صناعة الذكاء الاصطناعي تعاني من مشكلة في الفيزياء — وهي تكلّف تجار التجزئة 890 مليار دولار

عرضت عليّ إحدى العلامات التجارية للأزياء العام الماضي أداتها الجديدة للتجربة الافتراضية بالذكاء الاصطناعي. كانوا فخورين بها — وبصراحة، بدت مذهلة. كان بإمكان المستخدم رفع صورة ذاتية، واختيار فستان، فيصيّر الذكاء الاصطناعي صورة رائعة له وهو يرتديه. كانت الإضاءة ناعمة، والقماش ينسدل بجمال، والمقاس مثاليًا.

كانت تلك هي المشكلة. كان المقاس دائمًا مثاليًا.

طلبت منهم أن يجرّبوا شيئًا: رفع صورة لشخص من مقاس 12 بوضوح واختيار فستان مقاس 6. لم يُظهر الذكاء الاصطناعي السحّاب وهو يشتدّ. لم يُظهر القماش وهو يُشدّ عند الحواشي. لقد شوّه الفستان ليغطي الجسم على نحو مثالي — أو الأسوأ، شوّه الجسم بمهارة ليناسب الفستان. كانت مرآة وهمية، لا غرفة قياس. وكل عميل اشترى بناءً على ذلك الوهم كان سيُعيد المنتج.

بلور ذلك العرض التوضيحي شيئًا كنت أصارعه منذ أشهر في VeriPrajna. لا تعاني صناعة الذكاء الاصطناعي من مشكلة في الذكاء. بل تعاني من مشكلة في الفيزياء. تُحسّن النماذج التوليدية من أجل تماسك البكسل — من أجل جعل الصور تبدو صحيحة. لكن في العالم الحقيقي، للقماش قوة شدّ. وللموجات الصوتية أصحاب حقوق نشر. و"صحيح في معظمه" ليس نموذج عمل حين تنزف هوامش أرباحك بسبب المرتجعات أو تواجه دعوى قضائية من Universal Music Group.

هذه هي قصة سبب تخلّينا عن النهج السائد في الذكاء الاصطناعي للمؤسسات وبنائنا شيئًا مختلفًا جوهريًا.

مرآة الوهم بقيمة 890 مليار دولار

إليك رقمًا حريٌّ بأن يفقد كل مدير تنفيذي في التجارة الإلكترونية نومه: بلغ إجمالي مرتجعات المستهلكين في تجارة التجزئة ما يُقدَّر بـ 890 مليار دولار في 2024، وفقًا للاتحاد الوطني لتجارة التجزئة. ليس مليونًا. بل مليارًا. والملابس هي أسوأ المخالفين — إذ تتجاوز معدلات إرجاع الملابس عبر الإنترنت باستمرار 25-30%، مع بلوغ بعض فئات الأزياء الراقية 50% خلال مواسم الذروة.

السبب الجذري ليس معقدًا. لا يستطيع الناس معرفة ما إذا كانت الملابس ستناسبهم من صورة. فـ"المقاس غير الصحيح وسوء المقاس واللون" تمثّل 55% من جميع المرتجعات. وقد أفرز هذا الغموض سلوكًا استهلاكيًا يُسمى "التقويس" — شراء ثلاثة مقاسات من القميص نفسه، وتجربتها في المنزل، وإرجاع اثنين. في 2024، 51% من مستهلكي الجيل Z اعترفوا بفعل ذلك. لقد حوّلوا غرف نومهم إلى غرف قياس وخدمة البريد إلى سير ناقل للمرتجعات.

تُكلّف معالجة عملية إرجاع واحدة تجار التجزئة ما متوسطه 27% من سعر شراء المنتج. الشحن والفحص والتنظيف وإعادة التغليف — كل ذلك من أجل منتج قد ينتهي به الأمر مخفَّض السعر على أي حال. إنه محرقة للهوامش.

لا تعاني صناعة الأزياء من مشكلة في التحويل. بل تعاني من مشكلة في الحقيقة. فالذكاء الاصطناعي الذي يجامل بدلًا من أن يُعلِم إنما يُسرّع دورة المرتجعات فحسب.

