سباق نماذج الذكاء الاصطناعي: ما الذي يهم طاقة السعودية؟

قبل أقل من عام، أظهرت أرقام مؤشّر Stanford AI Vibrancy فجوة لا تُجادَل: الصين والولايات المتحدة استحوذتا على الحصة الأكبر من براءات اختراع الذكاء الاصطناعي بين 2010 و2022 (نحو 60% للصين و20% لأمريكا)، بينما حصلت الهند على أقل من 0.5%. هذا الرقم ليس مجرد منافسة تقنية… هو إشارة مبكرة لمن سيتحكم في سلاسل القيمة، ومن سيتحول إلى مستهلكٍ دائم للتقنية.

هنا تحديدًا تصبح المقارنة مفيدة لقطاع الطاقة والنفط والغاز في المملكة العربية السعودية. لأن السؤال الحقيقي ليس: “هل نملك نموذجًا لغويًا ضخمًا؟” بل: هل نملك سيادةً تشغيلية في الأصول الحرجة، وقراراتٍ أسرع، ومخاطر أقل، وتكلفة أدنى—مع امتلاك البيانات والحوكمة والقدرة الحاسوبية اللازمة؟

سأستخدم قصة الهند كما ظهرت في التقرير كمرايا—لا للتشبه أو النقد—بل لاستخلاص ما الذي يصنع الفارق، وكيف يمكن لشركات الطاقة السعودية أن تبني مسارًا عمليًا يجمع بين النتائج السريعة والاستقلالية التقنية على المدى الطويل.

لماذا لا تكفي “حماسة الذكاء الاصطناعي” وحدها؟

الإجابة المباشرة: لأن الذكاء الاصطناعي لا يعيش على الخطابات والاستثمارات وحدها؛ هو يعيش على بيانات قابلة للاستخدام، وقدرة حوسبة، ورأس مال صبور، وبيئة بحث وتطوير.

التقرير يوضح كيف تمتلك الهند “مكوّنات نجاح” واضحة: سوق ضخم، مواهب تقنية، واستثمارات من شركات كبرى (تعهدات بمليارات الدولارات للبنية السحابية والـAI)، وقرابة 200 شركة ناشئة تعمل على الذكاء الاصطناعي التوليدي. ومع ذلك، التحدي يظهر في التفاصيل:

• فجوة براءات الاختراع: مؤشر على ضعف إنتاج المعرفة محليًا، لا استهلاكها.
• نقص رأس المال طويل الأجل: تطوير نماذج تأسيسية يحتاج إنفاقًا مستمرًا لا يتوقف عند نسخة أولى.
• نقص مجموعات بيانات عالية الجودة (وخاصة متعددة اللغات).
• هجرة المواهب عندما لا تتوفر مختبرات بحثية قوية ومشاريع عميقة.

في الطاقة، هذه الدروس أوضح: كثير من المؤسسات تشتري أدوات ذكاء اصطناعي، ثم تكتشف أن بيانات الصيانة مبعثرة، وقراءات الحساسات غير مُعايرة، وحقوق الوصول غير منضبطة… فتتعطل “النتائج” قبل أن تتعطل الخوارزميات.

جملة تستحق أن تُعلّق على جدار أي برنامج تحول: الذكاء الاصطناعي لا يُنقذك من الفوضى التشغيلية؛ هو يكشفها بسرعة.

ما الذي يميّز نهج السعودية في الطاقة؟ (التطبيق قبل “الاستعراض”)

الإجابة المباشرة: لأن القيمة في النفط والغاز تأتي من تحسين قرارات التشغيل اليوم، لا من الفوز بمسابقة نماذج عامة.

ضمن سلسلة “كيف تُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في المملكة العربية السعودية”، لاحظت أن أنجح البرامج تبدأ من أسئلة بسيطة لكنها مؤثرة:

• كيف نقلل التوقف غير المخطط للمعدات الدوّارة؟
• كيف نرفع اعتمادية الإنتاج مع الحفاظ على السلامة؟
• كيف نُحسّن استهلاك الطاقة في الضواغط والأفران ووحدات المعالجة؟
• كيف نمنع تسربات أو حوادث قبل وقوعها؟

هذه الأسئلة لا تحتاج نموذجًا لغويًا بحجم الإنترنت. تحتاج مزيجًا من:

1. نماذج تنبؤية للأعطال (Predictive Maintenance)
2. تحسينات تشغيلية (Optimization)
3. رؤية حاسوبية للسلامة والفحص
4. ذكاء توليدي لتسريع العمل المعرفي (التقارير، الإجراءات، الدعم الفني)

مثال عملي 1: الصيانة التنبؤية للأصول الحرجة

الإجابة المباشرة: أفضل نقطة بداية هي المعدات التي “إذا توقفت… توقف معها الربح”.

