Insights Investing

فك رموز منظومة الذكاء الاصطناعي: تحليل الاختناقات والخنادق الاقتصادية وتراكم القيمة للمستثمرين على المدى الطويل

بودكاست · استمع (24 د)

Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market

المحتويات
  1. 1. تفكيك منظومة الذكاء الاصطناعي: الاختناقات مقابل تراكم القيمة الاقتصادية
  2. 2. البنية التحتية وكثافة الإنفاق الرأسمالي: الثورة الصناعية الكامنة تحت الذكاء الاصطناعي
  3. 3. الرقائق والذاكرة واقتصاديات النماذج: التحول إلى سلع نمطية مقابل حدود الريادة المتحركة
  4. 4. طبقات التنفيذ، والذكاء الاصطناعي المادي، ومفارقة جيفونز
  5. 5. الأرقام الرئيسية
  6. 6. ما الذي قد يغير وجهة نظرنا
  7. 7. المصادر

تتراكم القيمة عبر المنظومة التقنية للذكاء الاصطناعي ليس من خلال الندرة المادية المطلقة فحسب، بل حيث تتقاطع الاختناقات التقنية مع القدرة على التسعير، والتوسع المتكرر في حجم الاستخدام، وتكاليف التحول، وارتفاع العائد الإضافي على رأس المال المستثمر (ROIC). وبينما يسلط إطار المنظومة ذي الطبقات الست الذي وضعه Chamath Palihapitiya (البنية التحتية، والرقائق، والبيانات، والنماذج، والتنفيذ، والتطبيقات) الضوء بدقة على تحول النماذج التأسيسية اقتصاديًا إلى سلع نمطية وظهور نقاط اختناق حاسمة في العتاد، يجب على المستثمرين على المدى الطويل التمييز بين الندرة التقنية المطلقة وخلق قيمة مستدامة للمساهمين. ومع تحول الشركات فائقة النطاق إلى مؤسسات صناعية كثيفة رأس المال يُتوقع أن تنفق أكثر من $700 مليار في 2026 على الحوسبة والبنية التحتية للشبكات الكهربائية، يتطلب تقييم القيمة الجوهرية تحليل استدامة التدفق النقدي الحر، ومخاطر كثافة رأس المال، وحلقات التغذية الراجعة الخاصة بسير العمل المملوك، بدلًا من الاعتماد على الاختناقات المادية وحدها.

1. تفكيك منظومة الذكاء الاصطناعي: الاختناقات مقابل تراكم القيمة الاقتصادية

يوفر تحليل الذكاء الاصطناعي من خلال بنية متعددة الطبقات وضوحًا ضروريًا للمستثمرين المعتمدين على التحليل الأساسي. يصنف Chamath Palihapitiya المنظومة إلى ست طبقات متميزة: البنية التحتية (الكهرباء، والأراضي، والتبريد، والمعادن، ومصانع الرقائق)، والرقائق (وحدات معالجة الرسوميات/الدوائر المتكاملة الخاصة بالتطبيقات، والذاكرة عالية النطاق الترددي، والتغليف، والشبكات)، والبيانات (البيانات المملوكة، والحسية، وبيانات الروبوتات)، والنماذج (الذكاء التأسيسي)، والتنفيذ (الوكلاء، والتنسيق، وواجهات برمجة التطبيقات، والمشغلات)، والتطبيقات (برمجيات وأنظمة المستخدم النهائي). والمفهوم التحليلي المحوري الذي يربط هذه الطبقات هو «أصل الارتكاز»؛ أي مكون لا غنى عنه يجب أن تمر عبره كل طبقة أعلى، ولا يمكن استبداله بسهولة.

ومع ذلك، يوجد تمييز حاسم بين الاختناق التقني المطلق والخندق الاقتصادي ذي العائد المرتفع. فقد يقع أصل مباشرة في المسار التقني الحرج دون أن يحقق عوائد مالية متناسبة للمساهمين. وبالنسبة للمستثمرين على المدى الطويل الذين يقيّمون الخنادق الاقتصادية من خلال إطار غراهام وبافيت، فإن الندرة المادية وحدها لا تضمن النمو المركب طويل الأجل لأرباح المالك.

