إجماع النماذج المتعددة: لماذا مستقبل الذكاء الاصطناعي ليس مُعرِّفًا وحيدًا

نهاية عصر النموذج الواحد

طوال معظم طفرة الذكاء الاصطناعي، كان الافتراض الضمني أن التقدم يعني بناء نموذج واحد أفضل من جميع النماذج الأخرى. صُوّر السباق بين OpenAI وGoogle وAnthropic وMeta كمنافسة صفرية: أي شركة ستبني النظام الأكثر ذكاءً؟ كان يُتوقع من المستخدمين اختيار مفضلهم — ChatGPT أو Claude أو Gemini — والالتزام به كواجهة ذكاء اصطناعي رئيسية.

Perplexity، شركة البحث المدعومة بالذكاء الاصطناعي، تتحدى هذا النموذج. في 5 فبراير 2026، أطلقت الشركة ما تسميه Model Council (مجلس النماذج) — ميزة تستعلم في وقت واحد Claude Opus 4.6 وGPT-5.2 وGemini 3 Pro لكل سؤال جوهري، ثم تستخدم مُوحِّدًا مدمجًا لإنتاج مقارنة منظمة تستفيد من نقاط قوة الثلاثة جميعًا. يرى المستخدم أين تتفق النماذج، وأين تتباين، ويحصل على إجابة مُوحَّدة تبرز استدلال ثلاثة من أقوى أنظمة الذكاء الاصطناعي على الكوكب.

بعد أسبوعين، أصدرت Perplexity إعلانًا مهمًا آخر: تخلت الشركة عن تجاربها الإعلانية تمامًا، ملتزمة بنموذج أعمال قائم على الاشتراك فقط. حاججت الشركة بأن الإعلانات تخلق حوافز غير متوائمة لمنتج بحث — فالحاجة لخدمة المعلنين تضر حتمًا بجودة النتائج وحيادها. بإيرادات إعلانية لم تتجاوز 20,000 دولار خلال 2024 من إجمالي 34 مليون دولار، كانت التضحية المالية ضئيلة، لكن الإشارة الاستراتيجية كانت لا لبس فيها.

معًا، تمثل هذه الخطوات واحدة من أكثر إعادات التفكير جذرية في نموذج منتج الذكاء الاصطناعي منذ إطلاق ChatGPT. تراهن Perplexity على أن مستقبل الذكاء الاصطناعي ليس مُعرِّفًا وحيدًا بل مجلس عقول — وأن المستخدمين سيدفعون علاوة مقابل إجابات يمكنهم الوثوق بها.

كيف يعمل مجلس النماذج

بنية مجلس النماذج أكثر تطورًا من مجرد تشغيل ثلاثة استعلامات ومعادلة النتائج. ينفذ نظام Perplexity ما يشبه عملية مداولة منظمة تحاكي كيفية اتخاذ لجان الخبراء للقرارات.

عندما يقدم المستخدم استعلامًا، يُرسل في وقت واحد إلى Claude Opus 4.6 وGPT-5.2 وGemini 3 Pro. يولد كل نموذج استجابة مستقلة، بما في ذلك سلسلة استدلاله وإشارات الثقة والاستشهادات بالمصادر. تُغذى هذه الاستجابات الثلاث بعد ذلك في مُوحِّد Perplexity المدمج — نظام مبني خصيصًا ومدرب تحديدًا على مهمة التوفيق بين مخرجات الذكاء الاصطناعي المتعددة في تحليل متماسك.

يؤدي المُوحِّد عدة وظائف. أولًا، يحدد نقاط الاتفاق بين النماذج الثلاثة. عندما يتقارب Claude وGPT وGemini جميعًا على نفس الادعاء الواقعي، يعامل المُوحِّد هذا كمعلومة عالية الثقة. ثانيًا، يُعلِّم على الخلافات. عندما تتناقض النماذج مع بعضها، يقيّم المُوحِّد طبيعة الخلاف — هل هو نزاع واقعي، أم مسألة صياغة، أم انعكاس لعدم يقين حقيقي؟ — ويقدم للمستخدم جدول مقارنة منظم يعترف بالخلاف بدلًا من اختيار موقف نموذج واحد بشكل تعسفي.