لذا لجأت الصناعة إلى التكنولوجيا. أدوات تجربة افتراضية مدعومة بالذكاء الاصطناعي التوليدي — الشبكات التوليدية التنافسية (GANs)، ونماذج الانتشار، والترسانة بأكملها. وهذه الأدوات بارعة في أمر واحد: تحقيق المبيعات. فهي تُحسّن من أجل معدلات النقر والتحويلات الأولية. إنها تبيع الحلم.

لكنها ببساطة لا تستطيع تقديم الواقع.

لماذا يُهلوس الذكاء الاصطناعي التوليدي بشأن المقاس؟

أتذكّر اللحظة الدقيقة التي توقّف فيها فريقي عن الإيمان بالتجربة الافتراضية التوليدية. كنا نُقيّم أداء نظام قائم على نموذج انتشار — أحد الأنظمة جيدة التمويل — مقابل عيّنات ملابس فعلية. كان لدينا سترة جينز، خام وقاسية، من نوع القماش الذي لا يمتدّ عمليًا على الإطلاق. أدخلنا إلى النظام صورة مستخدم وصورة السترة.

صيّر الذكاء الاصطناعي نتيجة جميلة. كانت السترة تناسب بشكل مثالي. على جسم لم يكن ليتمكن، في الواقع المادي، من إدخال ذراعه اليسرى في الكمّ.

نظر شريكي المؤسس إلى الشاشة وقال: "إنه لا يُجرّب السترة. إنه يُعالج السترة بالفوتوشوب." وهذا صحيح تمامًا. فدالة الهدف لنموذج الانتشار هي تماسك البكسل — جعل صورة المخرجات تبدو معقولة إحصائيًا بالنظر إلى بيانات تدريبه. ليس لديه أي مفهوم عن صلابة الشدّ. لا يعرف أن الجينز الخام لن يمتدّ. لا يعرف أي شيء عن القماش على الإطلاق.

وهذا يخلق ثلاثة إخفاقات متتالية:

هلوسة المقاس. يُشوّه النموذج القطعة لتغطية الجسم، أو يُشوّه الجسم ليناسب القطعة. في كلتا الحالتين، يرى العميل كذبة. وقد كان تحليل الصناعة صريحًا في هذا الشأن: "تفتقر التجارب الافتراضية إلى الدقة في العالم الحقيقي، وتتجاهل سلوك القماش، ويمكن أن تُضلّل العملاء بشأن كيفية ملاءمة القطعة وإحساسها حقًا."

تدهور الملمس. تُعاني شبكات GAN من انهيار النمط — إذ تتحوّل التفاصيل الدقيقة مثل الدانتيل أو التطريز أو النسج المعقّد إلى أنماط عامة ضبابية. وتخترع نماذج الانتشار أحيانًا تفاصيل غير موجودة على المنتج الفعلي. والآن يتفاجأ العميل بكل من المقاس و المظهر.

تأثير الدمية الورقية. تلصق معظم الأنظمة ثنائية الأبعاد صورة مسطّحة للملابس فوق المستخدم. لا إدراك للعمق. لا فهم لكيفية انسدال القماش فوق منحنى الورك أو تجمّعه عند الخصر. وبالنسبة لأي شيء فضفاض أو انسيابي — حيث يكون الانسدال هو الأسلوب نفسه — تكون النتيجة عديمة الفائدة.

كنا ننظر إلى تقنية تزيد المبيعات وتزيد المرتجعات بقدر متساوٍ تقريبًا. الأثر الصافي على الهامش: ضئيل، وربما سلبي. عندها عرفت أننا بحاجة إلى بنية مختلفة تمامًا.

محاكاة الفستان بدلًا من تخيّله

لم يكن الاختراق شبكة عصبية أفضل. بل كان قرارًا بمعاملة التجربة الافتراضية باعتبارها مشكلة هندسة ميكانيكية بدلًا من مشكلة توليد صور.

