الذكاء الاصطناعي المغلق مقابل مفتوح المصدر: لماذا المستقبل للنماذج المفتوحة؟

لسنوات، كان النقاش حول الذكاء الاصطناعي المفتوح مقابل المغلق يُحسم بجملة واحدة: النماذج المغلقة أفضل، فإذا أردت الأفضل فادفع مقابل واجهة برمجية من الحدود الأمامية. هذه الجملة لم تعد صحيحة في 2026. الفجوة في القدرات تضيّقت إلى أشهر قليلة، والتكلفة انخفضت إلى عُشر أو أقل، والسؤال لم يعد «أيهما أذكى؟» بل «كم من التحكم تحتاج؟».

هذا الدليل يقدم حجة منهجية بأن المستقبل — على المدى المتوسط والطويل — يميل لصالح النماذج المفتوحة، ليس لأنها «أفضل أخلاقيًا» فقط، بل لأن اقتصادياتها وتوجهات المؤسسات والبنية التحتية العالمية تدفع في هذا الاتجاه. لكنه لا يتجاهل الاعتراضات المشروعة: الأمان، والجودة في المهام القصوى، والحاجة إلى الدعم المؤسسي. الحجة هنا ليست أن النماذج المغلقة ستنتهي، بل أن الافتراضي سيتغير.

نظرة سريعة: خريطة المعركة في 2026

الجدول التالي يلخص المؤشرات الرئيسية التي تحدد ميزان القوى بين النماذج المفتوحة والمغلقة:

ما الذي نعنيه بـ«مفتوح»؟ توضيح ضروري

الخلط بين «مفتوح المصدر» (open source) و«مفتوح الأوزان» (open weight) يفسد كثيرًا من النقاش. النموذج مفتوح الأوزان هو نموذج يمكنك تنزيل أوزانه المدربة وتشغيله بنفسك، غالبًا برخصة مثل MIT أو Apache 2.0. لكن بيانات التدريب وكود التدريب الكامل قد تبقى خاصة، فلا يمكنك إعادة إنتاجه من الصفر.

لأغراض المؤسسات، هذا التمييز نادرًا ما يهم. ما يهم هو أنك تستطيع تشغيل النموذج على بنيتك التحتية، والتحكم في بياناتك، وعدم الارتباط بواجهة برمجية لمورّد واحد. وهذا هو جوهر اللعبة.

النماذج المفتوحة الأوزان الرائدة في 2026 تشمل DeepSeek (رخصة MIT)، وQwen من علي بابا (Apache 2.0)، وKimi K3 من Moonshot، وGLM من Z.ai، وLlama 4 من Meta (برخصة مجتمعية بحد 700 مليون مستخدم شهري)، وMistral (Apache 2.0). في المقابل، النماذج المغلقة تشمل GPT-6 Astra من OpenAI، وClaude Fable 5 من Anthropic، وGemini من Google.

الفجوة انهارت: من 0.5% إلى 4.4 أشهر

في أغسطس 2024، كانت الفجوة بين أفضل نموذج مغلق وأفضل نموذج مفتوح 0.5% فقط على بعض المؤشرات. ثم اتسعت مؤقتًا، ثم انهارت مرة أخرى. في سبتمبر 2026، قدّرت Mozilla أن الفجوة تعادل 4.4 أشهر من البحث والتطوير: أي أن النموذج المفتوح يحتاج أقل من خمسة أشهر ليلحق بمستوى النموذج المغلق اليوم.

على مؤشر Epoch AI المركب (الذي يجمع الاستدلال والبرمجة والمعرفة العامة)، حصل Kimi K3 المفتوح على 157 نقطة، مقابل 162 لنموذج Fable 5 المغلق. الفارق خمس نقاط فقط، وهو فارق يُقدَّر بأربعة أشهر من التطوير. والأهم أن الفجوة تُقاس بـالوقت لا بالمسافة: النموذج المفتوح يلحق بالنموذج المغلق خلال أشهر، ثم يلحق النموذج المغلق بجيل جديد، وهكذا.

