DeepSeek يغيّر اقتصاد الذكاء الاصطناعي في طاقة السعودية

في 28/01/2025 عند 03:05 م، تطبيق ذكاء اصطناعي صيني اسمه DeepSeek قلب مزاج الأسواق الأمريكية خلال ساعات: سهم إنفيديا هبط 17% في يوم واحد، وخسرت الشركة قرابة 600 مليار دولار من قيمتها السوقية. هذا ليس “خبر تقنية” عابر. هذه إشارة واضحة أن تكلفة بناء وتشغيل نماذج الذكاء الاصطناعي أصبحت ساحة تنافس عالمية… وأن قطاع الطاقة والنفط والغاز في السعودية يملك فرصة حقيقية ليكون من أكبر المستفيدين.

الأكثر لفتاً للنظر أن مطوري DeepSeek قالوا إنهم بنوا نموذجهم بتكلفة تقارب 5.6 مليون دولار، بينما صرّحت تقارير عن إنفاق OpenAI قرابة 5 مليارات دولار في عام واحد. حتى لو اختلف الناس حول دقة الأرقام أو وجود دعم غير مباشر، الرسالة وصلت: يمكن الوصول إلى أداء قوي بتكلفة أقل مما اعتدنا تخيله.

ضمن سلسلة “كيف تُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في المملكة العربية السعودية”، هذا المقال يترجم درس DeepSeek إلى قرارات عملية: كيف تختار شركات الطاقة استراتيجية ذكاء اصطناعي تقلل الإنفاق، وترفع العائد، وتبقى واقعية من حيث الحوكمة والبيانات والأمن.

لماذا قصة DeepSeek تهم شركات النفط والغاز في السعودية؟

الجواب المختصر: لأن الذكاء الاصطناعي لم يعد حكراً على من يملك ميزانية حوسبة هائلة. وهذا يغيّر حسابات العائد على الاستثمار (ROI) في مشاريع التحول الرقمي بقطاع الطاقة.

DeepSeek هزّ افتراضين كانا يهيمنان على السوق:

1. افتراض “لا بد من رأس مال ضخم”: كانت الفكرة السائدة أن الذكاء الاصطناعي المتقدم يعني إنفاقاً ضخماً على شرائح GPU ومراكز بيانات وطاقة كهربائية. ظهور نموذج يدّعي تكلفة منخفضة يعيد فتح النقاش: ما الذي ندفعه فعلاً؟ وما الذي يمكن تخفيضه؟
2. افتراض “من يقود التقنية يقود الاقتصاد”: الهزة في الأسهم لم تكن تقنية فقط؛ كانت نفسية واستراتيجية. عندما يتغير ميزان المنافسة، يتغير أيضاً شكل القرارات الاستثمارية في الصناعات الثقيلة.

بالنسبة للسعودية، حيث تُدار مشاريع الطاقة بعقلية الكفاءة التشغيلية وخفض التكاليف والسلامة، درس DeepSeek مهم جداً: بدل انتظار “مشروع ذكاء اصطناعي عملاق”، يمكن البدء بنماذج أصغر، أكثر تخصصاً، وأسرع في تحقيق أثر ملموس.

اقتصاد الذكاء الاصطناعي الجديد: ليست القوة فقط… بل تكلفة كل إجابة

القاعدة العملية اليوم: لا تقيس قيمة النموذج بجودته فقط، بل بتكلفة إنتاج كل مخرَج (Cost per Answer / Cost per Insight).

1) ما الذي تغيّر فعلياً؟

DeepSeek أعاد تسليط الضوء على ثلاث نقاط:

• تحسين الكفاءة: كثير من التقدم في الذكاء الاصطناعي لم يعد مرتبطاً فقط بتضخيم النموذج، بل بتحسين التدريب، واختيار البيانات، وأساليب التقطير (distillation)، وإعادة استخدام نماذج مفتوحة المصدر.
• الاعتماد على البرمجيات مفتوحة المصدر: عندما تبنى حلولك على منظومة مفتوحة، تقل تكلفة البدء وتزيد سرعة التجريب.
• الحوسبة ليست كل شيء: نعم، شرائح GPU مهمة، لكن إدارة البيانات، والهندسة، والحوكمة، واختيار حالات الاستخدام هي ما يحدد النجاح.

2) لماذا انعكس ذلك حتى على أسهم الطاقة؟

في نفس يوم الهزة، تراجعت أيضاً أسهم في قطاع الطاقة. السبب منطقي: لو صار الذكاء الاصطناعي “أرخص”، قد تقل المخاوف من أن الطلب على الكهرباء سيقفز بشكل هائل بسبب مراكز البيانات. وهذا يعيد ترتيب رهانات المستثمرين على الطاقة والبنية التحتية.