في VeriPrajna، بنينا ما أُسمّيه "النواة الحتمية، الحافة الاحتمالية" بنية معمارية. النواة — الجزء الذي يحدد ما إذا كانت القطعة تناسب — هي محرك لمحاكاة الفيزياء، مشابه لما يستخدمه مصممو الأزياء المحترفون في أدوات مثل CLO3D أو Marvelous Designer. نحن لا ندرّب شبكة عصبية على صور الملابس. بل نستوعب أنماط CAD الفعلية للقطع ونمنحها الخصائص الفيزيائية لأقمشتها الواقعية.

هذا أهمّ مما قد يبدو. لكل قماش خصائص ميكانيكية قابلة للقياس: صلابة الانحناء (هل ينسدل كالحرير أم يبقى صلبًا كالجينز؟)، وصلابة القصّ (كيف يتصرّف على الانحراف القُطري؟)، وصلابة الشدّ (كم يمتدّ تحت الشدّ؟)، والتخميد الداخلي (كيف يستقرّ على الجسم؟)، ونسبة الانبعاج (كيف يتكوّم ويتجمّع؟). تُعايِر محاكاتنا في مقابل كل هذه الخصائص.

والنتيجة هي أنه عندما يجرّب جسم بمقاس 12 فستانًا بمقاس 6 في نظامنا، تُظهر المحاكاة تمامًا ما سيحدث في غرفة قياس فعلية. تظهر خطوط الإجهاد. ونمط الحرف "X" عند الخصر الذي يتعرّف عليه أي خيّاط. ويعجز القماش عن الإغلاق بشكل واضح. إنها ليست مُجامِلة. إنها صادقة.

استبدلنا مرآة الوهم بمحرك فيزيائي. إذا كانت القطعة لا تناسب، فإن المحاكاة تُريك ذلك — خطوط إجهاد، وشدّ، وقماش لا ينغلق. تبيّن أن الصدق أفضل للأعمال من المجاملة.

كتبت عن البنية التقنية الكاملة — خط أنابيب التصيير القائم على الفيزياء (PBR)، ومعاملات محاكاة القماش، والتركيب بالتصيير التفاضلي — في النسخة التفاعلية من بحثنا. لكن الرؤية الجوهرية بسيطة: لا يستطيع المحرك الفيزيائي أن يُهلوس. إنه يحسب. والحساب، على عكس التوليد، حتمي.

الجزء الأصعب لم يكن الفيزياء

إليك ما لم أتوقّعه: كانت محاكاة الفيزياء هي الجزء السهل. أما المشكلة الصعبة حقًا فكانت جعل النتيجة تبدو حقيقية بما يكفي ليثق بها العملاء.

محاكاة فيزيائية دقيقة تمامًا مُصيَّرة بإضاءة سيئة تبدو كأصل من لعبة فيديو مُلصق على صورة. ينظر إليها العملاء نظرة واحدة ويستبعدونها. لقد حللنا مشكلة الدقة وخلقنا مشكلة في المصداقية.

هنا أعدنا إدخال الذكاء الاصطناعي — لا لتوليد القطعة، بل لحل تحدي الإضاءة والدمج. نستخدم التصيير القائم على الفيزياء (PBR) لنمذجة كيفية تفاعل الضوء مع أسطح القماش باستخدام صِيَغ دقيقة فيزيائيًا. البياض (Albedo) للّون الأساسي، وخرائط الخشونة لكيفية تشتّت الضوء (القطن مقابل الساتان)، وخرائط الانعكاس (normal maps) لملمس السطح المجهري مثل نسيج التْوِيل.

لكن السحر الحقيقي يكمن فيما يحدث عندما تضع تلك القطعة ثلاثية الأبعاد داخل صورة العميل ثنائية الأبعاد. إذا لم تطابق الإضاءة على الفستان الرقمي الإضاءة في غرفة العميل، بدا كل شيء مزيّفًا — كملصق أُلصق على صورة.