ابدأ بأصول مثل المضخات، الضواغط، التوربينات، ومعدّات الرفع في المنصات. البيانات غالبًا موجودة (اهتزاز، حرارة، ضغط، تيار كهربائي)، لكن المشكلة عادة في الجودة والتجميع.

خطة تطبيق سريعة خلال 90 يومًا:

• توحيد مصادر بيانات SCADA/DCS مع سجلات الصيانة CMMS.
• بناء نموذج إنذار مبكر يربط نمط الاهتزاز بدرجات حرارة المحمل.
• وضع عتبات تشغيل واضحة: إنذار/تحذير/إيقاف آمن.
• قياس أثر مباشر: ساعات توقف أقل، قطع غيار أقل، سلامة أعلى.

مثال عملي 2: الرؤية الحاسوبية للسلامة والامتثال

الإجابة المباشرة: الرؤية الحاسوبية تعطي “عينًا إضافية” لا تتعب.

في المواقع الصناعية، يمكن استخدام كاميرات موجودة أصلًا (مع ضوابط الخصوصية) لرصد:

• ارتداء معدات الوقاية الشخصية
• تجاوز مناطق محظورة
• اقتراب خطير من معدات متحركة

هنا الذكاء الاصطناعي ليس للزينة. هو لتقليل حوادث قابلة للمنع، وتسريع الاستجابة، وتحسين ثقافة السلامة.

مثال عملي 3: الذكاء التوليدي داخل غرف التحكم—ولكن بحدود

الإجابة المباشرة: الذكاء التوليدي مفيد حين يُقيّد بسياق الشركة وبياناتها.

بدل “شات بوت عام”، الأفضل هو مساعد تشغيلي داخلي مبني على وثائق الشركة:

• إجراءات التشغيل القياسية
• دروس مستفادة من الحوادث
• مواصفات المعدات
• تقارير التفتيش

ويعمل عبر أسلوب RAG (استرجاع + توليد) حتى يظل مرتبطًا بالمراجع الداخلية ويقلل الهلوسة. في بيئة نفط وغاز، هذا فرق بين أداة مساعدة… وخطر تشغيلي.

الدرس الأكبر من الهند: السيادة التقنية ليست شعارًا

الإجابة المباشرة: الدولة أو الشركة التي لا تملك الحد الأدنى من “السيادة التقنية” ستدفع ضريبة دائمة: تكلفة أعلى، قيود تصدير، مخاطر تعطل التوريد، وقيود امتثال.

التقرير يذكر نقطتين حسّاستين: الاعتماد على الاستيراد ومخاطر العقوبات/القيود، والحاجة إلى حوسبة (وسلاسل توريد شرائح) لتشغيل النماذج.

بالنسبة للسعودية، ترجمة ذلك في قطاع الطاقة تعني بناء طبقات سيادة واقعية:

• سيادة بيانات: أين تُخزّن بيانات الحقول؟ من يملك مفاتيح التشفير؟ ما سياسة الاحتفاظ؟
• سيادة نماذج: هل النماذج التشغيلية الحرجة قابلة للتشغيل محليًا (On-Prem) أو في سحابة سيادية؟
• سيادة تكامل: هل لدينا واجهات بيانات موحدة (APIs) أم كل أصل “جزيرة”؟
• سيادة مواهب: هل يوجد مركز تميّز (CoE) يملك المعرفة ولا يعتمد على مزود واحد؟

رأيي: شراء التقنية أسهل بكثير من “امتلاكها”. وقطاع النفط والغاز لا يتحمل حلولًا لا نعرف كيف تعمل أو لماذا تخطئ.

خارطة طريق 6 أشهر لشركات النفط والغاز السعودية (نتائج + تأسيس)

الإجابة المباشرة: امشِ بمسارين في نفس الوقت—مسار نتائج سريعة، ومسار تأسيس طويل العمر.