لكن هناك تحفظ مهم. مؤشر «الأفق الزمني» من METR — أي طول المهمة المعقدة التي يستطيع الوكيل إنجازها باستقلالية بنسبة نجاح 50% — يُظهر أن النموذج المغلق يتعامل مع مهام أطول بحوالي 1.74 مرة من النموذج المفتوح. إذا كان النموذج المفتوح ينجز مهمة سبع ساعات، فالمغلق ينجز مهمة 12 ساعة. هذا فرق حقيقي، لكنه يضيق بوتيرة سريعة.

المهم أن هذه الفجوة لم تعد تعني أن المفتوح «غير صالح للعمل». في المهام المؤسسية الواسعة — التصنيف، والاستخراج، والتوجيه، والتلخيص، والبرمجة القياسية — النماذج المفتوحة أصبحت «جيدة بما يكفي»، وهذا يعيد ترتيب الأولويات.

ثورة التكلفة: 90% من الأداء بعُشر الثمن

هذا هو العامل الأكثر حسماً، والأقل إثارة للجدل. في 2026، تستطيع النماذج المفتوحة أداء حوالي 90% من مهام النموذج الأكثر تقدمًا، وبتكلفة بنية تحتية أقل بكثير.

الأرقام صريحة: DeepSeek V4.1-Flash حقق 98% من نتيجة أفضل نموذج مغلق على معيار تصميم خارجي، وبتكلفة 1.4% فقط. وKimi K3 يتخلف بثلاث نقاط عن Fable 5، لكنه يُكلّف 30% من سعره. وLlama 4 Maverick يتفوق على GPT-4o في معايير رئيسية بتكلفة 0.30 دولار لكل مليون رمز. وDeepSeek R1 يقدم استدلالًا بمستوى GPT-4 بتكلفة 0.55 دولار لكل مليون رمز إدخال، أي أرخص بـ27 مرة من Claude Opus.

هذا الفارق ليس هامشيًا. المؤسسة التي تدفع أربعة أضعاف مقابل تحسين بنسبة 10% في الأداء تحتاج إلى تبرير اقتصادي قوي. ومعظم الشركات لن تدفع. القرار لم يعد تقنيًا، بل اقتصاديًا.

تحول المؤسسات: من «الولاء للمورد» إلى «محفظة نماذج»

في 2024، كانت المؤسسة تختار نموذجًا مغلقًا واحدًا وتلتزم به. في 2026، الصورة مختلفة. الرؤساء التنفيذيون في IBM وSAP وMeta يتحدثون عن محفظة نماذج: بعضها مغلق للمهام الحرجة، ومعظمها مفتوح للمهام اليومية.

أرفيند كريشنا، الرئيس التنفيذي لـIBM، لخص المنطق: في 2024 لم تكن المؤسسة لتقبل نموذجًا رخيصًا أقل قدرة بنسبة 70%. لكن الفجوة أُغلقت في 2025. في 2026، النماذج المفتوحة تنجز حوالي 90% من عمل النموذج الأكثر تقدمًا، وبتكلفة تتراوح بين 10% و25% من تكلفة الرموز في النموذج المغلق. «هل تريد شيئًا بتكلفة 10% إذا كان بجودة 90%؟ أم تريد أن تدفع عشرة أضعاف؟».

هذا لا يعني اختفاء النماذج المغلقة. إنها تحتفظ بقيمتها في العمل الاحترافي المتخصص، والاسترجاع المكثف، والسياق الطويل. لكنها لم تعد الافتراضي لكل شيء. شركة مثل DoorDash تستخدم Kimi للعمل الروتيني، وتحتفظ بـFable للمهام الصعبة التي كانت ستستهلك وقت خبراء بشريين.

على مستوى حركة المرور الفعلية، بلغت حصة النماذج المفتوحة في Vercel AI Gateway 36% من حجم الرموز في يوليو 2026، ارتفاعًا من 11% في أبريل. لكن حصتها من الإنفاق كانت 8.6% فقط، وهذا يوضح المفارقة: النماذج المفتوحة تُستخدم كثيرًا لأنها رخيصة، لكنها لا تحقق إيرادات للبائعين. القيمة تنتقل من بائع النموذج إلى من يبنيه ويشغله.