أمضينا أسابيع في هذا. ليالٍ متأخرة نتجادل حول ما إذا كان تقدير البيئة القائم على الشبكات العصبية الالتفافية (CNN) جيدًا بما يكفي، وما إذا كان التقاط الظلال عدوانيًا أكثر من اللازم، وما إذا كان التفاف الضوء عند حواف القطعة خفيًا أكثر من اللازم. كان هناك يوم خميس بعينه — أتذكّره لأننا كنا قد طلبنا بيتزا وقد بردت — حين عرض مسؤول التصيير لدينا مقارنة: تركيبنا بجوار صورة فوتوغرافية حقيقية للقطعة نفسها على الشخص نفسه. ثلاثة منا لم يستطيعوا التمييز أيهما أيّهما. أما الرابعة فاستطاعت، لكن فقط لأنها لاحظت عدم تطابق طفيف في درجة حرارة اللون على سحّاب.

كانت تلك اللحظة التي عرفت فيها أن لدينا شيئًا.

تُسمى هذه التقنية التصيير التفاضلي — إذ تحسب تأثير الكائن ثلاثي الأبعاد على المشهد دون إعادة تصيير المشهد نفسه. ملتقطات الظلال، وخرائط بيئية مُقدَّرة من صورة المستخدم، والتفاف الضوء عند الحواف لمحاكاة التشتّت تحت السطحي. تُلقي القطعة ظلًا واقعيًا على ساقَي المستخدم الحقيقيتين. وتعكس الأزرار ضوء النافذة نفسه الموجود في عينَي المستخدم.

ما المقياس الذي ينبغي أن تُحسّنه التجربة الافتراضية فعلًا؟

هنا تصبح الجدوى التجارية مثيرة للاهتمام، وهنا أعتقد أن معظم الصناعة تفهمها بشكل معكوس.

تُحسّن التجربة الافتراضية بالذكاء الاصطناعي التوليدي من أجل معدل التحويل. إنها تبيع الوهم. أما نظامنا فيُحسّن من أجل صافي المبيعات — المبيعات ناقص المرتجعات. فبإظهار الحقيقة، حتى عندما تكون الحقيقة "هذا لا يناسبك"، نمنع دورة المرتجعات القاتلة للهوامش.

كما نُخرج بيانات، لا مجرد صور. يُولّد نظامنا درجة الثقة في المقاس — شيئًا مثل "تطابق 95% للخصر، وتطابق 60% للوركين." وهذا يفعل شيئًا غير بديهي: فهو أحيانًا يُثبّط عملية شراء. لكن عمليات الشراء التي لا يُثبّطها لا تكاد تُرجَع أبدًا. ويثق العميل بالنظام أكثر في المرة التالية. الثقة تتراكم. المرتجعات لا.

يسألني الناس عمّا إذا كان إظهار معلومات مقاس غير مُجامِلة يضرّ بمعدلات التحويل. الإجابة القصيرة: نعم، في البداية. الإجابة الأطول: العملاء الذين تخسرهم هم أولئك الذين كانوا سيُعيدون المنتج على أي حال. أنت لا تخسر إيرادات — بل تخسر وهم الإيرادات الذي كان سيتبخّر خلال أسبوعين عندما يظهر المرتجع.

حقل الألغام الآخر: لماذا يُعدّ الصوت التوليدي قنبلة قانونية موقوتة

بينما كنا نبني محركات فيزيائية للأزياء، كنا في الوقت نفسه نتنقّل في مجال غادر بالقدر ذاته: الصوت. وهنا، المشكلة ليست الفيزياء — بل القانون.

تمرّ صناعتا الموسيقى والصوت بأزمة وجودية بسبب الذكاء الاصطناعي التوليدي. فقد رفعت Universal Music Group وSony Music وRIAA دعاوى قضائية كبرى ضد شركات ذكاء اصطناعي مثل Suno وUdio. القضية الجوهرية: دُرِّبت معظم نماذج الصوت التوليدية على موسيقى محمية بحقوق النشر جُمِعت من الويب. وإذا استخدمت مؤسسة أحد هذه النماذج لتوليد نغمة إعلانية وحاكى ذلك المخرَج عن غير قصد عملًا محميًا بحقوق النشر — وهي ظاهرة تُسمى "الاجترار" — فإن المؤسسة مسؤولة عن الانتهاك. ولأن النماذج صناديق سوداء، لا يمكنك التحقق من مصدر ما يخرج منها.

