لن يؤدي كشط الويب إلى تدريب الذكاء الاصطناعي التالي

على مدار خمسة عشر عامًا، كان هناك افتراض ضمني واحد يحمل كل الذكاء الاصطناعي الحديث: كل ما يحتاجه النموذج موجود بالفعل على الإنترنت - ما عليك سوى الذهاب والحصول عليه. هذا الافتراض يحتضر. ومع ذلك، يولد سوق جديد تمامًا - بين أولئك الذين يبنون نماذج الغد وأولئك الذين يمتلكون بيانات العالم الحقيقي.

إليك سبب اعتقادي أن عام 2026 هو العام الذي تتوقف فيه البيانات عن كونها مادة خام مجانية وتصبح أصلًا استراتيجيًا يتم تداوله.

1. الويب يصل إلى سقفه - ويبدأ في تسميم نفسه

نقطة التحول ليست رأيًا. إنها حسابات.

وفقًا لـ Epoch AI، يبلغ إجمالي مخزون النصوص البشرية عالية الجودة المتاحة للجمهور حوالي 300 تريليون رمز - وستكون النماذج الكبيرة قد استنفدت هذا المخزون بين عامي 2026 و 2032، مع توقع متوسط ​​حوالي 2028 (Epoch AI، "هل سننفد من البيانات؟"، ICML 2024).

هذا ليس قلقًا لبضعة باحثين منعزلين. في ديسمبر 2024، في NeurIPS، قال إيليا سوتسكيفر - الشريك المؤسس لـ OpenAI - بعبارات صريحة: "التدريب المسبق كما نعرفه سينتهي"، لأن "الحوسبة تنمو، لكن البيانات لا تنمو، لأن لدينا إنترنت واحد فقط." ووصف البيانات بأنها "الوقود الأحفوري للذكاء الاصطناعي": تم إنشاؤها مرة واحدة، واستهلكناها، ووصلنا إلى "ذروة البيانات" (نقلتها The Verge، ديسمبر 2024).

والأسوأ من ذلك: البئر ملوثة. أظهرت دراسة نشرت في Nature (Shumailov et al.، يوليو 2024) "انهيار النموذج" - نموذج تم تدريبه بشكل متكرر على محتوى تم إنشاؤه بواسطة الذكاء الاصطناعي يتدهور ويفقد معلومات حول التوزيع الحقيقي للعالم. والويب يمتلئ بهذا المحتوى بالضبط: وفقًا لـ Graphite، تجاوزت نسبة المقالات المنشورة التي تم إنشاؤها بواسطة الذكاء الاصطناعي تلك التي كتبها البشر في وقت مبكر من نوفمبر 2024 (حوالي 52٪ بحلول مايو 2025). الخزان الذي استقينا منه يمتلئ الآن بانعكاس النماذج نفسها.

والأبواب تغلق. منذ 1 يوليو 2025، Cloudflare - التي تغطي حوالي خُمس الويب - تحظر زواحف الذكاء الاصطناعي افتراضيًا. على جانب الناشرين، تمنع ما يقرب من نصف جميع مواقع الأخبار الآن زاحف ذكاء اصطناعي واحد على الأقل. على الجبهة القانونية، The New York Times ضد OpenAI (رفعت في أواخر عام 2023) نجت من طلب الرفض في عام 2025 وتستمر في النظر في جوهر القضية.

الخلاصة من الجزء الأول: المورد الذي جعل الذكاء الاصطناعي التوليدي - النص العام المجاني - يصبح محدودًا، وملوثًا، ومغلقًا، ومتنازعًا عليه، كل ذلك في نفس الوقت.

2. بدأت المختبرات بالفعل في الدفع

أفضل دليل على أن الكشط لم يعد كافيًا هو أن الشركات التي عاشت منه تصل إلى دفتر الشيكات.