ثالثًا، يُبرز المُوحِّد رؤى فريدة تظهر في استجابة نموذج واحد فقط، مما يضمن عدم فقدان المنظورات المميزة في عملية التوفيق. رابعًا، يحل النزاعات حيث تتداخل الأدلة، مقدمًا رؤية مُوحَّدة تستفيد من أقوى عناصر كل استجابة. صُمم شكل المخرجات لجعل كل من الإجماع والخلاف مرئيين للمستخدم، بدلًا من إخفاء عدم اليقين خلف إجابة واحدة تبدو واثقة.

لكل نموذج رائد نقاط قوة مميزة. اشتُهر Claude Opus 4.6 بالاستدلال الدقيق والتعامل المُدقَّق مع الأسئلة الغامضة. يتفوق GPT-5.2 في مهام تقنية وإبداعية معينة. يستفيد Gemini 3 Pro من فهرس المعلومات الهائل لـ Google في الاسترجاع الواقعي. يتعلم المُوحِّد ترجيح مساهمة كل نموذج وفقًا للمجال ونوع الاستعلام، موزعًا الثقة ديناميكيًا بناءً على بيانات الأداء التجريبية.

النتيجة هي إجابة أكثر دقة وشفافية من مخرج أي نموذج واحد. تضع Perplexity المكاسب على أنها الأكثر أهمية للمواضيع الغامضة أو المثيرة للجدل حيث تكون النماذج الفردية الأكثر عرضة لإظهار تحيزات منهجية — رغم تأكيد الشركة أنه ينبغي للمستخدمين التحقق من الحقائق الحرجة بشكل مستقل.

ثورة الموثوقية

تكمن الأهمية الأعمق لمجلس النماذج فيما يكشفه عن القيود الجوهرية للذكاء الاصطناعي أحادي النموذج. كل نموذج لغوي كبير، مهما كانت قدراته، لديه تحيزات منهجية ونقاط عمياء وأنماط إخفاق جوهرية ناتجة عن بيانات تدريبه وبنيته وعملية ضبطه الدقيق. ليست هذه عيوبًا يمكن إصلاحها بمزيد من التدريب — إنها سمات هيكلية لأي نظام مدرب على مجموعة بيانات معينة باستخدام منهجية معينة.

عندما يسأل مستخدم نموذجًا واحدًا سؤالًا، يتلقى إجابة تعكس تحيزات ذلك النموذج وقيوده المحددة. ليس لدى المستخدم طريقة لمعرفة ما إذا كانت الإجابة تمثل معرفة حقيقية أو هلوسة واثقة أو تحيزًا منهجيًا في عملية التدريب. هذا الغموض هو التحدي المركزي لنشر الذكاء الاصطناعي في القرارات ذات العواقب.

يعالج إجماع النماذج المتعددة هذا التحدي بنفس الآلية التي تجعل مراجعة الأقران والهيئات القضائية ولجان الخبراء أكثر موثوقية من الآراء الفردية: التحقق المستقل. عندما تتقارب ثلاثة نماذج مدربة على بيانات مختلفة، بواسطة فرق مختلفة، باستخدام منهجيات مختلفة جميعها على نفس الإجابة، فإن احتمال صحة الإجابة أعلى بشكل كبير مما توحي به دقة أي نموذج فردي. وبالعكس، عندما تختلف النماذج، فإن الخلاف بحد ذاته إعلامي — فهو يشير إلى عدم يقين حقيقي ربما غطاه نموذج واحد بثقة زائفة.

لهذا النهج قيمة خاصة لنشر الذكاء الاصطناعي المؤسسي، حيث يمكن أن تكون تكلفة الأخطاء كبيرة. ترددت الشركات في الاعتماد على الذكاء الاصطناعي في القرارات الحرجة تحديدًا لأن موثوقية النموذج الواحد غير كافية. يقدم إجماع النماذج المتعددة مسارًا نحو نوع الموثوقية الذي تتطلبه حالات الاستخدام المؤسسية، دون انتظار أي نموذج واحد لتحقيق دقة تفوق البشر.

رهان رفض الإعلانات

قرار Perplexity بالتخلي عن الإعلانات لا يقل جذرية عن بنيتها متعددة النماذج. في عصر تستمد فيه كل شركة تكنولوجيا كبرى تقريبًا — Google وMeta وAmazon وMicrosoft — إيرادات كبيرة من الإعلانات، تراهن Perplexity مستقبلها على افتراض أن المستخدمين سيدفعون مباشرة مقابل منتج متفوق.