ويزداد الأمر سوءًا. فبموجب التوجيهات الحالية لمكتب حقوق النشر الأمريكي، فإن الأعمال التي يُنشئها الذكاء الاصطناعي وحده دون تدخل بشري كبير غير مؤهلة للحصول على حماية حقوق النشر. ما يعني أنه إذا استخدمت علامة تجارية أداة توليدية بحتة لإنشاء شعار صوتي، فلا يمكنها امتلاكه. إنه يدخل الملكية العامة. يمكن للمنافسين استخدامه بحرية. وبالنسبة للملكية الفكرية التجارية، هذا أمر مرفوض تمامًا.

إذا لم تستطع إثبات مصدر صوتك المُنتَج بالذكاء الاصطناعي ولم تستطع امتلاك ما يُنتجه، فليس لديك أصل — بل لديك التزام.

اصطدمنا بهذا الجدار مبكرًا. جاءت إلينا وكالة إعلانات ترغب في عمل صوتي مُولَّد بالذكاء الاصطناعي لحملة. كانوا يستخدمون أداة شائعة لتحويل النص إلى كلام وتلقّوا للتوّ خطاب كفّ ووقف. يبدو أن الأداة قد دُرِّبت على بيانات صوتية تضمّنت عيّنات من ممثل معروف. لم يستطع أحد إثبات ذلك بشكل قاطع — صندوق أسود — لكن لم يستطع أحد دحض ذلك أيضًا. أُرجئت الحملة.

كيف تصنع صوتًا بالذكاء الاصطناعي يكون قانونيًا فعلًا؟

حللنا هذا برفض نموذج "التوليد من الصفر" بالكامل. وبدلًا من ذلك، بنينا سير عمل تحويليًا باستخدام تقنيتين عميقتين: الفصل العميق للمصادر وتحويل الصوت القائم على الاسترجاع (RVC).

الفصل العميق للمصادر هو عملية فكّ مزج ملف صوتي منتهٍ إلى مقاطعه المكوِّنة — الغناء، والطبول، والبيس، والآلات. تصوّره كإلغاء خبز كعكة، وهو ما يبدو مستحيلًا لكن التعلّم العميق الحديث جعله فعّالًا بشكل ملحوظ. يستخدم محرّكنا بنية U-Net تعمل على أطياف صوتية (spectrograms)، مُخرِجةً أقنعة ناعمة تعزل ترددات كل مقطع. ونستخدم متغيّرات في نطاق الموجة لتجنّب تشوّهات الطور "المائية" التي تُبتلى بها المقاربات القياسية القائمة على الطيف.

هذا يُطلق العنان لقيمة هائلة من كتالوجات الملكية الفكرية القائمة والمرخّصة منها. فبإمكان شركة إعلامية فصل الحوار عن الموسيقى الأوركسترالية لأحد الأفلام لإنشاء نسخ مدبلجة. وبإمكان شركات التسجيل "فتح" التسجيلات الأصلية القديمة التي فُقدت أشرطتها متعددة المسارات، لإنشاء إعادة مزج جديدة أو مزجات دولبي أتموس الغامرة. وكل خطوة تحترم الحقوق القائمة لأننا نعمل بمواد مصدرية مملوكة أو مرخّصة.

لتعديل الصوت، نستخدم RVC — إطار عمل من كلام إلى كلام يغيّر جرس الصوت مع الحفاظ على التنغيم (الإيقاع، وطبقة الصوت، والعاطفة) للأداء الأصلي. يجرّد النظام الهوية من صوت باستخدام نماذج ذاتية الإشراف مثل HuBERT، ثم يعيد بناءه باستخدام قاعدة بيانات مُفهرَسة بـFAISS لتضمينات الصوت الفعلية للمتحدّث المستهدف. إنه لا يُهلوس صوتًا — بل يعيد تجميع صوت من شرائح مجهرية من تسجيلات حقيقية موافَق عليها.

