الصين تواجه نقصًا في البيانات الصينية لتدريب الذكاء الاصطناعي: الجدار الجديد وليس الشرائح

**تواجه الصين عنق زجاجة جديد في سباق الذكاء الاصطناعي: نقص بيانات التدريب باللغة الصينية. بينما تهيمن الشرائح على النقاش، يحذر الخبراء من أن 1.3% فقط من المحتوى على الويب باللغة الصينية قد يعيق تطوير نماذج الذكاء الاصطناعي في البلاد.

• تمثل الصينية 1.3% فقط من المحتوى العالمي على الويب مقارنة بـ 49% للإنجليزية.
• تخطط بكين لإنشاء مجموعات بيانات وطنية معتمدة بحلول عام 2028 لتعزيز الذكاء الاصطناعي.
• تحظر دور النشر مثل هوشيا استخدام محتوياتها لتدريب الذكاء الاصطناعي.

سباق الصين في الذكاء الاصطناعي لديه حد جديد لا يعتمد على أشباه الموصلات. بينما تركز الرقابة الأمريكية على تصدير الشرائح المتقدمة، تعاني البلاد من نقص في بيانات التدريب عالية الجودة باللغة الصينية. قد يكون هذا النقص مقيدًا بنفس القدر، وعلى عكس الأجهزة، لا توجد حل تقني بسيط.

وفقًا لمتعقب الإنترنت W3Techs، تمثل الصينية 1.3% فقط من المحتوى العالمي على الويب. في المقابل، تهيمن الإنجليزية على ما يقرب من نصف المحتوى، بينما تصل الإسبانية إلى 6% واليابانية إلى 5%. يؤثر هذا الاختلال بشكل مباشر على قدرة الصين على تطوير نماذج لغوية متقدمة.

الجدار العالمي للبيانات

نقص البيانات ليس حصريًا للصين، لكن العملاق الآسيوي يعاني منه بشدة. تقدر Epoch AI أن الإمداد العالمي من النصوص العامة عالية الجودة قد ينفد تمامًا خلال ست سنوات. وقد حذر المؤسس المشارك لـ OpenAI، أندريه كارباثي، من "جدار البيانات" الذي قد يضرب في نهاية هذه العقدة.

يدفع المطورون الصينيون بالفعل أكثر مقابل كل رمز مفيد مقارنة بنظرائهم الغربيين. السبب بسيط: يجب أن تعمل نماذجهم مع مواد أقل في لغتهم الأصلية، مما يزيد من تكلفة التدريب. الفجوة واضحة في أداء النماذج الصينية مقارنة بالنماذج الأمريكية في المهام المعقدة.

تزداد المشكلة سوءًا لأن النظام الرقمي في الصين مغلق. منصات مثل WeChat وDouyin لا تشارك البيانات مع المطورين الخارجيين، مما يترك مختبرات الذكاء الاصطناعي مع مصادر ذات جودة أقل. على عكس الغرب، حيث يوجد وصول أكبر إلى البيانات العامة من وسائل التواصل الاجتماعي والمنتديات، تواجه الصين حواجز داخلية.

لقد أدت هذه الحالة إلى اعتبار الخبراء أن نقص البيانات خطير مثل القيود المفروضة على الشرائح. لا توجد حل للأجهزة يمكن أن يحل نقص النصوص باللغة الصينية. المشكلة هي هيكلية وتتطلب استراتيجيات طويلة الأجل.

رد الحكومة الصينية

تتعامل بكين بالفعل مع البيانات كالبنية التحتية الاستراتيجية. في يونيو، قدمت الإدارة الوطنية للبيانات خطة وطنية لبناء مجموعات بيانات تدريب الذكاء الاصطناعي المعتمدة بحلول عام 2028. ستغطي هذه المجموعات قطاعات مثل التصنيع والطاقة والصحة والمالية والزراعة والقيادة الذاتية والذكاء الاصطناعي المتكامل.

قال يو شياو هوي، رئيس الأكاديمية الصينية لتكنولوجيا المعلومات والاتصالات، المرتبطة بالدولة، إن "المنافسة في عصر الذكاء الاصطناعي ليست فقط من أجل النماذج وقوة الحوسبة، ولكن أيضًا من أجل أنظمة إمداد البيانات عالية الجودة". تعكس هذه الرؤية وعيًا رسميًا حول خطورة المشكلة.

حث عالم الحاسوب في جامعة تسينغhua، صن ماوسونغ، السلطات على رقمنة السجلات التاريخية والمخطوطات القديمة والأدب العلمي واللهجات الإقليمية. يمكن أن توسع هذه المصادر، التي لم يتم استغلالها حتى الآن، بشكل كبير من مجموعة البيانات المتاحة لتدريب نماذج الذكاء الاصطناعي.

ومع ذلك، فإن رقمنة المواد التاريخية هي عملية مكلفة وبطيئة. ليست جميع المحتويات متاحة بصيغة رقمية، ويتطلب العديد منها معالجة خاصة. على الرغم من الجهود الحكومية، ستظل الفجوة مع الإنجليزية ضخمة على المدى القصير.