السيادة الرقمية والتحكم في البيانات

بالنسبة للحكومات والمؤسسات في القطاعات الحساسة — الصحة، والدفاع، والمالية — لم يعد السؤال «أي نموذج أذكى؟» بل «أين تعمل بياناتي؟». النموذج المغلق يعني أن كل استعلام يمر عبر خوادم مورّد خارجي، وأن السياسات والبيانات قد تخضع لولاية قضائية أخرى.

النموذج المفتوح الأوزان يغير المعادلة: يمكن تشغيله داخل مركز بيانات المؤسسة، أو على حافة الشبكة، دون أن تغادر البيانات الحدود. في دراسة عن نماذج الروبوتات في المستشفيات، وُجد أن خصوصية المرضى وشبكات المستشفيات غير الموثوقة وسلامة التحقق تفضّل جميعها نماذج على الجهاز يمكن للمستشفى أو المورّد فحصها، وهو ما تسمح به الأوزان المفتوحة.

هذا البعد يفسر لماذا تبنت دول عديدة استراتيجيات «ذكاء اصطناعي سيادي» تعتمد على النماذج المفتوحة. منظمة التعاون الاقتصادي والتنمية (OECD) ربطت صراحة بين انفتاح الذكاء الاصطناعي والسيادة التكنولوجية والاستقلال الاستراتيجي، لأن النشر المحلي يسمح بالاحتفاظ بالتحكم في البيانات الحساسة وتقليل الاعتماد على موردين خارجيين.

محرك الابتكار: لماذا المفتوح يسرّع الجميع؟

الحجة الاقتصادية لا تتوقف عند التكلفة المباشرة. النماذج المفتوحة تغير بنية الابتكار نفسها. عندما تكون الأوزان متاحة، يستطيع أي فريق صغير أن يبني عليها، ويخصصها، ويختبر أفكارًا لا تستطيع الشركات الكبرى تبرير تكلفتها.

هذا ليس تخمينًا. بيانات منظمة التعاون الاقتصادي والتنمية وجدت علاقة إيجابية ذات دلالة إحصائية بين نشاط الذكاء الاصطناعي مفتوح المصدر — مقيسًا بمساهمات GitHub — والنمو الاقتصادي في 33 دولة. كما أن المنظمة تشير إلى أن الانفتاح ينقل خلق القيمة إلى الطبقات الوسيطة والدنيا من مكدس الذكاء الاصطناعي، حيث تستطيع الشركات الناشئة والمؤسسات الصغيرة والمتوسطة تكييف الأنظمة لاحتياجاتها المحلية.

ديناميكية «أفق الوقت» تكشف شيئًا مهمًا: أفق النماذج المفتوحة يتضاعف كل 3.9 أشهر، بينما أفق النماذج المغلقة يتضاعف كل 5.5 أشهر. أي أن النماذج المفتوحة لا تلحق فقط، بل تتقدم بمعدل أسرع. هذا يعني أن الفجوة ستستمر في التقلص، لا في الاتساع.

الاعتراضات المشروعة: الأمان والجودة والدعم

لا يمكن بناء حجة جدية دون مواجهة الاعتراضات. ثلاثة منها تستحق النظر:

1. الأمان وسوء الاستخدام

النماذج المفتوحة يمكن تنزيلها واستخدامها دون رقابة. هذا يثير مخاوف حقيقية حول الاستخدام الضار. لكن الحجة المقابلة قوية: البرمجيات مفتوحة المصدر مثل Linux تُعتبر غالبًا أكثر أمانًا لأن ثغراتها تُفحص وتُرقّع من مجتمع واسع. الشفافية تسمح بالتدقيق، والتدقيق يسمح بالاكتشاف المبكر.

2. الجودة في المهام القصوى

النموذج المغلق لا يزال متفوقًا في أصعب مهام الاستدلال، والمهام الطويلة، والاسترجاع المكثف. هذا صحيح، لكنه يعني أن النموذج المغلق أصبح أداة متخصصة، لا الافتراضي. المؤسسة العاقلة تستخدم المفتوح للجزء الأكبر من العمل، والمغلق للجزء الحرج.