للاطّلاع على التحليل التقني الكامل لكل من بنية فصل المصادر وخط أنابيب RVC، انظر ورقتنا البحثية المتعمّقة.

البنية التحتية للموافقة التي لا يتحدث عنها أحد

التكنولوجيا نصف القصة فقط. فما يجعل هذا جاهزًا للمؤسسات هو إطار الامتثال المحيط به.

نحن لا نستخدم نماذج RVC عامة مُدرَّبة على بيانات مشاهير مجموعة بالكشط. بل نبني نماذج مخصصة مُدرَّبة حصريًا على ممثلين صوتيين وقّعوا إقرارات محددة للاستغلال التجاري بالذكاء الاصطناعي — موافقة صريحة لاستخدامات محددة، مع تتبّع الإتاوات كلما نُشِر نموذجهم الصوتي.

إليك الجزء الأهمّ للدفاع القانوني: لأن نظام RVC يستخدم قاعدة بيانات استرجاع، يمكننا أن نثبت رياضيًا أيّ نموذج صوتي أنتج أي مخرَج معيّن. فإذا ادّعى أحدهم "هذا يبدو مثل المشهور X"، يمكننا تدقيق فهرس FAISS وإثبات أن كل تضمين جاء من الممثل الصوتي الموافِق A. هذا ليس دفاعًا من نوع "نحن نعتقد" — بل دفاع تشفيري.

ولأن المخرَج عمل مشتقّ مبني على أداء بشري وتأليف من صنع إنسان، فإنه مؤهل لحماية حقوق النشر. ويمكن للمؤسسة فعليًا أن تمتلك الأصل النهائي. حاول الحصول على ذلك من مولّد نص-إلى-موسيقى.

كانت هناك لحظة — أظنها كانت خلال مكالمة مع الفريق القانوني لإحدى شركات الإعلام — توقّف فيها مستشارهم العام وقال: "مهلًا، يمكنكم فعلًا أن تُرونا أيّ صوت استُخدم لكل جزء من الألف من الثانية من الصوت؟" وعندما قلت نعم، ساد صمت طويل. ثم: "هل تدركون كم من المال أنفقناه على المراجعة القانونية للمحتوى المُولَّد بالذكاء الاصطناعي؟" عندها فهمت أن البنية التحتية للامتثال ليست ميزة. إنها المنتج.

لماذا لا تستطيع المؤسسات ببساطة استخدام GPT لهذا؟

يأتيني هذا السؤال باستمرار. عادةً من المستثمرين، وأحيانًا من عملاء محتملين شاهدوا عروضًا توضيحية مبهرة من مزوّدي النماذج الأساسية. الإجابة معمارية، لا فلسفية.

عندما تبني على واجهة برمجة تطبيقات (API) لطرف ثالث، فإنك ترث الطبيعة العشوائية لذلك النموذج. وإذا هلوس النموذج — مقاس خاطئ، أو لحن محمي بحقوق النشر، أو صوت مستنسخ — فلا يمكنك إصلاحه. الأوزان مملوكة حصريًا. أنت عاجز. كما أنك على الأرجح سرّبت بيانات مملوكة: مجموعات أزياء لم تُطرح بعد رُفعت إلى نموذج سحابي قد تنتهي في بيانات تدريبه. أنظمتنا محزّمة في حاويات باستخدام Docker وKubernetes، وقابلة للنشر بالكامل داخل السحابة الخاصة للعميل أو خوادمه المحلية. لا تتطلب اتصالًا بالإنترنت. لا تتصل بالخارج. الفجوة الهوائية (العزل التام عن الشبكة) ليست جنون ارتياب — بل شرط تعاقدي من كل عميل مؤسسي جادّ عملنا معه.

