تتضح الفجوة بين الولايات المتحدة والصين في قطاع الذكاء الاصطناعي بجلاء عند مقارنة الإيرادات السنوية المتكررة لشركاتهما الرئيسية. ووفقاً لتقديرات Rhodium Group التي نقلتها Quartz، تعمل Anthropic بمعدل ARR يبلغ نحو 65 مليار دولار، فيما تصل OpenAI إلى 40 مليار دولار. ولا تزال الشركات الصينية بعيدة جداً: إذ تقترب ByteDance من 4 مليارات دولار؛ وAlibaba من 2.4 مليار دولار؛ وZ.AI من 1.8 مليار دولار؛ وMoonshot من مليار دولار؛ وMiniMax من 800 مليون دولار، وDeepSeek من نحو 500 مليون دولار.
تتطلب المقارنة توضيحاً مهماً. فمؤشر ARR، وهو اختصار لـannual recurring revenue أو الإيرادات السنوية المتكررة، لا يعادل الإيرادات المسجلة عند إغلاق السنة المالية. إنه تقدير يستند إلى الوتيرة الأخيرة للإيرادات، وهو مفيد لقياس الزخم التجاري للشركات التي تنمو بسرعة كبيرة، لكن لا ينبغي الخلط بينه وبين الحسابات السنوية المدققة.
حتى مع هذا التحفظ، تظل الفجوة واسعة. إذ تحقق كبرى الشركات الصينية التي شملها التحليل مجتمعةً جزءاً بسيطاً من الإيرادات المنسوبة إلى OpenAI، وأقل من ذلك بكثير مقارنةً بـAnthropic. ولذلك، قد يبدو أن الولايات المتحدة حققت تقدماً يصعب على الصين تقليصه في مجال الذكاء الاصطناعي.
لكن هذا الاستنتاج لا يروي سوى جزء من القصة.
تنجح الصين في توسيع استخدام نماذجها خارج حدودها بشكل متزايد. ويعتمد جانب كبير من هذا التقدم على استراتيجية تجعل، في الوقت نفسه، من الصعب تحقيق إيرادات مباشرة كبيرة من كل مستخدم: نماذج منخفضة التكلفة، مفتوحة الأوزان، وسهلة التكييف.
استخدام أكبر، إيرادات أقل
خلال عام 2025، تجاوزت النماذج التي طورتها الشركات والمؤسسات الصينية ملياري عملية تنزيل على Hugging Face، إحدى أبرز المنصات الدولية للنماذج المفتوحة. وشكلت 41% من الإجمالي، مقابل 31% للمطورين الأمريكيين.
وسجلت Qwen، وهي عائلة النماذج التابعة لـAlibaba، وحدها أكثر من 1.4 مليار عملية تنزيل، فيما وصل DeepSeek إلى 484 مليوناً. وتختلف الصورة كثيراً عما تظهره أرقام الإيرادات: فالشركات الأمريكية تهيمن على خدمات الذكاء الاصطناعي المدفوعة، لكن النماذج الصينية اكتسبت مكانة مهمة بين المطورين والشركات والمجتمعات التقنية حول العالم.
ويكمن الفارق، إلى حد كبير، في نموذج الأعمال.
بنت الشركات الأمريكية الكبرى جانباً كبيراً من نشاطها حول أنظمة مملوكة. وتصل إليها الشركات والأفراد عبر الاشتراكات أو التطبيقات أو واجهات API؛ بينما يحتفظ المزود بالسيطرة على البنية التحتية ويتقاضى رسوماً مقابل استخدام الخدمة.
أما المطورون الصينيون، فقد دفعوا باتجاه نماذج open-weight. إذ يمكن تنزيل معلماتها وتشغيلها على البنية التحتية الخاصة بالمستخدم وتكييفها مع احتياجات محددة. ولا يتعلق الأمر دائماً ببرمجيات مفتوحة بالكامل بالمعنى الدقيق، إذ قد تفرض التراخيص شروطاً للاستخدام، لكنها توفر مرونة أكبر بكثير من النماذج المغلقة.
وبالنسبة إلى الشركات، فإن هذا الفارق ليس بسيطاً. إذ يمكنها تشغيل النموذج على خوادمها الخاصة، والحفاظ على قدر أكبر من التحكم في المعلومات الحساسة، وتكييفه مع عملياتها الداخلية، وتقليل اعتمادها على مزود خارجي. وفي بعض التطبيقات، يمكنها أيضاً خفض تكلفة استخدام الذكاء الاصطناعي بصورة ملحوظة.
السعر كحجة
تشير Rhodium Group إلى أن بعض الشركات تخصص النماذج الأمريكية الأكثر تقدماً للمهام شديدة التعقيد —مثل الاستدلال، والتحليل الدقيق، والبرمجة المتقدمة، أو إنتاج المحتوى عالي القيمة— وتستخدم بدائل مفتوحة وأكثر اقتصادية للأعمال الروتينية أو واسعة النطاق.
