مفترق طرق الذكاء الاصطناعي التوليدي: تقييمات باهظة ونماذج منخفضة التكلفة

يشهد عالم الذكاء الاصطناعي حاليًا مسرحًا للتناقضات الصارخة. فمن ناحية، يتم ضخ مبالغ مالية هائلة في شركات التكنولوجيا العملاقة، مما يغذي الطموحات بقوة إدراكية غير مسبوقة ويثير الجدل حول فقاعة استثمارية وشيكة. أصبحت التقييمات التي تقدر بمليارات الدولارات شائعة، مع تداول همسات حول جولات تمويل تصل إلى أرقام فلكية. ومع ذلك، على مسرح موازٍ أكثر هدوءًا، تتخمر ثورة داخل الأوساط الأكاديمية ومجتمعات المصادر المفتوحة. هنا، يُظهر الباحثون براعة ملحوظة، حيث يصممون نماذج ذكاء اصطناعي توليدية قادرة ليس بمليارات، بل أحيانًا ببضعة دولارات، مما يتحدى بشكل أساسي الفكرة السائدة بأن الأكبر هو الأفضل دائمًا في السباق نحو التفوق في الذكاء الاصطناعي.

أصبح هذا التباين واضحًا بشكل متزايد. لنأخذ على سبيل المثال OpenAI، القوة الدافعة وراء ChatGPT، التي يُقال إنها تسعى للحصول على مزيد من الاستثمار الذي يمكن أن يقفز بتقييمها إلى 300 مليار دولار، وهو رقم مذهل. مثل هذه الأرقام، إلى جانب توقعات الإيرادات المتصاعدة بسرعة، ترسم صورة للتفاؤل الجامح والنمو الهائل. ومع ذلك، في الوقت نفسه، تهز هزات الحذر أسس هذه النشوة بالذكاء الاصطناعي. شهدت أسهم التكنولوجيا المسماة ‘Magnificent 7’، التي طالما كانت محبوبة في السوق إلى حد كبير بسبب إمكاناتها في مجال الذكاء الاصطناعي، فترات من الأداء الضعيف بشكل كبير، مما يشير إلى أن قلق المستثمرين بدأ يتسلل. يتضخم هذا القلق بسبب تحذيرات من خبراء الصناعة المخضرمين، مثل المؤسس المشارك لشركة Alibaba، Joe Tsai، الذي أشار مؤخرًا إلى علامات مقلقة لفقاعة ذكاء اصطناعي محتملة تتشكل، لا سيما داخل السوق الأمريكية. إن حجم الاستثمار الهائل المطلوب، خاصة لمراكز البيانات الضخمة التي تشغل هذه النماذج المعقدة، يخضع لتدقيق مكثف. هل مستويات الإنفاق الحالية مستدامة، أم أنها تشير إلى حماس غير عقلاني منفصل عن الحقائق قصيرة الأجل؟

شبح فقاعة الذكاء الاصطناعي يلوح في الأفق

المخاوف بشأن فقاعة الذكاء الاصطناعي ليست مجرد قلق مالي مجرد؛ إنها تعكس أسئلة أعمق حول وتيرة واتجاه تطوير الذكاء الاصطناعي نفسه. لقد هيمن على السرد إلى حد كبير عدد قليل من اللاعبين الرئيسيين الذين يستثمرون المليارات لبناء نماذج لغوية كبيرة (LLMs) أكبر من أي وقت مضى. وقد خلق هذا بيئة يبدو فيها أن ريادة السوق تعتمد على امتلاك أعمق الجيوب والبنية التحتية الحاسوبية الأكثر شمولاً.