تتضح هذه الديناميكية بجلاء عند مقارنة ASML وNVIDIA. تمتلك ASML اختناقًا تقنيًا مطلقًا لا يمكن الاستعاضة عنه في أنظمة الطباعة الضوئية بالأشعة فوق البنفسجية القصوى؛ إذ لا تستطيع مصانع أشباه الموصلات المتقدمة استبدال آلات ASML. ومع ذلك، حققت NVIDIA ارتفاعًا أكبر بكثير في قيمة حقوق المساهمين. تبيع ASML آلات محدودة العدد، شديدة التعقيد وكثيفة رأس المال، لمجموعة مركزة من المشترين، مما يحد من التوسع التلقائي للإيرادات عندما يتضاعف الاستهلاك العالمي للرموز. وفي المقابل، تجمع NVIDIA بين اختناقات السيليكون وسلسلة أدوات البرمجيات CUDA، وبنى الأنظمة، وشبكات NVLink، والتكامل العميق مع المنظومة. وتستفيد NVIDIA مباشرة من مرونة الحجم المتزايدة للاستدلال والتدريب في الذكاء الاصطناعي.

لتقييم تراكم القيمة الاقتصادية عبر المنظومة، ينبغي للمستثمرين تطبيق صيغة نوعية شاملة بدلًا من قياس الندرة بمعزل عن غيرها:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

لا تتحقق العوائد الاقتصادية المستدامة إلا عندما تجتمع نقطة اختناق تشغيلية مع مرونة الحجم، وارتفاع تكاليف التحول، وقوة العوائد الإضافية على رأس المال المستثمر.

2. البنية التحتية وكثافة الإنفاق الرأسمالي: الثورة الصناعية الكامنة تحت الذكاء الاصطناعي

تشهد الطبقات التأسيسية لمنظومة الذكاء الاصطناعي تحولًا هيكليًا من نماذج برمجية قليلة الأصول إلى عمليات صناعية كثيفة رأس المال. وتكشف الاختناقات الحاسمة في قاعدة المنظومة عن تركزات جغرافية ومؤسسية شديدة:

  • ندرة مواد أشباه الموصلات: يسيطر موردو المواد اليابانيون على نحو 78% من المبيعات العالمية لمقاومات الضوء المستخدمة في أشباه الموصلات، بحسب جنسية الشركات، مع هيمنة Shin-Etsu وJSR وTokyo Ohka Kogyo وFujifilm على أسواق محددة للمواد الكيميائية عالية النقاء.
  • الكوارتز عالي النقاء: يعتمد إنتاج سبائك السيليكون بدرجة نقاء مناسبة لأشباه الموصلات على بوتقات الكوارتز المصهور المشتقة من كوارتز فائق النقاء يُستخرج في سبروس باين بولاية كارولينا الشمالية. وتمثل Sibelco (التي تنتج مادة IOTA من جسمين خاميين نقيين) وThe Quartz Corp الموردين الوحيدين اللذين ينتجان الكوارتز عالي النقاء المتقدم والممتاز على نطاق واسع وبجدوى اقتصادية.

وبعيدًا عن المواد الخام المادية، تفرض البنية التحتية لمرافق الكهرباء قيدًا تشغيليًا شديدًا. وتتوقع وكالة الطاقة الدولية أن يتضاعف استهلاك مراكز البيانات العالمي للكهرباء تقريبًا، مرتفعًا من نحو 485 تيراواط ساعة في 2025 إلى نحو 950 تيراواط ساعة بحلول 2030. ويُقدّر أن تتجاوز النفقات الرأسمالية للشركات فائقة النطاق $700 مليار في 2026، مدفوعة أساسًا بتوسع مراكز البيانات.

مجال البنية التحتية نقطة الاختناق الحاسمة والموردون الرئيسيون الأثر الاقتصادي والمقاييس
مواد أشباه الموصلات مقاومات الضوء اليابانية (Shin-Etsu, JSR, TOK, Fujifilm) حصة سوقية تبلغ ~78% بحسب الجنسية؛ مدخلات كيميائية لا يمكن استبدالها.
الكوارتز عالي النقاء الأجسام الخامية في سبروس باين (Sibelco, The Quartz Corp) المصدر الحصري لبوتقات الكوارتز المصهور المستخدمة في سبائك السيليكون.
كهرباء الشبكة القابلة للتوصيل المحولات، ومعدات الفصل والتوصيل، وأنظمة الإمداد بالطاقة غير المنقطعة، والربط البيني تظهر القيود قبل القدرة التوليدية الخام؛ 485 تيراواط ساعة $\rightarrow$ 950 تيراواط ساعة (وكالة الطاقة الدولية).
الإنفاق الرأسمالي للشركات فائقة النطاق توسع مراكز البيانات وتسريع الحوسبة يُتوقع >$700 مليار في 2026 (وكالة الطاقة الدولية)؛ ضغوط معاكسة شديدة من الإهلاك.