وشركات النفط والغاز في السعودية يمكنها استغلال هذا التحول بطريقة ذكية: خفض فاتورة الذكاء الاصطناعي مع الحفاظ على أعلى معايير الأمن والموثوقية.

أين تحديداً يربح قطاع الطاقة السعودي من الذكاء الاصطناعي منخفض التكلفة؟

الجواب العملي: في الحالات التي تتكرر يومياً وتستهلك وقتاً وخبرة—وهنا يصبح “الذكاء الاصطناعي الأرخص” ذا أثر مالي مباشر.

1) الصيانة التنبؤية وتقليل التوقفات غير المخططة

الهدف هنا بسيط: توقع الأعطال قبل وقوعها في المضخات، الضواغط، التوربينات، وأنظمة الرفع الاصطناعي.

• نماذج تعلم آلي خفيفة يمكن تدريبها على بيانات الاهتزاز والحرارة والضغط.
• لا تحتاج دائماً إلى نموذج لغوي ضخم؛ تحتاج إلى نموذج تنبؤ مضبوط، ولوحة مراقبة جيدة.

مؤشر أثر سريع: تقليل ساعات التوقف غير المخطط حتى بنسبة صغيرة يترجم لملايين الريالات في المواقع عالية الإنتاج.

2) تحسين الإنتاج (Production Optimization) على مستوى الحقل

بدلاً من مشروع “ذكاء اصطناعي شامل”، ابدأ بمشكلات دقيقة:

• تحسين معدلات الحقن في المكامن
• ضبط خنق الآبار (Choke Optimization)
• تقليل استهلاك الطاقة في الرفع والمعالجة

المنهجية الأقل تكلفة هنا: نماذج مختلطة تجمع قواعد هندسية + تعلم آلي، لأن الهندسة في النفط والغاز ليست “نصوصاً” فقط؛ هي فيزياء وتشغيل.

3) السلامة والالتزام: من التقارير إلى الوقاية

أكثر ما يعجبني في هذه الحالة أنها واضحة العائد:

• تلخيص تقارير السلامة اليومية تلقائياً
• تصنيف الحوادث القريبة من الوقوع (Near Miss)
• اقتراح إجراءات تصحيحية بناءً على أرشيف الشركة

هنا يمكن للذكاء الاصطناعي التوليدي أن يعمل كـ مساعد معرفة داخلي مع قيود صارمة على البيانات.

4) سلسلة الإمداد والمشتريات: خفض التكلفة دون مخاطر

شركات الطاقة تنفق كثيراً على قطع الغيار والخدمات. نماذج أقل تكلفة يمكنها:

• التنبؤ بنقص المواد قبل حدوثه
• تحسين مستويات المخزون
• اكتشاف التكرار في طلبات الشراء
• مقارنة عروض الموردين حسب معايير تشغيلية (وليس السعر فقط)

نقطة حساسة: يجب إدخال الضوابط القانونية والامتثال في سير العمل، وليس بعد انتهاء التحليل.

كيف تبني شركة طاقة سعودية استراتيجية “ذكاء اصطناعي اقتصادي”؟

الجواب: عبر قرارات تصميم تقلل التكلفة من البداية، بدل محاولة “قص” المصروف بعد فوات الأوان.

1) ابدأ بما يُسمّى Small Models, Big Impact

لا تربط النجاح بنموذج واحد ضخم. الأفضل غالباً:

• نموذج صغير للتصنيف
• نموذج للتنبؤ
• نموذج لغوي للتلخيص والبحث
• طبقة ربط بالأنظمة التشغيلية (SCADA/ERP/CMMS)

هذا النهج يقلل التكلفة ويُسهّل الحوكمة، لأنه يوضح “من يفعل ماذا”.

2) اجعل البيانات هي المشروع الحقيقي

أغلب ميزانيات الذكاء الاصطناعي تُستنزف في:

• تنظيف البيانات
• توحيد التعاريف (Asset IDs، فئات الأعطال، رموز المواد)
• بناء كتالوج بيانات وحوكمة

إذا لم تُحل هذه الأمور، ستدفع أكثر على التشغيل، حتى لو كان النموذج نفسه “رخيصاً”.