3. الدعم والمساءلة

المؤسسات تدفع للنموذج المغلق مقابل «حزمة الامتثال والدعم والمساءلة»، وليس فقط مقابل النموذج. كثير من المؤسسات تفتقر إلى الكوادر لتشغيل النماذج المفتوحة بشكل جيد. هذا اعتراض عملي، لكنه يتراجع مع نضوج أدوات النشر المُدار مثل Ollama وvLLM والمنصات السحابية التي تدعم النماذج المفتوحة.

البعد الجيوسياسي: الصين والولايات المتحدة وأوروبا

المعركة ليست تقنية فقط. استراتيجيات الأطراف مختلفة جذريًا:

• المختبرات الأمريكية المغلقة (OpenAI، Anthropic، Google): تحقيق الدخل عبر الواجهات البرمجية، وبناء الخنادق، والدفاع عن الهوامش.
• Meta (Llama): أوزان مفتوحة دفاعيًا للحفاظ على المواهب ومنع سيطرة Apple/Google/Microsoft على النظام البيئي.
• المختبرات الصينية المفتوحة (Qwen، DeepSeek، GLM، MiniMax): استراتيجية تسليع متعمدة. بإتاحة نماذج بجودة الحدود الأمامية مجانًا برخص متسامحة، تضمن أن الافتراضي العالمي — ما يصل إليه المطورون أولًا، وما يُخصص لتطبيقات القطاعات — صيني.

النتائج بدأت تظهر: بحلول أواخر 2025، تجاوزت النماذج الصينية مفتوحة الأوزان نظيرتها الأمريكية في تنزيلات Hugging Face (17% مقابل 15.8%)، وهي المرة الأولى التي تتفوق فيها الصين في أي مقياس مفتوح. وفي شريحة النماذج التي تتجاوز مليار معامل، كانت Meta في الصدارة بنسبة 23.2%، لكن علي بابا وصلت إلى 20%، والمسار كان لصالحها.

أوروبا تحاول اللحاق عبر مبادرات مثل Euro-Office في البرمجيات المكتبية، وتوجهات مماثلة في الذكاء الاصطناعي. القانون الأوروبي للذكاء الاصطناعي (EU AI Act) يستثني صراحة النماذج المنشورة برخصة حرة ومفتوحة من بعض الالتزامات، مما يعطي دفعة تنظيمية للنماذج المفتوحة.

التراخيص: الفرق بين «مفتوح» و«مفتوح حقًا»

ليس كل نموذج «مفتوح» متساويًا في الانفتاح. التراخيص تتراوح بين المتسامح تمامًا والمقيد:

التراخيص المتسامحة (MIT وApache 2.0) هي التي تدفع التبني الأوسع، لأنها لا تفرض قيودًا على الاستخدام التجاري أو التعديل. النماذج الصينية الرائدة تتبنى هذه التراخيص، وهذا جزء من استراتيجية التسليع.

كيف تختار بين المفتوح والمغلق في 2026؟

القرار لم يعد «أيهما أفضل» بل «أي مزيج يناسب حالة الاستخدام». هذه أربعة أسئلة عملية:

• هل بياناتك حساسة أو خاضعة لتنظيم؟ إذا كان الجواب نعم، فالنموذج المفتوح المشغّل محليًا هو الخيار الافتراضي.
• هل تحتاج إلى أعلى أداء في مهام استدلال معقدة وطويلة؟ هنا قد يبرر النموذج المغلق تكلفته، لكن اختبر أولًا ما إذا كان النموذج المفتوح «جيدًا بما يكفي».
• ما حجم استخدامك اليومي؟ كلما زاد الحجم، زادت العائدات من التكلفة المنخفضة للنموذج المفتوح.
• هل لديك فريق تقني قادر على التشغيل والصيانة؟ إذا لم يكن لديك، فالنموذج المغلق المُدار قد يكون أسهل، لكن هذا الفارق يضيق مع نضوج الأدوات.

