليقين بشأن الوصول المستقبلي للحوسبة

انتقلت الشركة من مجموعة مؤسِسة صغيرة—غالبيتها من باحثي ومهندسي OpenAI السابقين—إلى مؤسسة متنامية تغطي تخصصات متعددة. مع توسّع عدد الموظفين إلى مئات حسب التقارير العامة، ظهرت أدوار جديدة تتجاوز البحث النقي في التعلم الآلي.

أولويات التوظيف الرئيسية

أتاح التمويل لAnthropic توظيف:\n

• باحثي سلامة ومحاذاة لاستكشاف الإشراف القابل للتوسع، الذكاء الاصطناعي الدستوري، واختبار الاختراق.\n- مهندسي بنية تحتية وموثوقية لإدارة تشغيلات التدريب الضخمة ونشر النماذج.\n- مهندسي منتج وواجهات برمجة لتحويل نماذج البحث إلى خدمات قابلة للاستخدام.\n- خبراء سياسة وحوكمة وثقة وسلامة للتعامل مع الجهات التنظيمية والعملاء والمجتمع المدني.

أشارت هذه التركيبة إلى أن Anthropic رأت السلامة ليس كموضوع بحثي فحسب، بل كوظيفة تنظيمية تتطلب مهندسين، باحثين، محامين، متخصصي سياسة، ومتخصصي تواصل يعملون معًا.

من مختبر بحثي إلى منظمة موجهة بالمنتج

مع تزايد التمويل، اكتسبت Anthropic القدرة على متابعة أبحاث سلامة طويلة الأمد وفي الوقت نفسه إطلاق منتجات قصيرة الأجل. في المراحل الأولى، ذهبت غالبية الموارد نحو البحث الأساسي وتدريب نماذج الأساس. مع الجولات اللاحقة والشراكات السحابية الاستراتيجية استطاعت الشركة:\n

• الحفاظ على مسار بحثي مكرّس للمحاذاة والتقييمات والتوضيح.\n- تشغيل جهود تدريب كبيرة متعددة بالتوازي (مثل عائلات Claude وClaude 2 وClaude 3).\n- بناء وتشغيل واجهات برمجة تطبيقات وميزات مؤسسية وواجهات دون تحويل كل الباحثين إلى هندسة منتجات.

أسفر ذلك عن تحول من فريق تأسيسي صغير ثقيل الجانب البحثي إلى مؤسسة أكبر وأكثر تنظيمًا يمكنها تكرار تطوير Claude كمنتج تجاري بينما تستثمر بكثافة في أبحاث السلامة والحوكمة الداخلية.