• OpenAI - News Corp: صفقة ترخيص تقدر قيمتها بأكثر من 250 مليون دولار على مدى 5 سنوات (نقلتها WSJ، مايو 2024).
• Google - Reddit: حوالي 60 مليون دولار سنويًا للوصول إلى البيانات (نقلتها Reuters، فبراير 2024).
• OpenAI - Axel Springer، Financial Times، Le Monde، Associated Press... سلسلة من الصفقات عبر 2024-2025، من "عشرات الملايين" إلى مبالغ غير معلنة.

في غضون ذلك، يتم بناء البنية التحتية للسوق: أعلنت Microsoft في أوائل عام 2026 عن "سوق محتوى الناشرين" للتوسط في ترخيص المحتوى بين الناشرين ومطوري الذكاء الاصطناعي. والتقييم المذهل لـ Scale AI - حوالي 29 مليار دولار بعد استثمار Meta البالغ حوالي 14.3 مليار دولار مقابل حصة تبلغ حوالي 49٪ (يونيو 2025) - يقول شيئًا بسيطًا: بيانات التدريب هي الآن أصل ذو مستوى استراتيجي.

الرسالة واضحة. لم تعد البيانات تُكشط. بل يتم ترخيصها، التفاوض عليها، شرائها.

3. التحول الحقيقي: نماذج الغد لا تحتاج إلى المزيد من الويب - بل تحتاج إلى شيء آخر

هذه هي النقطة التي تفوت معظم التحليلات.

الحدود التالية للذكاء الاصطناعي ليست نموذجًا لغويًا كبيرًا آخر. إنها نماذج العالم و الذكاء الاصطناعي المادي: أنظمة لا تعالج اللغة فحسب، بل تنمذج، تحاكي، وتتصرف في العالم الحقيقي.

• أطلقت NVIDIA Cosmos في CES (يناير 2025)، وهي عائلة من نماذج الأساس العالمية للذكاء الاصطناعي المادي. يصفها جينسن هوانغ بأنها "لحظة ChatGPT للروبوتات." تتغذى هذه النماذج على بيتابايت من بيانات الفيديو وأجهزة الاستشعار - تدعي NVIDIA أنها عالجت 20 مليون ساعة من الفيديو في 14 يومًا.
• كشفت Google DeepMind عن Genie 2 (ديسمبر 2024) ثم Genie 3 (أغسطس 2025): نماذج قادرة على إنشاء عوالم قابلة للعب و تفاعلية لتدريب الوكلاء المجسدين.
• جمعت فاي فاي لي - عرابة رؤية الكمبيوتر - 230 مليون دولار في وقت مبكر من سبتمبر 2024 لـ World Labs، المبنية حول "الذكاء المكاني"، تليها حوالي 1 مليار دولار أخرى في عام 2026.

لكن هذه النماذج تصطدم بجدار لا يمكن للويب تسلقه. لا يوجد "إنترنت للتفاعل المادي" يمكن كشطه. تظل بيانات تدريب الروبوتات صغيرة: يتم عد مجموعات البيانات المرجعية في الذكاء الاصطناعي المجسد بالمئات الآلاف من العروض التوضيحية (RT-1: ~130,000؛ VIMA: ~650,000)، بينما يتماشى corpus اللغة المرئية مثل LAION-5B مع 5.7 مليار. يجب التقاط بيانات العالم الحقيقي بإيماءة واحدة، وجهاز استشعار واحد، ورحلة واحدة في كل مرة.

هذا هو بالضبط سبب اعتبار Tesla (أكثر من 10 مليارات ميل تراكمي لـ FSD، مايو 2026) و Waymo (أكثر من 100 مليون ميل مستقل) أساطيلهما أصلًا يمكن الدفاع عنه: إنه ليس على الويب، ولا يمكن شراؤه من وسيط نصوص - بل يتم إنتاجه في العالم الحقيقي.

البيانات التي يفتقدها الجيل القادم من الذكاء الاصطناعي لم تكن عبر الإنترنت مطلقًا. إنها في المصانع، الأساطيل، المستشفيات، شبكات الطاقة، سلاسل التوريد. إنها تخص المشغلين، وليس المختبرات.