3) اختر نموذج التشغيل المناسب: سحابة؟ داخل الشركة؟ هجين؟

في النفط والغاز، الإجابة غالباً هجين:

• بيانات حساسة وتشغيلية داخل الشركة
• تجارب وتدريب أولي على بيئات محكومة
• نشر على الحافة (Edge) لبعض الحالات في المواقع البعيدة لتقليل التأخير

الهدف هو تقليل تكلفة الحوسبة مع احترام متطلبات الأمن السيبراني.

4) حاسب “تكلفة كل قرار” لا “تكلفة النموذج”

سؤال الإدارة المالية لن يكون: كم تكلفة النموذج؟ بل:

• كم تكلفة تشغيله شهرياً؟
• كم يوفّر من وقت المهندسين؟
• كم يقلل من التوقفات؟
• ما تكلفة الخطأ؟ وكيف نخفضها بإجراءات تحقق (Human-in-the-loop)؟

جملة تصلح للاقتباس: الذكاء الاصطناعي في الطاقة لا يُشترى كمنتج؛ يُدار كنظام تشغيل لقرارات يومية.

أسئلة شائعة داخل الشركات: “هل نحتاج مركز بيانات ضخم؟ وهل نثق بالأرقام؟”

الجواب الواقعي: ليس دائماً، ولا يجب أن نبني قرارنا على رقم واحد.

هل يمكن فعلاً بناء نماذج قوية بتكلفة قليلة؟

نعم، عندما:

• تستخدم نماذج مفتوحة المصدر وتخصصها لبياناتك
• تقلل حجم النموذج إلى ما يكفي لحالتك
• تركز على جودة البيانات أكثر من حجمها

لكن، في المقابل، قد ترتفع التكاليف في جوانب أخرى مثل الأمن، الحوكمة، والتكامل مع الأنظمة. هذا طبيعي ومطلوب.

هل ننسخ تجربة DeepSeek حرفياً؟

لا. الدرس ليس “الصين فعلت كذا” بل: التنافس العالمي يجعل التقنية أرخص وأسرع انتشاراً. والشركات الذكية هي التي تستغل الانخفاض في التكلفة لتجربة أكثر، وتُحسن بسرعة، وتُثبت العائد.

ما أكبر خطأ أراه يتكرر؟

ربط مشروع الذكاء الاصطناعي بـ“عرض تقديمي جميل” ثم الانطلاق مباشرة إلى منصة ضخمة قبل تحديد:

• حالة استخدام واحدة ذات أثر مالي واضح
• صاحب قرار واحد (Business Owner)
• مقياس نجاح واحد (KPI)
• خطة تشغيل وصيانة للنموذج (MLOps)

خطوة عملية خلال 30 يوماً: خطة تجريب ذكية لشركات الطاقة

إذا كنت في شركة نفط وغاز أو كهرباء أو بتروكيماويات داخل السعودية، هذه خطة سريعة لاختبار “الذكاء الاصطناعي الاقتصادي” دون مغامرة:

1. اختر حالة استخدام واحدة: مثلاً تلخيص تقارير الصيانة اليومية أو تصنيف أسباب الأعطال.
2. حدد رقمين فقط للنجاح: وقت إنجاز التقرير، ودقة التصنيف مقارنة بخبير.
3. جهّز بيانات 90 يوماً: لا تنتظر بيانات مثالية.
4. ابنِ نموذجاً بسيطاً أولاً: ثم حسّنه تدريجياً.
5. ضع بوابة حوكمة: من يراجع المخرجات؟ أين تُحفظ؟ من يملك حق الوصول؟

هذه الخطوات لا تُبهرك، لكنها تبني ثقة داخلية بسرعة—وهذا ما يفتح الميزانية لاحقاً.

ما الذي يعنيه كل ذلك لمستقبل الطاقة في السعودية؟

الرسالة واضحة: انخفاض تكلفة الذكاء الاصطناعي يسرّع تبنّيه في التشغيل اليومي—من الحقول والمصافي إلى المكاتب وإدارة المشتريات. وهذا يخدم أهداف الكفاءة والاستدامة ورفع الاعتمادية التشغيلية.

ضمن موضوعنا “كيف تُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في المملكة العربية السعودية”، قصة DeepSeek ليست مجرد منافسة بين أمريكا والصين. هي ضغط إيجابي على السوق يجعل الأدوات أقرب للجميع—والفائز هو من يطبق بسرعة وبحكمة.

إذا كانت لديك مبادرة ذكاء اصطناعي متعثرة بسبب التكلفة، فالسؤال الذي يستحق أن تطرحه الآن: هل المشكلة في حجم النموذج… أم في اختيار الحالة والبيانات وطريقة التشغيل؟