• دوامة التقييم: تقييم OpenAI المحتمل البالغ 300 مليار دولار، على الرغم من أنه يعكس ثقة هائلة من بعض المستثمرين، إلا أنه يثير الدهشة أيضًا. هل هذا الرقم مبرر بالقدرات الحالية وتدفقات الإيرادات، أم أنه مرجح بشدة نحو اختراقات مستقبلية، ربما غير مؤكدة؟ تظهر حتماً أوجه التشابه التاريخية مع طفرات وانهيارات التكنولوجيا السابقة، مثل عصر الدوت كوم، مما يدعو إلى الحذر.
• التدقيق في استثمارات البنية التحتية: تمثل المليارات التي يتم ضخها في مراكز البيانات الخاصة بالذكاء الاصطناعي والأجهزة المتخصصة، مثل وحدات معالجة الرسومات (GPUs) المتطورة، نفقات رأسمالية هائلة. يسلط تحذير Joe Tsai الضوء على المخاطر المرتبطة بمثل هذه الاستثمارات الأولية الضخمة، خاصة إذا ثبت أن المسار إلى تحقيق الدخل أطول أو أكثر تعقيدًا مما كان متوقعًا. أصبحت كفاءة وعائد هذه الاستثمارات نقاط نقاش حاسمة.
• إشارات السوق: يشير الأداء المتقلب لعمالقة التكنولوجيا الذين يستثمرون بكثافة في الذكاء الاصطناعي إلى درجة من الشك في السوق. في حين أن الإمكانات طويلة الأجل لا تزال عامل جذب قوي، فإن التقلبات قصيرة الأجل تشير إلى أن المستثمرين يعيدون تقييم المخاطر بنشاط ويتساءلون عن استدامة مسارات النمو الحالية. يتم مراقبة مصير الاكتتابات العامة الأولية القادمة في مجال الذكاء الاصطناعي، مثل الطرح المتوقع من شركة CoreWeave المتخصصة في رقائق الذكاء الاصطناعي، عن كثب كمقياس لمعنويات السوق. هل ستعيد إشعال الحماس أم تؤكد المخاوف الكامنة؟
• الأبعاد الجيوسياسية: لسباق الذكاء الاصطناعي أيضًا دلالات جيوسياسية كبيرة، لا سيما بين الولايات المتحدة والصين. الإنفاق الهائل في الولايات المتحدة مدفوع جزئيًا بالرغبة في الحفاظ على ميزة تنافسية. وقد أدى ذلك إلى نقاشات سياسية معقدة، بما في ذلك الدعوات إلى فرض ضوابط أكثر صرامة على تصدير تكنولوجيا أشباه الموصلات المتقدمة لإبطاء تقدم الصين المحتمل. على العكس من ذلك، يستمر رأس المال الاستثماري في التدفق إلى الشركات الناشئة الصينية في مجال الذكاء الاصطناعي، مما يشير إلى منافسة عالمية تتشابك فيها البراعة التكنولوجية والاستراتيجية الاقتصادية بإحكام.

هذه البيئة عالية المخاطر وعالية الإنفاق تمهد الطريق للابتكارات المزعزعة التي تتحدى النظام القائم. إن ظهور بدائل أرخص بكثير يفرض إعادة تقييم ما إذا كانت القوة الحاسوبية الغاشمة والنطاق الهائل هما المساران الوحيدان للمضي قدمًا.

ادعاء DeepSeek المزعزع وتداعياته

في خضم هذا المشهد من الإنفاق الهائل والقلق المتزايد، دخلت DeepSeek، وهي كيان مقره الصين، بادعاء مذهل: لقد طورت نموذجها اللغوي الكبير للذكاء الاصطناعي التوليدي R1 مقابل 6 ملايين دولار فقط. هذا الرقم، الأقل بأضعاف مضاعفة من الاستثمارات المفترضة بمليارات الدولارات من قبل نظيراتها الغربية، أحدث على الفور تموجات في الصناعة.

بينما استمر الشك فيما يتعلق بحساب الـ 6 ملايين دولار - متسائلاً عن التكاليف التي تم تضمينها واستبعادها - كان تأثير الإعلان لا يمكن إنكاره. لقد كان بمثابة حافز قوي، مما أجبر على إجراء فحص نقدي لهياكل التكاليف ومنهجيات التطوير التي يستخدمها قادة السوق. إذا كان من الممكن بالفعل بناء نموذج قادر بشكل معقول بملايين بدلاً من مليارات، فماذا يعني ذلك بشأن كفاءة الأساليب الحالية؟