القاعدة العملية في 2026: ابدأ بالمفتوح كافتراضي، واحتفظ بالمغلق للمهام الحرجة. هذا هو النمط الذي تتبعه المؤسسات الرائدة، وهو النمط الذي يفسر لماذا تستمر حصة النماذج المفتوحة في النمو.

قائمة تحقق نهائية

• هل تحتاج أعلى أداء في المهام القصوى؟ ← احتفظ بنموذج مغلق للمهام الحرجة فقط
• هل بياناتك حساسة؟ ← شغّل نموذجًا مفتوحًا على بنيتك التحتية
• هل تريد تقليل التكلفة؟ ← ابدأ بنموذج مفتوح مثل DeepSeek أو Qwen
• هل تحتاج توافقًا مع رخصة متسامحة؟ ← تحقق من MIT أو Apache 2.0
• هل تريد تجنب الارتباط بمورّد واحد؟ ← اعتمد محفظة نماذج لا نموذجًا واحدًا
• هل تفتقر إلى فريق تشغيل؟ ← ابدأ بمنصة مُدارة تدعم النماذج المفتوحة
• هل تتابع التطورات؟ ← الفجوة 4.4 أشهر وتتقلص بمعدل أسرع في المفتوح

روابط وأدوات مفيدة

فيما يلي روابط رسمية لمنصات النماذج المفتوحة، وأدوات التشغيل والتقييم التي تساعدك على تجربة ما ورد في المقال بنفسك:

منصات النماذج المفتوحة

• Hugging Face — أكبر مستودع للأوزان المفتوحة والبيانات
• OpenRouter — واجهة موحدة لمقارنة النماذج المفتوحة والمغلقة

أدوات التشغيل المحلي

• Ollama — تشغيل النماذج المفتوحة محليًا بأمر واحد
• vLLM — خادم استدلال عالي الإنتاجية للنماذج المفتوحة

أوزان النماذج المذكورة في المقال

• Llama — أوزان ونماذج Meta الرسمية
• DeepSeek — الموقع الرسمي وواجهة API
• Qwen — نماذج علي بابا المفتوحة
• Kimi — منصة Moonshot AI و K3
• GLM / Z.ai — توثيق النماذج المفتوحة
• Mistral AI — الموقع الرسمي

أدوات التقييم والمقارنة

• lm-evaluation-harness — إطار EleutherAI لتقييم النماذج
• HELM — تقييم شامل من Stanford CRFM

أسئلة شائعة

هل النماذج المفتوحة «مجانية» فعلًا؟

الأوزان مجانية، لكن التشغيل ليس كذلك. تحتاج إلى عتاد (GPU) أو بنية سحابية، وكهرباء، وصيانة. ومع ذلك، في الأحجام الكبيرة، غالبًا ما تكون التكلفة الإجمالية أقل بكثير من دفع واجهة برمجية مغلقة.

هل يمكنني استخدام نموذج مفتوح في منتج تجاري؟

يعتمد على الترخيص. MIT وApache 2.0 يسمحان بذلك بلا قيود تقريبًا. رخصة Llama Community تسمح بالاستخدام التجاري مع حد 700 مليون مستخدم شهري. راجع الترخيص قبل الاعتماد التجاري.

هل النماذج المفتوحة أقل أمانًا؟

ليست أقل أمانًا بطبيعتها. الشفافية تسمح بالتدقيق والاكتشاف المبكر للثغرات. لكنها تتيح أيضًا سوء الاستخدام، وهذا تحدٍ تنظيمي أكثر منه تقنيًا.

لماذا تتفوق النماذج الصينية في التنزيلات؟

لأنها تُطلق بتراخيص متسامحة جدًا، وبجودة تقترب من الحدود الأمامية، وبتكلفة منخفضة. هذا جزء من استراتيجية تسليع متعمدة تجعل النموذج الصيني هو الافتراضي العالمي.

هل ستنتهي النماذج المغلقة؟

لا. ستحتفظ بقيمتها في المهام الحرجة والاسترجاع المكثف والسياق الطويل. لكنها لن تبقى الافتراضي لكل شيء. المستقبل هو محفظة نماذج، المفتوح فيها هو الأساس.