وهناك أيضًا مسألة القابلية للدفاع. كان محلّلو PitchBook صريحين: السوق مُشبَع بشكل مفرط بشركات ناشئة هي "أغلفة رقيقة حول النماذج الأساسية" بلا قابلية بنيوية للدفاع. هذه الشركات محشورة بين شركات فرط التوسّع التي تتحكّم في الذكاء الأساسي والمستخدمين النهائيين الذين يمكنهم الانتقال إلى الغلاف التالي بين عشية وضحاها. وعندما تغيّر OpenAI أسعارها أو قدراتها، لا يكون لدى شركات الأغلفة أي ملاذ.

القيمة المستدامة في الذكاء الاصطناعي لن تعود على الشركات التي تعيد بيع الوصول إلى واجهات برمجة التطبيقات. بل ستعود على تلك التي تحلّ المشكلات الصعبة الخاصة بمجالات محددة والتي تعجز النماذج العامة بنيويًا عن حلّها.

لقد حسّنّا زمن الاستجابة أيضًا — إذ يتيح تكميم النموذج لخط أنابيب RVC لدينا العمل على عتاد بمستوى المستهلك بزمن استجابة أقل من 50 مللي ثانية، ما يُلغي رحلات الذهاب والإياب المكلفة إلى وحدات معالجة الرسوميات السحابية. كل صورة ومقطع صوتي نُنتجه يحمل علامة مائية غير مرئية تُرمّز معرّف الترخيص، ومعرّف المستخدم، والطابع الزمني. وإذا تسرّب أصل أو جرى الطعن فيه، فإن العلامة المائية تُثبت مصدره.

نهاية "الصحيح في معظمه"

لقد بنيت في VeriPrajna لوقت كافٍ الآن لأرى النمط بوضوح. كانت الموجة الأولى من الذكاء الاصطناعي للمؤسسات تدور حول الحماس — ماذا يمكن أن تفعله النماذج التوليدية؟ أما الموجة الثانية، التي ندخلها الآن، فتدور حول المساءلة — ماذا ينبغي أن تفعله، وماذا يحدث عندما تُخطئ؟

في الأزياء، يعني "الصحيح في معظمه" معدل إرجاع 30% وعميلًا لا يعود أبدًا. وفي الصوت، يعني "الصحيح في معظمه" دعوى قضائية وأصلًا لا يمكنك امتلاكه. نهج الأغلفة — السريع والرخيص والاحتمالي — يعمل جيدًا لبناء النماذج الأولية والتطبيقات الاستهلاكية منخفضة المخاطر. لكن بالنسبة لأي مجال تهمّ فيه الدقة والامتثال والقابلية للدفاع، فهو ليس اختصارًا. إنه التزام.

البنية التي بنيناها في VeriPrajna ليست برّاقة. المحركات الفيزيائية لا تُعرض بجودة عرض الذكاء الاصطناعي التوليدي. وأطر الامتثال لا تصنع عروض ترويج مثيرة. والأنظمة الحتمية لا تُنتج ذلك النوع من المخرجات السحرية المفاجئة التي تنتشر بسرعة على وسائل التواصل الاجتماعي.

لكنها تعمل. تعمل عندما لا يناسب الفستان ويحتاج العميل إلى المعرفة قبل الشراء. تعمل عندما يستحق الممثل الصوتي أن يُدفع له ويحتاج الفريق القانوني إلى دليل. تعمل عندما تحتاج المؤسسة إلى امتلاك أصولها وإبقاء بياناتها خلف جدرانها الخاصة.

ستدرك صناعة الذكاء الاصطناعي في نهاية المطاف أن أصعب المشكلات لا تُحلّ بجعل النماذج أكبر. بل تُحلّ بجعل الحلول أعمق — متجذّرة في الفيزياء حيث تهمّ الفيزياء، ومتجذّرة في القانون حيث يهمّ القانون، ومتجذّرة في العمل الشاقّ غير البرّاق لهندسة أنظمة تقول الحقيقة.

هذا ما نبنيه. ليست أكثر شركات الذكاء الاصطناعي إثارة. بل أكثرها صدقًا.