• تحدي السرد: ادعاء DeepSeek، سواء كان دقيقًا أم لا، اخترق السرد السائد بأن تطوير الذكاء الاصطناعي المتطور كان حكرًا على الشركات التي تبلغ قيمتها تريليونات الدولارات ولديها موارد غير محدودة. لقد قدم إمكانية وجود مشهد تطوير أكثر ديمقراطية.
• تغذية التدقيق: كثف الادعاء التدقيق الذي كان يقع بالفعل على النفقات الضخمة من قبل شركات مثل OpenAI المدعومة من Microsoft. بدأ المستثمرون والمحللون والمنافسون في طرح أسئلة أصعب حول تخصيص الموارد وعائد الاستثمار لهذه المشاريع كثيفة رأس المال.
• الصدى الجيوسياسي: تردد صدى الادعاء أيضًا في سياق التنافس التكنولوجي بين الولايات المتحدة والصين. لقد أشار إلى احتمال وجود مسارات بديلة، ربما أكثر كفاءة في استخدام الموارد، لكفاءة الذكاء الاصطناعي، مما يضيف طبقة أخرى من التعقيد إلى المناقشات حول الريادة التكنولوجية والمنافسة الاستراتيجية. أدى ذلك إلى مزيد من النقاش حول سياسات مثل حظر الرقائق، بينما شجع في الوقت نفسه أصحاب رؤوس الأموال الاستثمارية على النظر عن كثب إلى اللاعبين الناشئين في الصين الذين قد يمتلكون نماذج تطوير أكثر رشاقة.

على الرغم من الشكوك، فإن إصدار DeepSeek R1، وخاصة مكونات البحث المفتوحة المصاحبة له، قدم رؤى حاسمة من شأنها أن تلهم الآخرين. لم تكن التكلفة المزعومة فقط، بل المنهجيات المحتملة التي تم التلميح إليها، هي التي أثارت الفضول والابتكار في أماكن أخرى، لا سيما في المختبرات الأكاديمية التي تعمل في ظل قيود مالية مختلفة تمامًا.

صعود الذكاء الاصطناعي فائق التوفير: ثورة جامعية

بينما كانت الشركات العملاقة تتصارع مع ميزانيات بمليارات الدولارات وضغوط السوق، كان نوع مختلف من ثورة الذكاء الاصطناعي يتشكل بهدوء في قاعات الأوساط الأكاديمية. بدأ الباحثون، غير المثقلين بمتطلبات التسويق الفوري ولكنهم مقيدون بشدة بالتمويل، في استكشاف طرق لتكرار مبادئ الذكاء الاصطناعي المتقدم، إن لم يكن النطاق الهائل، باستخدام الحد الأدنى من الموارد. ظهر مثال رئيسي من جامعة كاليفورنيا، بيركلي (University of California, Berkeley).

شرع فريق في Berkeley، مفتونًا بالتطورات الأخيرة ولكنه يفتقر إلى رأس المال الهائل لمختبرات الصناعة، في مشروع أطلق عليه اسم TinyZero. كان هدفهم جريئًا: هل يمكنهم إظهار سلوكيات ذكاء اصطناعي متطورة، وتحديدًا نوع التفكير الذي يسمح للنماذج بـ ‘التفكير’ قبل الإجابة، باستخدام نموذج وميزانية مصغرين بشكل كبير؟ ثبت أن الإجابة كانت نعم مدوية. لقد نجحوا في إعادة إنتاج الجوانب الأساسية لنموذج التفكير الذي استكشفته كل من OpenAI و DeepSeek بتكلفة منخفضة بشكل مذهل - حوالي 30 دولارًا.

لم يتم تحقيق ذلك عن طريق بناء منافس مباشر لـ GPT-4، ولكن عن طريق تقليل تعقيد كل من النموذج والمهمة بذكاء.

• تجربة الـ 30 دولارًا: يمثل هذا الرقم في المقام الأول تكلفة استئجار وحدتي معالجة رسومات Nvidia H200 GPUs على منصة سحابية عامة لوقت التدريب اللازم. لقد أظهر إمكانية الاستفادة من البنية التحتية السحابية الحالية للبحث المتطور دون استثمار ضخم مسبق في الأجهزة.
• تحجيم النموذج: استخدم مشروع TinyZero نموذج ‘3B’، في إشارة إلى ما يقرب من ثلاثة مليارات معلمة. هذا أصغر بكثير من أكبر نماذج LLMs، التي يمكن أن تتباهى بمئات المليارات أو حتى تريليونات من المعلمات. كانت الرؤية الرئيسية هي أن السلوكيات المعقدة قد تظهر حتى في النماذج الأصغر إذا تم تصميم المهمة بشكل مناسب.
• إلهام من العمالقة والمنافسين: أشار Jiayi Pan، قائد مشروع TinyZero، إلى أن الاختراقات من OpenAI، لا سيما المفاهيم المتعلقة بالنماذج التي تقضي وقتًا أطول في المعالجة قبل الاستجابة، كانت مصدر إلهام رئيسي. ومع ذلك، كان بحث DeepSeek R1 المفتوح هو الذي قدم مخططًا محتملاً لـ كيفية تحقيق هذه القدرة المحسنة على التفكير، على الرغم من أن تكلفة تدريب DeepSeek المبلغ عنها البالغة 6 ملايين دولار كانت لا تزال بعيدة عن متناول فريق الجامعة.

