Cost Does Not Buy Impact: A 173K-Dataset Audit of the AI Data Economy
تُدقق هذه الدراسة ١٧٣,٣٦٩ من مجموعات بيانات الذكاء الاصطناعي لتكشف أنه في حين تتبع تكاليف إنشائها اتجاهاً غير رتيب، فإن تأثيرها العلمي مستقل إلى حد كبير عن الاستثمار المالي أو العمالي، بل مدفوع بعدد المؤلفين والانتشار الموضوعي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالم الذكاء الاصطناعي كمصنع ضخم لسيارات السباق عالية السرعة. لسنوات، اعتقد الجميع أن السر وراء بناء أسرع السيارات (نماذج الذكاء الاصطناعي الأكثر ذكاءً) يكمن ببساطة في شراء المزيد من المحركات وخزانات وقود أكبر. في عالم التكنولوجيا، كان هذا يعني إلقاء المزيد من قدرة الكمبيوتر والمزيد من البيانات الخام على المشكلة. لكن مؤخرًا، أدرك السائقون أن مجرد امتلاك خزان أكبر لا يضمن لك الفوز بالسباق؛ بل يتعلق الأمر بجودة الوقود. هذا الوقود هو "البيانات" — ملايين الأمثلة، والصور، والجمل التي يغذي بها البشر والآلات الذكاء الاصطناعي لتعليمه كيف يفكر.
ومع ذلك، كان هناك لغز كبير في هذا المصنع: لا أحد يعرف حقًا تكلفة صنع خزان واحد من هذا الوقود الخاص. هل هي مكلفة لأنها تتطلب الكثير من وقت البشر لكتابتها؟ أم لأنها تحتاج إلى أجهزة كمبيوتر قوية لتوليدها؟ والسؤال الأهم: هل إنفاق ثروة على الوقود يجعل السيارة تسير بشكل أسرع بالفعل، أم أنه مجرد إهدار للمال؟ تغوص هذه الورقة البحثية في أرض المصنع لتدقيق الإيصالات، وتنظر في ما يقرب من 174,000 "خزان" بيانات مختلف لترى ما إذا كان ملصق السعر يتناسب مع الأداء.
تدقيق البيانات العظيم: هل تشتري الأموال العقول؟
قرر فريق من الباحثين من جامعة إيموري، وكورنيل، وأمازون لعب دور المحقق. قاموا ببناء مساعد رقمي فائق الذكاء (نموذج لغوي) لقراءة آلاف الأوراق العلمية ومعرفة مقدار الوقت والمال الذي استُثمر بالضبط في إنشاء مجموعات البيانات المذكورة في تلك الأوراق. لم يعتمدوا على التخمين؛ بل بحثوا عن أدلة حول عدد الساعات التي قضاها الناس في تصنيف الصور أو كتابة الأسئلة، وكمية طاقة الكمبيوتر التي استُهلكت لإنشاء بيانات اصطناعية. طبقوا هذا العمل التحقيقي على مجموعة ضخمة مكونة من 173,369 مجموعة بيانات مرتبطة بأوراق بحثية بين عامي 2010 و2025.
سعر الوقود: ليس خطًا مستقيمًا
وجد الباحثون أن تكلفة بناء مجموعات البيانات هذه كانت رحلة مليئة بالتقلبات، وليست خطًا صاعدًا مستمرًا.
- مرحلة الاستقرار: من عام 2019 إلى 2022، كانت تكلفة بناء مجموعة بيانات نموذجية مستقرة تمامًا.
- الانخفاض: بعد ذلك، في عامي 2023 و2024، انخفضت التكاليف بنسبة تقارب 10%. حدث هذا لأن نماذج الذكاء الاصطناعي أصبحت جيدة جدًا في توليد بياناتها "المزيفة" الخاصة، مما جعل الباحثين لا يحتاجون لدفع مبالغ مالية لأشخاص للقيام بالعمل. كان الأمر يشبه العثيد على آلة يمكنها خبز الكعك لك، مما وفر عليك تكلفة توظيف خباز.
- الارتداد: ولكن في عام 2025، قفزت التكاليف مرة أخرى، حيث ارتفعت بنسبة 35% من حيث الإنفاق المالي و28% من حيث ساعات العمل البشري. لماذا؟ لأن نماذج الذكاء الاصطناعي الجديدة فائقة الذكاء كانت تحتاج إلى بيانات "خبيرة" محددة وعالية الجودة لا تستطيع المولدات الآلية الرخيصة صنعها. لقد احتاجت إلى بشر يحملون درجات الدكتوراه للتحقق من العمل، مما دفع السعر للارتفاع مجددًا.