والأهم أن توليد الكهرباء الخام ليس القيد الرئيسي على المدى القريب. وتبين أبحاث جامعة جونز هوبكنز أن معدات توصيل الكهرباء عبر الشبكة، وتحديدًا المحولات، ومعدات الفصل والتوصيل، وأنظمة الإمداد بالطاقة غير المنقطعة، ووصلات الربط بين شبكات النقل، والبنية التحتية المتخصصة للتبريد، ستقيد إنشاء مراكز البيانات قبل أن تصبح قدرة التوليد نفسها الاختناق الرئيسي. والأصل الاقتصادي النادر في الأجل القريب هو الكهرباء القابلة للتوصيل بالجهد والموقع والموثوقية المطلوبة.

من منظور الاستثمار القيمي، يؤثر هذا التحول بشدة في الميزانيات العمومية للشركات ومقاييس العائد. ومع إنفاق الشركات فائقة النطاق أكثر من $700 مليار سنويًا على النفقات الرأسمالية، تدخل أصول مادية بمليارات الدولارات إلى الميزانيات العمومية ضمن الممتلكات والمنشآت والمعدات. وبمجرد تشغيلها، تؤثر جداول الإهلاك بطريقة القسط الثابت في قوائم الدخل بصرف النظر عن تحقق الإيرادات فورًا. وإذا تأخر الطلب على الرموز القابل لتحقيق الإيرادات أو تبني برمجيات المؤسسات عن التوسع المادي، تنهار معدلات العائد على رأس المال المستثمر (ROIC) والتحويل إلى التدفق النقدي الحر (FCF) تحت وطأة البنية التحتية التي لم تُستهلك قيمتها بعد. وتعكس هذه الديناميكية مباشرة حالات الإفراط التاريخي في بناء البنية التحتية، مثل انهيار قطاع ألياف الاتصالات الذي شمل WorldCom وGlobal Crossing، حيث خلقت النفقات الرأسمالية الضخمة فائضًا حادًا في الطاقة الاستيعابية ودمرت قيمة حقوق المساهمين رغم صحة فرضية تبني الإنترنت على المدى الطويل في نهاية المطاف.

3. الرقائق والذاكرة واقتصاديات النماذج: التحول إلى سلع نمطية مقابل حدود الريادة المتحركة

بينما تفترض النماذج النظرية أن اختناقات العتاد تتلاشى طبيعيًا بمرور الوقت مع عودة القدرة التصنيعية إلى مستويات طبيعية، تظل قيود المعروض من أشباه الموصلات حادة. وتمثل الذاكرة عالية النطاق الترددي والتغليف المتقدم اختناقات هيكلية تمتد لسنوات، لا احتكاكات مؤقتة. وتتوقع وكالة الطاقة الدولية استمرار نقص المعروض من الذاكرة عالية النطاق الترددي حتى نهاية 2027 على الأقل. وتظل الحصص السوقية شديدة التركز؛ إذ تقدّر بيانات Counterpoint للربع Q2 2026 حصص إيرادات الذاكرة عالية النطاق الترددي كما يلي:

  • SK Hynix: 50%
  • Samsung: 33%
  • Micron: 18%

لا تعتمد الخنادق الاقتصادية الحديثة في العتاد على شرائح الحوسبة المنفردة، بل على التكامل الكامل على مستوى النظام: شرائح وحدات معالجة الرسوميات/الدوائر المتكاملة الخاصة بالتطبيقات المدمجة مع الذاكرة عالية النطاق الترددي عبر طبقات الربط الوسيطة، والتغليف المتقدم، والشبكات عالية السرعة (مثل NVLink)، وتوصيل الطاقة، والتبريد المتخصص. ويزداد هذا التكامل على مستوى النظام أهمية مع انتقال أعباء العمل من تدريب النماذج إلى الاستدلال. وتتوقع McKinsey أن يمثل الاستدلال نحو 60% من إجمالي الطلب على الذكاء الاصطناعي بحلول 2030. وبالتالي، تنتقل ساحة المنافسة مباشرة إلى النطاق الترددي للذاكرة، والسعة، وزمن الاستجابة، والكفاءة الحرارية، واستهلاك الطاقة لكل رمز مفيد مُنتج، مما يعزز الخنادق الاقتصادية الهيكلية لموردي العتاد المتكامل.

