تقليص التوكنز دون تقليص الفريق

في عالم تتسارع فيه وتيرة الابتكار بالذكاء الاصطناعي، تبرز تحديات جديدة تتجاوز مجرد القدرات التقنية لتلامس صميم الكفاءة الاقتصادية. مؤخرًا، ألقى جنسن هوانج، الرئيس التنفيذي لشركة إنفيديا، عملاق صناعة الرقائق، ضوءًا على معيار جديد ومثير للجدل يمكن أن يغير طريقة تقييم الشركات لإنتاجية مهندسيها في عصر الذكاء الاصطناعي، مقدمًا رؤية فريدة لكيفية تحقيق أقصى استفادة من موارد الذكاء الاصطناعي دون تقليص حجم الفرق الهندسية.

معيار جديد للإنتاجية في عصر الذكاء الاصطناعي

خلال ظهوره في بودكاست All-In على هامش مؤتمر GTC 2026، كشف هوانج عن رؤيته الصارمة حول كيفية قياس قيمة المهندس الذي يعمل بالذكاء الاصطناعي. وفقًا له، إذا كان مهندس يتقاضى راتبًا سنويًا قدره 500 ألف دولار أمريكي، واستهلاكه السنوي من “رموز” الذكاء الاصطناعي (AI tokens) يقل عن نصف راتبه، أي أقل من 250 ألف دولار، فإن هذا يدعو إلى التساؤل حول مدى فعاليته واستخدامه الأمثل لأدوات الذكاء الاصطناعي. هذا المقياس لا يهدف إلى تقليص عدد الموظفين، بل هو دعوة صريحة للشركات والمهندسين على حد سواء لإعادة تقييم كيفية استغلالهم للذكاء الاصطناعي، وتحويله من مجرد أداة مساعدة إلى محرك رئيسي للقيمة والكفاءة الاقتصادية.

لماذا يهم استهلاك الرموز؟

لكن ما هي هذه “الرموز” تحديدًا ولماذا أصبحت مقياسًا حاسمًا؟ في سياق الذكاء الاصطناعي التوليدي، تشير الرموز (Tokens) إلى الوحدات الأساسية التي تعالجها نماذج اللغة الكبيرة (LLMs) عند توليد النصوص أو فهمها، سواء كانت كلمات، أجزاء من كلمات، أو أحرف. كل استدعاء لواجهة برمجة تطبيقات (API) لنموذج ذكاء اصطناعي، أو عملية تدريب، أو حتى استنتاج، يكلف عددًا معينًا من الرموز، وبالتالي تكلفة مالية. هذه التكاليف يمكن أن تتراكم بسرعة، خصوصًا في المشاريع الكبيرة أو عند استخدام النماذج الأكثر تقدمًا. أصبح التحكم في ميزانية الرموز أمرًا بالغ الأهمية للشركات التي تسعى لتحقيق أقصى عائد على الاستثمار من تقنيات الذكاء الاصطناعي، حيث يعكس الاستهلاك المرتفع وغير الفعال إهدارًا للموارد.

تحسين الكفاءة دون تقليص الفريق

كيف يمكن للمؤسسات تحقيق هذا التوازن الدقيق بين الاستفادة القصوى من الذكاء الاصطناعي والتحكم في التكاليف دون المساس بفريق العمل؟ تكمن الإجابة في تبني استراتيجيات ذكية وممارسات عمل محسنة:

1. هندسة الأوامر (Prompt Engineering) الفعالة: تدريب المهندسين على صياغة أوامر (prompts) دقيقة ومختصرة لتقليل عدد الرموز المستهلكة لتحقيق النتائج المرجوة.
2. اختيار النماذج المناسبة: استخدام نماذج ذكاء اصطناعي أصغر وأكثر تخصصًا للمهام التي لا تتطلب قوة النماذج الكبيرة، مما يقلل التكاليف بشكل كبير.
3. الاستفادة من التخزين المؤقت (Caching): تخزين الإجابات والنتائج المتكررة لتقليل الحاجة إلى إعادة توليدها بواسطة نماذج الذكاء الاصطناعي في كل مرة.
4. تحسين مسارات العمل (Workflows): دمج الذكاء الاصطناعي بطرق تزيد من الإنتاجية وتقلل من الحاجة إلى تدخل بشري مكلف، مع التركيز على المهام ذات القيمة العالية.
5. تدريب وتوعية المهندسين: بناء ثقافة داخلية تقدر كفاءة استخدام موارد الذكاء الاصطناعي، وتزود المهندسين بالأدوات والمعرفة اللازمة لتحقيق ذلك.

خلاصة

إن رؤية جنسن هوانج تفتح نقاشًا حيويًا حول مستقبل الإنتاجية في عصر الذكاء الاصطناعي. لم يعد الأمر مقتصرًا على مدى قدرة المهندس على بناء حلول الذكاء الاصطناعي، بل يمتد ليشمل مدى كفاءته واقتصاديته في استهلاك الموارد المتاحة. هذا التوجه يدفع الشركات نحو تبني استراتيجيات أكثر ذكاءً واستدامة في التعامل مع أدوات الذكاء الاصطناعي، مؤكدًا أن الكفاءة المالية لا تقل أهمية عن الابتكار التقني في مسيرة التحول الرقمي، وأن تقليص ميزانية الرموز لا يعني بالضرورة تقليص الفريق، بل يعني فريقًا أكثر ذكاءً وكفاءة.