المفاجأة الكبرى: ملصق السعر مقابل الشعبية
إليك الجزء الأكثر إثارة للدهشة في هذه القصة. سأل الباحثون: "إذا أنفقت المزيد من المال على مجموعة بيانات، فهل تصبح أكثر شهرة؟" (في العلم، تعني "الشهرة" أن يتم الاستشهاد بها أو استخدامها من قبل باحثين آخرين).
الإجابة هي لا قاطعة.
لقد تبين أن تكلفة بناء مجموعة البيانات — سواء كانت مليون دولار أو مائة دولار — ليس لها أي علاقة تقريبًا بمدى استخدام الناس لها أو عدد المرات التي يتم فيها الاستشهاد بها. إنفاق المزيد من المال لا يشتري المزيد من التأثير. الأمر يشبه شراء سيارة رياضية فاخرة وباهظة الثمن تقبع في المرآب، بينما تُستخدم دراجة بسيطة ورخيصة كل يوم لأنها ببساطة أكثر فائدة.
بدلاً من ذلك، هناك أمران آخران يتوقعان ما إذا كانت مجموعة البيانات ستكون ناجحة:
- حجم الفريق: مجموعات البيانات التي ينشئها فريق كبير من المؤلفين يتم الاستشهاد بها بشكل أكبر بكثير. ليس لأن الفريق جعل البيانات "أفضل" من الناحية التقنية، ولكن لأن وجود المزيد من الأشخاص يعني المزيد من الأصدقاء والزملاء الذين سينشرون الخبر. إنها مسابقة شعبية، وليست مسابقة جودة.
- التوقيت: مجموعات البيانات التي تصل في الوقت الذي يكون فيه موضوع ما "رائجًا" (مثل اتجاه جديد في الموضة) تحظى باهتمام أكبر بكثير. إذا أطلقت مجموعة بيانات حول موضوع يتحدث عنه الجميع بالفعل، فسيتم ملاحظتك. أما إذا أطلقتها مبكرًا جدًا أو متأخرًا جدًا، فسيتم تجاهلك، بغض النظر عن المبلغ الذي دفعته لصنعها.
ماذا يعني هذا للمستقبل؟
تشير الدراسة إلى أن عالم الذكاء الاصطناعي كان يركز على الأشياء الخاطئة. كنا نفترض أننا إذا ضخخنا المزيد من الأموال في جمع البيانات، فسنحصل على ذكاء اصطناعي أكثر ذكاءً. لكن هذا التدقيق يظهر أن التصميم الفكري أهم من الميزانية.
- للبنائين: لا تكتفوا فقط بإنفاق المال لشراء المزيد من البيانات. ركزوا على من يبنيها (فريق كبير ومتنوع) ومتى تطلقونها (عندما يكون الموضوع رائجًا).
- للممولين: توقفوا عن الحكم على نجاح مجموعة البيانات بمجرد تكلفة إنتاجها أو عدد الاستشهادات بها. مجموعة البيانات الرخيصة التي تحل مشكلة حقيقية تساوي أكثر من مجموعة باهظة الثمن تبدو جيدة على الورق فقط.
- للصناعة: تكلفة البيانات تتغير. نحن ننتقل من البيانات "الخام" إلى البيانات "الموروثة" (إعادة استخدام البيانات القديمة بطرق جديدة) والبيانات "الاصطناعية" (البيانات التي يصنعها الذكاء الاصطناعي)، لكن الحاجة إلى خبراء بشريين للتحقق من تلك البيانات في نمو، وليس انكماش.
باختصار، تثبت الورقة البحثية أنه في اقتصاد بيانات الذكاء الاصطناعي، التكلفة لا تشتري التأثير. لا يمكنك مجرد شراء طريقك نحو القمة؛ بل يجب أن تكون ذكيًا بشأن متى تطلق مشروعك، ومن يساعدك، وما هي المشكلة التي تحلها فعليًا. مجموعات البيانات الأكثر قيمة ليست بالضرورة هي الأكثر تكلفة؛ بل هي تلك التي تظهر في الوقت المناسب مع الفريق المناسب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.