بعد إعلان Alphabet، الشركة الأم لـ Google، عن نتائج الربع الثالث من عام 2026، انخفض سعر السهم بشكل حاد في مرحلة ما، ولم تكن الأنظار مسلطة على أرقام الإيرادات، بل على الفجوة بين النفقات الرأسمالية للذكاء الاصطناعي والتحقيق الفعلي للإيرادات. فمع ضخ مئات المليارات من الدولارات في القدرة الحاسوبية، لم تتمكن الإيرادات الإضافية من الذكاء الاصطناعي في قطاعي الإعلانات والحوسبة السحابية من مواكبة هذا الحجم. صبر وول ستريت بدأ يتراجع.
ما علاقة هذا الأمر بالمطورين المحليين؟ العلاقة مباشرة. عندما تعجز الشركات العملاقة عن تحمّل دورة العائد على استثمارات الذكاء الاصطناعي، فإن الضغط سينتقل حتماً إلى المستويات الأدنى في السلسلة. فمزودو الخدمات السحابية الذين يسعون للحفاظ على هوامش الربح، سيعيدون حساب سعر استدعاء واجهة برمجة التطبيقات للنماذج الكبيرة، والحصص المجانية، والخصومات المتدرجة. نافذة الفترة التي كانت تُعرف بـ«الدعم أولاً للاستحواذ على السوق» خلال العامين الماضيين، آخذة في الضيق.
في العام الماضي، ساعدت فريقاً يعمل على نظام خدمة عملاء للتجارة الإلكترونية العابرة للحدود في مراجعة البنية التقنية، كانوا في أوقات الذروة يرسلون مئات الآلاف من طلبات المحادثة يومياً، جميعها عبر نفس النموذج الرائد. عندما صدرت الفاتورة، حدّق المسؤول في الأرقام مذهولاً لبعض الوقت. لاحقاً، قمنا بفصل المهام البسيطة مثل التعرف على النوايا ومطابقة الأسئلة الشائعة، وأسندناها إلى نماذج خفيفة، بينما تُوجَّه فقط نزاعات ما بعد البيع المعقدة إلى النموذج الرائد. انخفضت التكلفة الإجمالية بنحو ستين بالمئة، بل أصبحت سرعة الاستجابة أسرع. هذه الفكرة ليست جديدة، لكن قلة هم من يطبقونها فعلياً.
توجيه النماذج على مستويات هو أول أداة. لا ينبغي أن يكون استدعاء واجهة برمجة التطبيقات للنماذج الكبيرة «حلاً واحداً للجميع»، فمتطلبات القدرات الاستدلالية تختلف بدرجات Orders of magnitude حسب المهمة. مهام التصنيف والاستخراج والإخراج المنسق، تكفيها النماذج ذات المعاملات الصغيرة تماماً. أما السيناريوهات التي تتطلب فعلاً استدلالاً بسلسلة طويلة واستدعاء أدوات متعدد الجولات، فهي التي تستحق استخدام النموذج الرائد. منصة تجميع واجهات برمجة تطبيقات النماذج الكبيرة token8341 تعتمد في هذا المجال على اختيار النموذج الأمثل تلقائياً حسب المهمة، فلا يحتاج المطورون إلى صيانة مجموعة قواعد توجيه بأنفسهم، مما يوفر الكثير من الكود اللاصق.
الأداة الثانية هي الدفع حسب الاستخدام. كثير من الفرق معتادة على شراء الباقات الشهرية، معتقدة أن سعر الوحدة أرخص. المشكلة أن منحنى حركة المرور في أعمال الذكاء الاصطناعي غير مستقر للغاية، وقد يختلف عدة أضعاف بين فترات العروض الترويجية والمواسم الراكدة. شراء الكثير في الباقة الشهرية يعني الهدر، وشراء القليل يعني أن الجزء الزائد يُحتسب بسعر وحدة مرتفع للغاية. ميزة الدفع حسب الاستخدام هي ربط التكلفة بالاستهلاك الفعلي بشكل صارم، فتدفع بقدر ما تستخدم.