عائق آخر هو مقاومة القطاع التحريري. على سبيل المثال، أضافت دار النشر هوكشيا مؤخرًا تحذيرًا إلى ترجمة جديدة: "يحظر استخدام محتوى هذا الكتاب لتدريب الذكاء الاصطناعي. سيتحمل المخالفون المسؤولية القانونية". هذه الخطوة، التي تكررت من قبل ناشرين آخرين، تقلل من المصادر المتاحة.

الميزة الأمريكية وحالة مشروع بنما

في الولايات المتحدة، الوضع مختلف تمامًا. أطلقت شركة أنثروبيك، التي أنشأت كلود، مشروع بنما، الذي اشترى ودمر ملايين الكتب المادية لمسحها واستخدامها كبيانات تدريب. تتناقض هذه الاستراتيجية العدوانية مع النقص الذي تواجهه الصين.

توضح المقارنة كيف أصبح الوصول إلى البيانات ميزة تنافسية رئيسية. بينما تمتلك الولايات المتحدة مجموعة ضخمة من المحتوى باللغة الإنجليزية، تمتلك الصين فقط 1.3% من المحتوى على الويب بلغتها. هذه الفجوة تترجم إلى نماذج أكثر قوة وتدريبًا في الغرب.

البيانات واضحة: تمثل اللغة الإنجليزية 49% من المحتوى على الويب، مقابل 1.3% للصينية. لمعادلة كمية البيانات باللغة الإنجليزية، تحتاج الصين إلى مضاعفة وجودها الرقمي بنحو 40 مرة. إنها مهمة ضخمة لن تتحقق بين عشية وضحاها.

يشير الخبراء إلى أنه بالإضافة إلى الكمية، فإن جودة المحتوى أمر حاسم. النصوص المتاحة باللغة الصينية على الإنترنت غالبًا ما تكون أقل تنوعًا وأقل جودة مقارنة باللغة الإنجليزية. يؤثر ذلك على أداء النماذج في مهام التفكير والفهم وتوليد النصوص.

كما أن نقص البيانات له تداعيات اقتصادية. يجب على المطورين الصينيين استثمار المزيد من الموارد في تنظيف البيانات وتنظيمها، مما يزيد من تكلفة العملية. بدوره، يحد نقص البيانات من القدرة على الابتكار في مجالات ناشئة مثل الذكاء الاصطناعي المطبق في الطب أو الهندسة.

تأثير على مستقبل الذكاء الاصطناعي في الصين

لا يؤثر نقص البيانات باللغة الصينية فقط على مختبرات الذكاء الاصطناعي، بل يؤثر أيضًا على تنافسية البلاد على الساحة العالمية. إذا لم تتمكن الصين من تجاوز هذه العقبة، ستظل نماذجها متخلفة عن نظيراتها الأمريكية في المهام المعقدة. قد يعيق ذلك اعتماد الذكاء الاصطناعي في القطاعات الحيوية للاقتصاد.

يدرك الحكومة الصينية التحدي، ولهذا بدأت في تنفيذ خطط لبناء قواعد بيانات وطنية. ومع ذلك، ستستغرق الحلول سنوات لتتحقق. في هذه الأثناء، تبحث الشركات الصينية عن بدائل مثل توليد البيانات الاصطناعية أو شراء شركات تمتلك مجموعات نصية كبيرة.

هناك طريق آخر هو تطوير نماذج متعددة اللغات تستفيد من البيانات بلغات أخرى. لكن التركيز على اللغة الصينية أمر أساسي للتطبيقات المحلية، حيث تكون دقة اللغة حاسمة. سيظل نقص البيانات المحددة باللغة الصينية عقبة أمام تخصيص وتكييف النماذج.

تؤكد الأخبار، التي أبلغت عنها The Next Web، على نقطة غالبًا ما يتم تجاهلها: الذكاء الاصطناعي لا يعتمد فقط على الخوارزميات وقوة الحوسبة، بل يعتمد أيضًا على البيانات. وعندما تكون البيانات نادرة، حتى القوى التكنولوجية تتعثر. تتعلم الصين هذا بالطريقة الأصعب.

في الختام، يعد نقص بيانات التدريب باللغة الصينية مشكلة هيكلية ليس لها حل سريع. على عكس الشرائح، التي يمكن تصنيعها بالاستثمار والوقت، تعتبر البيانات موردًا محدودًا وصعب الإنشاء. تواجه الصين في سعيها نحو السيادة في الذكاء الاصطناعي جدارًا لا يمكن هدمه بالمصانع أو المراسيم.

يُقدَّم هذا المحتوى لأغراض معلوماتية عامة فقط، ولا يُشكل مشورة مالية أو استثمارية أو قانونية أو ضريبية. ولا ينبغي اعتبار أي فعاليات أو مكافآت أو عروض ترويجية عبر الإنترنت أو أي معلومات ذات صلة واردة فيه توصيةً أو طلبًا أو دعوةً لشراء الأصول المشفرة أو بيعها أو تداولها أو إجراء أي معاملات أخرى عليها. تتميز الأصول المشفرة بتقلبات سعرية مرتفعة وقد تؤدي إلى خسائر. وقد يختلف مدى توفر خدمات WEEX ومنتجاتها والفعاليات المرتبطة بها حسب المنطقة. وتقع على عاتقك مسؤولية التأكد من أن مشاركتك تتوافق مع القوانين واللوائح المحلية المعمول بها.