وفي الوقت نفسه، تشهد اقتصاديات نماذج الذكاء التأسيسي انخفاضًا سريعًا في التكاليف. وتشير بيانات مؤشر ستانفورد للذكاء الاصطناعي إلى أن تكلفة تشغيل نموذج بأداء يعادل مستوى GPT-3.5 على مقياس الفهم متعدد المهام للغة انخفضت من نحو $20 لكل مليون رمز في نوفمبر 2022 إلى نحو $0.07 في أكتوبر 2024، أي انخفاضًا في التكلفة بمقدار 280 ضعفًا خلال 18 شهرًا. علاوة على ذلك، تظهر دراسات منظمة التعاون الاقتصادي والتنمية أن أسعار النماذج اللغوية المعدلة بحسب الجودة انخفضت بنحو 80% بين يناير 2024 وأبريل 2026.

المقياس / محور المقياس المستوى المرجعي التاريخي المستوى الحديث / المتوقع الدلالة التحليلية
تكلفة رموز GPT-3.5 على مقياس الفهم متعدد المهام للغة $20.00 / مليون رمز (نوفمبر 2022) $0.07 / مليون رمز (أكتوبر 2024) انخفاض بمقدار 280x في تكلفة وحدة الذكاء (ستانفورد).
أسعار النماذج اللغوية المستوى الأساسي (يناير 2024) انخفاض ~80% (أبريل 2026) انهيار سريع في أسعار المخرجات المعدلة بحسب الجودة (منظمة التعاون الاقتصادي والتنمية).
فجوة الأداء بين النماذج المغلقة والمفتوحة فارق واسع (2023) فجوة 3.3%–3.4% (مارس 2026) تحول القدرات الأساسية إلى سلع نمطية (مؤشر ستانفورد للذكاء الاصطناعي 2026).
الحصة من إنفاق المؤسسات 35% للنماذج الرائدة (Q3 2025) 63% للنماذج الرائدة (Q3 2026) استعداد لدفع علاوة مقابل الاستدلال الأحدث والأكثر تقدمًا (Menlo).

رغم هذا الانهيار في الأسعار، لم تصبح النماذج التأسيسية بعد سلعًا نمطية خالصة. فالذكاء الأساسي يتحول إلى سلعة نمطية، إذ يُظهر مؤشر ستانفورد للذكاء الاصطناعي 2026 أن الفارق بين أبرز النماذج الرائدة (Anthropic وxAI وغوغل وOpenAI) لا يتجاوز 25 نقطة على مقياس Arena Elo، وأن النماذج المغلقة تتقدم على البدائل مفتوحة الأوزان بنسبة 3.3% إلى 3.4% فقط حتى مارس 2026. ومع ذلك، يواصل عملاء المؤسسات دفع علاوة مقابل القدرات الرائدة. وتظهر أبحاث Menlo أن حصة النماذج الرائدة من إنفاق المؤسسات على الذكاء الاصطناعي ارتفعت من 35% في Q3 2025 إلى 63% في Q3 2026.

تعمل طبقة النماذج بوصفها حدودًا اقتصادية متحركة للريادة: تتحول القدرات الأساسية سريعًا إلى سلع نمطية، بينما يحتفظ الاستدلال الأحدث والأكثر تقدمًا بالقدرة على التسعير، مما يجبر مطوري النماذج على تحمل استثمارات رأسمالية ضخمة ومتواصلة لمجرد الحفاظ على التكافؤ مع مستوى الريادة.