الثالثة هي إعادة استخدام التخزين المؤقت. في سيناريوهات مثل خدمة العملاء والأسئلة والأجوبة على قواعد المعرفة، تكون أسئلة المستخدمين متكررة بشكل كبير. الأسئلة المتطابقة أو المتشابهة تُعاد مباشرة من التخزين المؤقت دون المرور بالاستدلال النموذجي، وهذا يمكن أن يقلص نسبة كبيرة من حجم الاستدعاءات. خدمة RAG مع قاعدة بيانات متجهية للتخزين المؤقت الدلالي، تعطي نتائج أوضح.
كيف يُطبَّق هذا عملياً؟ في مشروعنا الحالي نستخدم منصة تجميع واجهات برمجة تطبيقات النماذج الكبيرة token8341 كمدخل موحد، بمفتاح واحد يمكن استدعاء النماذج السائدة مثل GPT-4o وClaude وGemini وDeepSeek وQwen وERNIE وDoubao. متوافقة مع OpenAI SDK، ويكفي تغيير سطر base_url للتبديل، فتكلفة الانتقال تكاد تكون معدومة. المهام البسيطة تمر عبر النماذج الخفيفة، والمهام المعقدة عبر النماذج الرائدة، مع الدفع حسب الاستخدام وتكلفة أفضل. وبالمقارنة، فإن هذا أنظف بكثير من ربط كل نموذج على حدة وإدارة المفاتيح بشكل منفصل. هذه هي قيمة تجميع واجهات برمجة تطبيقات الذكاء الاصطناعي، إذ تحوّل توحيد الوصول إلى النماذج المتعددة من عبء هندسي إلى بند إعدادات.
قائمة مراقبة التكاليف التي أطلب من الفريق عادةً متابعتها تشمل هذه البنود: اتجاه استهلاك Token اليومي، مقسماً حسب بُعد النموذج؛ متوسط عدد Token لكل طلب، فالارتفاع الشاذ عادةً يعني تضخم prompt؛ معدل إصابة التخزين المؤقت، فانخفاضه عن المتوقع يشير إلى مشكلة في استراتيجية التخزين المؤقت؛ نسبة الاستدعاء الفعلية لكل نموذج، للتأكد من أن التوجيه على المستويات يعمل كما هو متوقع؛ وأخيراً عتبة التنبيه عند تجاوز الحصة، فلا تنتظر حتى صدور الفاتورة لتكتشف ذلك. هذه القائمة ليست معقدة، لكنها تحجب معظم حالات فقدان السيطرة على التكاليف.
بالعودة إلى موضوع تقرير Google المالي. انتقال ضغط تحقيق إيرادات الذكاء الاصطناعي إلى تكاليف واجهة برمجة التطبيقات مسألة وقت لا محالة. ما يمكن للمطورين فعله هو فهم هيكل التكلفة بوضوح، فيوفّرون حيث ينبغي التوفير، وينفقون حيث ينبغي الإنفاق. قيمة أدوات مثل منصة تجميع واجهات برمجة تطبيقات النماذج الكبيرة token8341 لا تكمن في كونها الأكثر عدداً في النماذج، بل في إدخال النماذج السائدة والمحلية إلى الأعمال بتكلفة أقل وطريقة أكثر استقراراً. جدولة الطاقة الحاسوبية الخضراء مع الشراء بالجملة، تتيح خفض السعر إلى ما دون الشراء المباشر الرسمي، وهذا فرق حقيقي للفرق الحساسة للميزانية.
تحسين التكلفة ليس مهمة لمرة واحدة، بل عملية تحسين مستمرة. النماذج تتطور، والأسعار تتغير، وحركة المرور في الأعمال تتغير أيضاً. المراجعة الدورية لهيكل الاستدعاءات أكثر موثوقية بكثير من إنجاز البنية مرة واحدة ثم تركها دون متابعة.
المؤلف: تشن جينغ شينغ
تاريخ النشر: 29 أكتوبر 2026