4. ما نراه على أرض الواقع - ولماذا هو سوق ذو وجهين

هنا يلتقي عملنا في d-nvest بالأطروحة - لأننا لا نعلق عليها فحسب، بل نقيسها.

على منصتنا، قمنا بتعيين 311 حامل بيانات حقيقي حتى الآن - منظمات تنتج، غالبًا دون أن تدرك ذلك، بالضبط نوع البيانات التي يتطلبها ذكاء الغد الاصطناعي:

• 66٪ هي سلاسل زمنية (206 من 311) - أجهزة استشعار، قياس عن بعد، سجلات آلات: الإشارة الخام للعالم المادي.
• القطاعات المهيمنة هي الصناعية (149)، التنقل (91)، و الرعاية الصحية (24) - الذكاء الاصطناعي المادي، وليس نص الويب.
• حالات الاستخدام تبدو وكأنها خارطة طريق للذكاء الاصطناعي الصناعي: الصيانة التنبؤية (136)، المراقبة الصناعية (64)، ذكاء المستندات (34)، RAG التنظيمي (19)، الذكاء التشخيصي (15).
• على جانب الطلب، تم تحديد المشترين بالفعل حسب الملف الشخصي: مختبرات نماذج الأساس، فرق رؤية الكمبيوتر، بناة نماذج اللغة الكبيرة المتخصصة، موردي الذكاء الاصطناعي الصناعي.
• كلها منتشرة عبر الأسواق المهمة - المملكة المتحدة، فرنسا، الولايات المتحدة، ألمانيا، كندا - ومدعومة بما يقرب من 1000 إشارة صحفية تشهد على النشاط الحقيقي لهؤلاء الحاملين.

هذه الاحتياطيات تعالج أسواقًا ليست مجرد وعود: الصيانة التنبؤية وحدها تساوي حوالي 14 مليار دولار في عام 2025 (معدل نمو سنوي مركب ~28٪)، إنترنت الأشياء الصناعي يتجاوز 480 مليار دولار، الذكاء الاصطناعي الصناعي حوالي 44 مليار دولار.

من ناحية، حاملون يجلسون على مورد نادر يستغلونه بشكل غير كافٍ. من ناحية أخرى، مشترون - بناة الجيل القادم من الذكاء الاصطناعي - مستعدون للدفع مقابل هذا المورد، كما تثبت صفقات الترخيص الخاصة بهم بالفعل. ما هو مفقود بينهما هو البنية التحتية للمطابقة، والتأهيل، والثقة. هذا هو بالضبط ما نبنيه.

الخلاصة

كشط الويب درّب الجيل الحالي من النماذج. لن يدرب الجيل القادم. النص العام محدود، وهو يلوث نفسه، ويغلق أبوابه. تتطلب نماذج العالم والذكاء الاصطناعي المادي نوعًا مختلفًا من البيانات - حقيقية، وتشغيلية، ومتعددة الوسائط - لم يتم نشرها مطلقًا ولن يتم نشرها أبدًا.

هذه البيانات موجودة بالفعل. إنها تخص عشرات الآلاف من المشغلين الذين غالبًا ما لا يدركون أنهم يمتلكون ذهب العقد القادم من الذكاء الاصطناعي.

السؤال لم يعد "أين نجد البيانات." بل هو "كيف نربط بين من يمتلكونها ومن يحتاجونها." إنه سوق ذو وجهين، وهو في بدايته فقط.

إذا كنت مشغلًا تنتج بيانات صناعية أو بيانات تنقل أو بيانات رعاية صحية - أو لاعب ذكاء اصطناعي يبحث عن مجموعات بيانات حقيقية خاصة - فالآن هو الوقت المناسب للتحدث.

— سليم لبريكي، d-nvest

ملاحظة منهجية: مبالغ صفقات الترخيص هي تلك التي أبلغت عنها الصحافة (WSJ، Reuters، Bloomberg) ونادرًا ما يتم تأكيدها رسميًا من قبل الأطراف. تأتي أرقام المخزون (311 حاملًا، وسائط، قطاعات) من تخطيطنا الخاص اعتبارًا من 1 يوليو 20