4. طبقات التنفيذ، والذكاء الاصطناعي المادي، ومفارقة جيفونز

مع تحول النماذج التأسيسية إلى سلع متجانسة، تنتقل القيمة الاقتصادية نحو طبقة التنفيذ والتحكم. وتشمل طبقة البرمجيات الوسيطة هذه التوجيه الديناميكي للنماذج، وذاكرة الحالة الدائمة، وإدارة الهوية، وإدارة الأذونات، والتقييم، وتكامل الأدوات، والتنسيق. ومن منظور الميزانيات العمومية للشركات، لا يشتري مقتنو برمجيات المؤسسات رموزًا تأسيسية خامًا؛ بل يشترون نتائج أعمال مكتملة. وتعمل طبقة التنفيذ بوصفها «برمجيات وسيطة» مؤسسية — على غرار Kubernetes، وإدارة الوصول والهوية، وقابلية الرصد في الحوسبة السحابية — مما يرسخ تكاليف التحول لدى المؤسسات ويحمي هوامش الربح حتى مع تقلب النماذج الأساسية الكامنة. ويؤكد مسح LangChain للاستخدام في بيئات الإنتاج لعام 2026 أن البنى المؤسسية متعددة النماذج أصبحت الآن معيارًا سائدًا، مع انتقال الاختناقات الرئيسية في النشر من تكاليف وحدة الرمز إلى موثوقية التنفيذ والسلامة وإتمام المهام.

وبالمثل، تتحول بيانات التدريب العامة على الويب إلى سلعة متجانسة مقارنة بحلقات التغذية الراجعة المملوكة القائمة على النتائج. وتنشأ الخنادق الاقتصادية المستدامة عندما تندمج التطبيقات البرمجية مباشرة في سير عمل تشغيلي خاص بمجال محدد، حيث تولد الإجراءات تقييمات واقعية قابلة للتحقق.

ومن أبرز الأمثلة على هذه الديناميكية Harvey في القطاع القانوني. لا تتنافس Harvey بوصفها واجهة هشة لنموذج تأسيسي تبيع توليد رموز عامة. بل تندمج مباشرة في سير العمل القانوني، جامعةً بين أنظمة السجلات القانونية، والتوزيع، والامتثال التنظيمي، وثقة العملاء، وحلقات التغذية الراجعة المملوكة (تحليل العقود $\rightarrow$ مراجعة المحامي $\rightarrow$ الإيداع النهائي لدى المحكمة/التسوية). ولأن Harvey تمتلك سير العمل من البداية إلى النهاية وبيانات النتائج الناتجة عنه، فإنها تبني تكاليف تحول مرتفعة وتحمي قدرتها على التسعير، مما يجعل اختيار النموذج التأسيسي الكامن أمرًا ثانويًا مقارنة بنتيجة الأعمال المحققة. وتظهر حلقات تغذية راجعة مماثلة قائمة على النتائج في مجالات متخصصة مثل البرمجة (تصحيح برمجي $\rightarrow$ نتيجة الاختبار $\rightarrow$ نتيجة النشر)، والطب (التشخيص $\rightarrow$ العلاج $\rightarrow$ النتيجة الصحية للمريض)، والتمويل (الفاتورة $\rightarrow$ المقاصة $\rightarrow$ تسوية النزاع).

في أنظمة الذكاء الاصطناعي المادي، تختلف ديناميكيات تخصيص رأس المال جذريًا عن اقتصاديات المؤسسات القائمة على البرمجيات وحدها. تتوسع البرمجيات بتكلفة حدية تقارب الصفر، بينما تتطلب الروبوتات المادية رأس مال كبيرًا لقائمة المواد. وتقدر McKinsey أن المشغلات الدقيقة تمثل 40% إلى 60% من قائمة مواد الروبوت الشبيه بالإنسان، مقارنة بنسبة 5% إلى 10% لوحدات البطاريات. علاوة على ذلك، تقدر CRU أن كل روبوت شبيه بالإنسان يحتاج إلى 2 إلى 3 كغ من مغناطيسات العناصر الأرضية النادرة المصنوعة من النيوديميوم والحديد والبورون. وبينما تمثل مكونات الذكاء الاصطناعي المادي خيارات استراتيجية طويلة الأجل، تولد أصول الحوسبة والذاكرة في مراكز البيانات تدفقات نقدية فورية قابلة للتحقق اليوم.

عنصر الأجهزة في الذكاء الاصطناعي المادي الحصة المقدرة من قائمة المواد / الموارد المحركات الاقتصادية ومحركات سلسلة التوريد الرئيسية
المشغلات الدقيقة 40% – 60% من إجمالي قائمة المواد (McKinsey) مفاصل عالية الدقة، وعلب تروس، ومحركات، ومخفضات سرعة.
وحدات البطاريات 5% – 10% من إجمالي قائمة المواد (McKinsey) تخصيص نسبي أقل لرأس المال مقارنة بأنظمة التشغيل الحركي.
مغناطيسات العناصر الأرضية النادرة المصنوعة من النيوديميوم والحديد والبورون 2 – 3 كغ لكل روبوت شبيه بالإنسان (CRU) محرك هيكلي للطلب على العناصر الأرضية النادرة الثقيلة.