1) اختر 3 حالات استخدام فقط (لكن قوية)

لا تبدأ بـ15 مشروعًا صغيرًا. ابدأ بثلاثة لها أثر مالي/سلامة واضح:

• الصيانة التنبؤية لمجموعة معدات حرجة
• تحسين استهلاك الطاقة في وحدة محددة
• مساعد معرفي داخلي لفرق التشغيل والصيانة

2) جهّز “طبقة بيانات” صناعية قبل الخوارزمية

• قاموس بيانات موحّد للأصول (Asset Taxonomy)
• تنظيف ومعايرة بيانات الحساسات
• ربط زمن الأحداث بين التشغيل والصيانة

3) ابنِ حوكمة نماذج (Model Governance)

في النفط والغاز، السؤال ليس “هل النموذج ذكي؟” بل:

• هل يمكن تفسير قراره؟
• هل لديه حدود استخدام واضحة؟
• من يوقع على نشره في الإنتاج؟

ضع سياسة تشمل:

• مراجعة السلامة قبل النشر
• اختبارات انحراف البيانات (Data Drift)
• سجل نسخ للنماذج

4) استثمر في رأس مال “صبور” داخل المؤسسة

التقرير يلمّح إلى مشكلة نقص رأس المال طويل الأجل. داخل الشركات، هذا يظهر كالتالي: مشروع ذكاء اصطناعي يُطلب منه عائد خلال 8 أسابيع، ثم يُدفن.

الحل العملي:

• ميزانية تشغيلية متكررة لفرق البيانات (وليست ميزانية مشروع لمرة واحدة)
• مسار وظيفي واضح لمهندسي البيانات وعلماء البيانات
• شراكات بحثية تطبيقية مع الجامعات ومراكز الأبحاث

أسئلة شائعة يسمعها قادة الطاقة عند تبني الذكاء الاصطناعي

هل نحتاج نموذجًا لغويًا تأسيسيًا سعوديًا لقطاع الطاقة؟

الإجابة المباشرة: نحتاج نماذج متخصصة وطبقة سيادة، أكثر من حاجتنا لنموذج عام ينافس الجميع.

النموذج العام مفيد، لكن القيمة التشغيلية غالبًا تأتي من نماذج مُدرّبة/مكيّفة على بيانات صناعية محلية، ضمن ضوابط صارمة.

ماذا نفعل إذا كانت بياناتنا “غير جاهزة”؟

الإجابة المباشرة: ابدأ بمشروع يموّل تنظيف البيانات بدل أن ينتظرها.

اختر أصلًا واحدًا، وطبّق منهجية Data Quality قصيرة: تعريف، تنظيف، اختبار، ثم توسيع.

كيف نقيس العائد؟

الإجابة المباشرة: قِس على مؤشرات تشغيل لا على “دقة النموذج” فقط.

أمثلة عملية:

• ساعات توقف أقل شهريًا
• خفض حوادث السلامة القابلة للمنع
• تقليل استهلاك الطاقة لكل برميل مكافئ
• تقليل زمن إصدار التقارير الفنية

أين يقف قطاع الطاقة السعودي في السباق العالمي؟

الإجابة المباشرة: المنافسة ليست على “من يطلق نموذجًا أكبر”، بل على “من يشغّل الأصول بأعلى موثوقية وأقل انبعاثات وتكلفة”.

قصة الهند تبيّن أن امتلاك المواهب وحده لا يكفي إن لم تُبنَ منظومة بحث وبيانات وحوسبة ورأس مال طويل الأمد. وفي المقابل، قطاع الطاقة السعودي لديه ميزة نادرة: حالات استخدام واضحة، وأصول كثيفة البيانات، واستعداد مؤسسي للتحول. هذا المزيج يجعل الذكاء الاصطناعي عمليًا، وليس مشروع عرض.

إذا كنت تقود مبادرة ذكاء اصطناعي في النفط والغاز، فاسأل نفسك سؤالًا واحدًا: هل ما نبنيه اليوم سيظل يعمل بثقة بعد 12 شهرًا… أم أنه مجرد تجربة جميلة في عرض شرائح؟

إن رغبت، يمكنني مساعدتك في تحويل هذه الأفكار إلى خطة تنفيذ لحالات استخدام محددة (الصيانة التنبؤية، السلامة، تحسين الطاقة) مع مؤشرات نجاح واضحة خلال 6 أشهر.