لا تتطلب جميع المهام أقوى نموذج متاح. فتصنيف الوثائق، وتلخيص التقارير، واستخراج المعلومات، وأتمتة الردود الداخلية، ومعالجة كميات كبيرة من النصوص، أو إنشاء تعليمات برمجية متكررة، يمكن إنجازها بأنظمة أقل تكلفة إذا كان مستوى الجودة كافياً.
يكمن المفتاح في توزيع الطلبات بحسب درجة تعقيدها. إذ يمكن للشركة استخدام نموذج متقدم للأعمال التي تتطلب أعلى درجات الدقة، واللجوء إلى نموذج أقل تكلفة للعمليات المتكررة. وفي بعض الحالات، يمكن أن يخفض هذا المزيج تكلفة الاستدلال بما يصل إلى 90%، رغم أن التوفير النهائي يعتمد على نوع المهمة وحجم الاستخدام والبنية التحتية والنظام المختار.
ويظهر Coinbase في التحليل كأحد أوضح الأمثلة. فقد تمكنت الشركة من خفض إنفاقها الداخلي على الذكاء الاصطناعي إلى النصف تقريباً، مع زيادة كبيرة في استخدام مطوريها لـtokens. ومن بين التدابير التي اتخذتها اعتماد نماذج صينية أقل تكلفة بصورة افتراضية، مثل GLM من Zhipu AI، وKimi من Moonshot، للأعمال التي لا تبرر اللجوء إلى نماذج أعلى كلفة.
حدود النماذج المفتوحة
لل ميزة التنافسية الصينية جانب مقابل. فالنموذج الذي يستطيع أي شخص تنزيله وتشغيله بنفسه أصعب من حيث تحقيق الدخل منه مقارنةً بخدمة مملوكة يتعين الاتصال بها في كل مرة تُستخدم فيها.
يمكن للشركات فرض رسوم على الخدمات السحابية، والدعم التقني، وإصدارات المؤسسات، وأدوات التطوير، أو التراخيص التجارية. لكنها تحصل على إيرادات أقل عندما يكون لدى شريحة كبيرة من المستخدمين نماذج قابلة للتنزيل ويمكنهم تشغيلها على بنيتهم التحتية الخاصة.
يحاول بعض المطورين الصينيين معالجة هذا الضعف عبر تراخيص أكثر تقييداً أو خدمات مدفوعة. لكن تحقيق التوازن ليس سهلاً: فتشديد الشروط قد يحسن الإيرادات، إلا أنه قد يقلل أيضاً من جاذبية النماذج التي انتشرت تحديداً بسبب انخفاض تكلفتها وسهولة تكييفها.
وتكتسب المشكلة أهمية لأن تطوير الجيل التالي من الذكاء الاصطناعي يتطلب استثمارات هائلة. فتدريب نماذج جديدة يحتاج إلى مراكز بيانات، وكهرباء، ومعالجات متقدمة، وكفاءات تقنية، وقدرة مالية يصعب الحفاظ عليها من دون إيرادات متنامية أو دعم عام وخاص.
حاجز الرقائق
تواجه الصين أيضاً القيود الأمريكية على تصدير أشباه الموصلات المتقدمة. وتحد هذه الإجراءات من وصول المختبرات الصينية إلى القدرة الحاسوبية اللازمة لتدريب النماذج واسعة النطاق وتشغيلها.
وقد أقرت شركات مثل Alibaba وZhipu بهذا العيب. وفي الوقت نفسه، تحاول شركات تصنيع مثل Huawei تطوير بدائل محلية وتوسيع القدرة الإنتاجية للرقائق وأنظمة الحوسبة. ولا يقتصر التحدي على تصنيع المعالجات فحسب، بل يتطلب أيضاً البرمجيات والشبكات والطاقة والقدرة على التكامل وتوافر إمدادات كافية لتلبية احتياجات كبار المطورين.
المعركة لا تنتهي عند النموذج
يطرح تحليل Rhodium مسألة تتجاوز الإيرادات الفورية. إذ إن تحقيق استخدام واسع النطاق لنموذج ما يمكن أن يحمل قيمة استراتيجية أيضاً، حتى لو لم يحقق المطور إيرادات كبيرة من كل عملية تثبيت.
إذا بنت شركات من دول مختلفة تطبيقات ومنتجات وعمليات داخلية على عائلة محددة من النماذج، تبدأ تلك التكنولوجيا في أن تصبح جزءاً من بنيتها التحتية الرقمية. فعلى سبيل المثال، أصبحت Qwen قاعدة مهمة للنماذج المشتقة: إذ أحصت Hugging Face عشرات الآلاف من المتغيرات المرتبطة بعائلة Alibaba.
وتتمتع الصين أيضاً بمكانة صناعية قوية في مجالات يمكن أن تتقاطع مع الذكاء الاصطناعي: الاتصالات والإلكترونيات وb