يتطلب فهم هذا التوسع الهيكلي في النفقات الرأسمالية تطبيق مفارقة جيفونز. فانخفاض تكاليف وحدة الرمز بمقدار 100 ضعف لا يقلص إجمالي الإنفاق على الحوسبة؛ بل تؤدي أسعار الوحدات المنخفضة إلى توسع هائل في الاستهلاك الإجمالي للرموز. ومع استبدال تفاعلات الاستعلام والاستجابة المفردة بحلقات استدلال متعددة الوكلاء تنفذ محاكاة مستمرة في الخلفية واستدعاءات آلية للأدوات، يتسارع الطلب الإجمالي على قدرات الحوسبة العتادية رغم انهيار أسعار الوحدات.

بالنسبة للمستثمرين الأساسيين طويلي الأجل الذين يقيمون تخصيص رأس المال، يتطلب الاستحواذ المستدام على القيمة تجنب الندرة المادية وحدها لصالح الشركات التي تتمتع بعائد مرتفع على رأس المال المستثمر الإضافي، وقدرة على التسعير، وحلقات تغذية راجعة مدمجة في سير العمل. ويمكن للمستثمرين المهتمين بنماذج تقييم أعمق وحسابات أساسية لأرباح المالك استكشاف أبحاثنا المفتوحة المصدر عن الشركات على موقع DeepValues Research، أو تقييم القيمة الجوهرية وهامش الأمان لأي سهم باستخدام تطبيق DeepValues.

5. الأرقام الرئيسية

  • 78%: الحصة السوقية التقريبية للشركات اليابانية من مبيعات مواد المقاومة الضوئية لأشباه الموصلات بحسب جنسية الشركة.
  • >$700 مليار: النفقات الرأسمالية المقدرة لمشغلي الحوسبة فائقة النطاق في 2026 وفقًا لوكالة الطاقة الدولية، والموجهة في معظمها إلى توسعة مراكز البيانات.
  • 485 تيراواط ساعة إلى ~950 تيراواط ساعة: الارتفاع المتوقع في استهلاك مراكز البيانات للكهرباء من 2025 إلى 2030 (وكالة الطاقة الدولية).
  • نهاية 2027: الموعد المتوقع لاستمرار نقص إمدادات الذاكرة ذات النطاق الترددي العالي حتى بلوغه (وكالة الطاقة الدولية).
  • 50% / 33% / 18%: الحصص المقدرة من إيرادات الذاكرة ذات النطاق الترددي العالي في Q2 2026 لكل من SK Hynix، وسامسونج، وMicron، على التوالي (Counterpoint).
  • $20 إلى $0.07 لكل مليون رمز: انخفاض تكلفة التشغيل لتحقيق أداء اختبار الفهم اللغوي متعدد المهام بمستوى GPT-3.5 بين نوفمبر 2022 وأكتوبر 2024، بما يمثل انخفاضًا بمقدار 280x (مؤشر ستانفورد للذكاء الاصطناعي).
  • ~80%: انخفاض أسعار النماذج اللغوية المعدلة بحسب الجودة من يناير 2024 حتى أبريل 2026 (منظمة التعاون الاقتصادي والتنمية).
  • 25 نقطة في تصنيف إيلو على منصة Arena: الفارق الضيق في الأداء بين النماذج الرائدة لكل من Anthropic، وxAI، وجوجل، وOpenAI اعتبارًا من مارس 2026 (مؤشر ستانفورد للذكاء الاصطناعي لعام 2026).
  • 3.3%–3.4%: فجوة الأداء بين أفضل نموذج مغلق المصدر وأفضل نموذج مفتوح الأوزان في مارس 2026 (مؤشر ستانفورد للذكاء الاصطناعي).
  • 35% إلى 63%: ارتفاع حصة النماذج الرائدة من إنفاق المؤسسات على الذكاء الاصطناعي بين Q3 2025 وQ3 2026 (أبحاث Menlo).
  • 40%–60% مقابل 5%–10%: النسبة المقدرة من قائمة مواد الروبوت الشبيه بالإنسان التي تمثلها المشغلات مقارنة بوحدات البطاريات (McKinsey).
  • 2–3 كغ: الاحتياج المقدر من مغناطيسات العناصر الأرضية النادرة المصنوعة من النيوديميوم والحديد والبورون لكل روبوت شبيه بالإنسان (CRU).