المنطق متسق داخليًا. البحث المدعوم بالإعلانات يعاني من تضارب مصالح موثق جيدًا: العميل الحقيقي لمحرك البحث هو المعلن، لا المستخدم. بالنسبة لمحرك إجابات مدعوم بالذكاء الاصطناعي، هذا التضارب أكثر حدة. لو أدرجت Perplexity إعلانات في الاستجابات المولدة بالذكاء الاصطناعي، لتعرضت سلامة تلك الاستجابات للخطر فورًا. كما شرح أحد مسؤولي Perplexity المبررات، يجب أن يؤمن المستخدم بأنه يتلقى أفضل إجابة ممكنة ليظل مستعدًا للدفع مقابل خدمة متميزة — وحتى مجرد التصور بوجود تأثير للمعلنين سيدمر تلك الثقة.

يدعم الوضع المالي للشركة هذا الرهان. وصلت Perplexity إلى نحو 200 مليون دولار من الإيرادات السنوية المتكررة بحلول أواخر 2025، بنمو يقارب خمسة أضعاف على أساس سنوي. تستهدف الشركة 656 مليون دولار من الإيرادات بنهاية 2026. مع أكثر من 45 مليون مستخدم نشط شهريًا و170 مليون زائر شهري عالمي، فإن قاعدة الاستخدام كبيرة. جمعت Perplexity 1.22 مليار دولار من إجمالي التمويل عبر 10 جولات، آخرها بتقييم 20 مليار دولار.

مجلس النماذج متاح حصريًا لمشتركي Perplexity Max، مع خطط لتوسيعه محتملًا إلى الفئة Pro. الاقتصاديات صعبة: تشغيل ثلاثة نماذج رائدة لكل استعلام يضاعف تقريبًا ثلاث مرات تكلفة الاستدلال مقارنة بنهج النموذج الواحد. يجب على Perplexity فرض أسعار اشتراك عالية بما يكفي لتغطية هذه التكاليف مع البقاء تنافسية مع البدائل المجانية المدعومة بالإعلانات. الحجة المضادة للشركة هي أن فارق الجودة كبير لدرجة أن المستخدمين في السياقات المهنية والأكاديمية والبحثية سيدفعون العلاوة بسرور — وأن هؤلاء المستخدمين يمثلون سوقًا كبيرة ومتنامية.

تداعيات على نشر الذكاء الاصطناعي المؤسسي

لنهج إجماع النماذج المتعددة تداعيات عميقة على كيفية نشر المؤسسات للذكاء الاصطناعي. يهيمن على المشهد الحالي للذكاء الاصطناعي المؤسسي علاقات المزود الواحد: تختار الشركات OpenAI أو Anthropic أو Google كمزود للذكاء الاصطناعي وتبني سير عملها حول نماذج ذلك المزود. يخلق هذا ارتباطًا بالمزود ونقاط فشل وحيدة وتعرضًا لتحيزات أي نموذج معين المنهجية.

تقترح بنيات على غرار مجلس النماذج نهجًا مختلفًا. بدلًا من اختيار مزود ذكاء اصطناعي واحد، يمكن للمؤسسات نشر أنظمة متعددة النماذج تستعلم عدة مزودين في وقت واحد وتُوحِّد مخرجات الإجماع. يقلل هذا الاعتماد على أي مزود واحد، ويحسن الموثوقية عبر التحقق المتبادل، ويوفر تحوطًا طبيعيًا ضد خطر تدهور أي نموذج معين أو عدم توفره.

يكتسب هذا الاتجاه زخمًا بالفعل. تتوقع Gartner أن 40% من تطبيقات المؤسسات ستدمج وكلاء ذكاء اصطناعي بحلول نهاية 2026، ارتفاعًا من أقل من 5% في 2025. ضاعفت Perplexity نفسها من أطروحة النماذج المتعددة بإطلاق Perplexity Computer في 27 فبراير 2026 — بيئة تدمج 19 نموذج ذكاء اصطناعي في مساحة عمل واحدة قادرة على تنفيذ سير عمل معقد بشكل مستقل. تعامل مكدسات الذكاء الاصطناعي المؤسسية في 2026 النماذج الأساسية بشكل متزايد كمكونات قابلة للتبادل، مع أصبح التوجيه متعدد النماذج نمطًا معماريًا قياسيًا.