6. ما الذي قد يغير وجهة نظرنا

  • التقادم السريع لبنى CUDA والذاكرة ذات النطاق الترددي العالي: تسارع تطوير الوصلات البينية أو بنى الذاكرة البديلة التي تنجح في إزاحة الذاكرة ذات النطاق الترددي العالي وNVLink، مما يقوض الخنادق الاقتصادية للشبكات على مستوى النظام قبل 2027.
  • تقليص النفقات الرأسمالية لمشغلي الحوسبة فائقة النطاق: مراجعة حادة بالخفض لمسار النفقات الرأسمالية السنوية لمشغلي الحوسبة فائقة النطاق البالغ >$700 مليار بسبب عائد مخيب للآمال على رأس المال المستثمر (ROIC) أو تأخيرات شديدة في الربط بشبكات الكهرباء.
  • التحول السريع إلى تحقيق الإيرادات وركود النماذج مفتوحة الأوزان: انهيار فجوة الأداء البالغة 3.3–3.4% بين النماذج الرائدة، مما يدفع عملاء المؤسسات إلى التخلي عن النماذج المغلقة مرتفعة التكلفة لصالح نماذج مفتوحة الأوزان منخفضة التكلفة تُشغَّل محليًا.
  • تسارع نشر الذكاء الاصطناعي المادي: وصول التسويق التجاري الواسع والتصنيع بكميات كبيرة للروبوتات الشبيهة بالإنسان إلى ملايين الوحدات قبل 2030 بوقت طويل، مما ينقل الاستحواذ على قيمة التدفقات النقدية الفورية إلى سلاسل توريد المشغلات والمغناطيسات.

7. المصادر

فك شفرة قيمة الذكاء الاصطناعي، Chamath Palihapitiya (الرسالة السنوية لعام 2025 والإطار المرتبط بها) مؤشر ستانفورد للذكاء الاصطناعي (جامعة ستانفورد، بيانات 2024–2026) تقارير وكالة الطاقة الدولية عن الكهرباء والنفقات الرأسمالية Counterpoint Research (تحليل سوق أشباه الموصلات والذاكرة ذات النطاق الترددي العالي في Q2 2026) أبحاث McKinsey & Company حول قوائم مواد الروبوتات أبحاث CRU Group حول المواد والعناصر الأرضية النادرة دراسات منظمة التعاون الاقتصادي والتنمية حول أسعار النماذج اللغوية (2024–2026) أبحاث Menlo Ventures حول إنفاق المؤسسات على الذكاء الاصطناعي (2025–2026) أبحاث جامعة جونز هوبكنز حول البنية التحتية وطاقة مراكز البيانات مسح LangChain للذكاء الاصطناعي في بيئات الإنتاج (2026)

شاهد

روابط المصادر

  • Decoding AI Value

شاهد واستمع

أبحاث الشركة

نص البحث بترخيص CC BY 4.0، للإسناد: DeepValues Research, فك رموز منظومة الذكاء الاصطناعي: تحليل الاختناقات والخنادق الاقتصادية وتراكم القيمة للمستثمرين على المدى الطويل, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-ar/

بريد أسبوعي مجاني

Margin of Safety Weekly

يصلك كل سبت: حالة السوق، وما اشتراه وباعه كبار المستثمرين (إفصاحات 13F)، وأبحاث الأسبوع الجديدة، وفيديوهاتنا وبودكاستنا — مجانًا، دون حاجة إلى حساب.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. الخصوصية

تعمّق أكثر

أجرِ هذا التحليل لأي سهم في دقيقتين

Deep Value Intelligence، محلل الذكاء الاصطناعي متعدد الوكلاء الذي أعدّ هذا التقرير، يُعدّ تقريرًا مماثلًا لأي شركة مدرجة عند الطلب.

فتح Deep Value Intelligence

تابع أكثر من 300 سهم في تطبيق DeepValues

الآراء البحثية والقيمة الجوهرية وأحدث التقارير، على هاتفك.

للمطورين: الآراء البحثية والتقارير عبر API

البيانات الأساسية والقيم الجوهرية والآراء البحثية وروابط التقارير التي تستند إليها هذه الصفحات، بصيغة JSON.

توثيق API

ناقش