تختبر منصات خدمة العملاء أنظمة توجه استعلامات الدعم إلى نماذج ذكاء اصطناعي متعددة وتستخدم الإجماع لتحسين جودة الاستجابة. تبني شركات التحليل المالي أنظمة متعددة النماذج لتوحيد الأبحاث، حيث تكون مخاطر المعلومات غير الدقيقة مرتفعة بشكل خاص. ترى شركات التكنولوجيا القانونية في إجماع النماذج المتعددة مسارًا نحو معايير الموثوقية المطلوبة للبحث القانوني المساعد بالذكاء الاصطناعي.

التحديات كبيرة. الأنظمة متعددة النماذج أكثر تكلفة وأكثر تعقيدًا في البناء والصيانة، وتثير أسئلة شائكة حول مشاركة البيانات بين مزودي ذكاء اصطناعي متنافسين. يجب على المؤسسات التعامل مع شروط خدمة عدة شركات ذكاء اصطناعي، وإدارة تداعيات الأمان لإرسال بيانات حساسة إلى واجهات برمجة خارجية متعددة، وبناء بنية التوحيد التحتية لدمج مخرجات متعددة بفعالية.

هيكل سوق الذكاء الاصطناعي الناشئ

يُنير مجلس النماذج واستراتيجية رفض الإعلانات من Perplexity تحولًا أوسع في هيكل سوق الذكاء الاصطناعي. هيمن على المرحلة الأولى من عصر الذكاء الاصطناعي بناة النماذج — OpenAI وAnthropic وGoogle — الذين يتنافسون على القدرات الخام للنماذج. قد تهيمن على المرحلة التالية نوع مختلف من الشركات: مُنسقو الذكاء الاصطناعي الذين يضيفون قيمة ليس ببناء نماذج أفضل بل بدمج وتنظيم وتوحيد مخرجات النماذج القائمة.

في هذا الإطار، تصبح نماذج الذكاء الاصطناعي الرائدة شيئًا أشبه بالمرافق العامة — طبقات بنية تحتية قوية لكن قابلة للتبادل توفر ذكاءً خامًا. يحدث خلق القيمة في طبقة التنسيق: منطق التوجيه الذي يحدد أي نموذج يُستعلم لأي نوع من الأسئلة، وقدرات التوحيد التي تدمج مخرجات متعددة في إجابات متفوقة، وتجربة المستخدم التي تجعل الذكاء متعدد النماذج سهل الوصول وبديهيًا.

سيمثل هذا تحولًا دراماتيكيًا في القوة داخل منظومة الذكاء الاصطناعي. هيمن بناة النماذج على اقتصاديات الصناعة واهتمامها لأنهم يتحكمون في أندر مورد — قدرات الذكاء الاصطناعي الرائدة. لكن إذا استطاع مُنسقو النماذج المتعددة تقديم تجارب مستخدم متفوقة بدمج مخرجات نماذج مُسلَّعة، فقد تنتقل القيمة من بناة النماذج إلى المنسقين، تمامًا كما انتقلت القيمة في منظومة الإنترنت من مزودي البنية التحتية إلى طبقة التطبيقات.

يعتمد تحقق هذه الرؤية على عدة عوامل: ما إذا كان إجماع النماذج المتعددة يحقق تحسينات في الموثوقية كبيرة بما يكفي لتبرير التكلفة الإضافية، وما إذا كان مزودو النماذج سيسمحون بدمج مخرجاتهم من قبل أطراف ثالثة أم سيحاولون حبس المستخدمين، وما إذا كان سوق الاشتراكات لخدمات الذكاء الاصطناعي المتميزة كبيرًا بما يكفي لدعم الشركات التي تتخلى عن الإعلانات. مجلس النماذج من Perplexity هو أكثر اختبار طموح لهذه الأطروحة حتى الآن — وصناعة الذكاء الاصطناعي تراقب عن كثب.

الأسئلة الشائعة

المصادر والقراءات الإضافية

• Introducing Model Council — Perplexity Blog
• What Is Model Council? — Perplexity Help Center
• Perplexity Abandons AI Advertising Strategy Over Trust Worries — MacRumors
• Perplexity Stops Testing Advertising — Search Engine Land
• Perplexity’s New Computer Is Another Bet That Users Need Many AI Models — TechCrunch
• Perplexity Rolls Out Model Council to Compare AI Answers and Improve Trust — Analytics Insight