افترض فريق Berkeley أنه من خلال تقليل حجم النموذج وتعقيد المشكلة التي يحتاج إلى حلها، لا يزال بإمكانهم ملاحظة ‘سلوك التفكير الناشئ’ المطلوب. كان هذا النهج الاختزالي هو المفتاح لخفض التكاليف بشكل كبير مع تمكين المراقبة العلمية القيمة.

فك شفرة ‘لحظة الإدراك’: الاستدلال بميزانية محدودة

يكمن الإنجاز الأساسي لمشروع TinyZero، والمبادرات المماثلة منخفضة التكلفة، في إظهار ما يسميه الباحثون غالبًا ‘لحظة الإدراك’ (Aha moment) - النقطة التي يبدأ فيها نموذج الذكاء الاصطناعي في إظهار قدرات حقيقية على التفكير وحل المشكلات، بدلاً من مجرد مطابقة الأنماط أو استرداد المعلومات المخزنة. هذا السلوك الناشئ هو هدف رئيسي لمطوري حتى أكبر النماذج.

لاختبار فرضيتهم واستنباط هذا السلوك على نطاق صغير، استخدم فريق Berkeley مهمة محددة ومقيدة: لعبة رياضيات تسمى ‘Countdown’.

• لعبة Countdown: تتطلب هذه اللعبة من الذكاء الاصطناعي الوصول إلى رقم مستهدف باستخدام مجموعة معينة من الأرقام الأولية والعمليات الحسابية الأساسية (الجمع والطرح والضرب والقسمة). الأهم من ذلك، أن النجاح في Countdown يعتمد بشكل أكبر على التفكير الاستراتيجي والتخطيط - استكشاف مجموعات وتسلسلات مختلفة من العمليات - أكثر من استدعاء كميات هائلة من المعرفة الرياضية الموجودة مسبقًا.
• التعلم من خلال اللعب: في البداية، اقترب نموذج TinyZero من اللعبة بشكل عشوائي، محاولًا التوليفات بشكل عشوائي تقريبًا. ومع ذلك، من خلال عملية التعلم المعزز (التعلم من التجربة والخطأ والمكافآت)، بدأ في تمييز الأنماط والاستراتيجيات. تعلم تعديل نهجه، والتخلص من المسارات غير الفعالة، والتقارب بسرعة أكبر نحو الحلول الصحيحة. لقد تعلم بشكل أساسي كيفية التفكير ضمن القواعد المحددة للعبة.
• ظهور التحقق الذاتي: بشكل ملحوظ، بدأ النموذج المدرب في إظهار علامات التحقق الذاتي - تقييم خطواته الوسيطة والحلول المحتملة لتحديد ما إذا كانت تؤدي إلى الرقم المستهدف. هذه القدرة على التقييم والتصحيح الداخلي هي سمة مميزة للتفكير الأكثر تقدمًا.

كما أوضح Jiayi Pan، ‘نظهر أنه باستخدام نموذج صغير بحجم 3B، يمكنه تعلم التفكير في المشكلات البسيطة والبدء في تعلم التحقق الذاتي والبحث عن حلول أفضل’. أظهر هذا أن الآليات الأساسية الكامنة وراء التفكير و ‘لحظة الإدراك’، التي ارتبطت سابقًا بشكل أساسي بالنماذج الضخمة والمكلفة، يمكن تكرارها ودراستها في بيئة مقيدة الموارد للغاية. أثبت نجاح TinyZero أن مفاهيم الذكاء الاصطناعي الحدودية لم تكن حكرًا على عمالقة التكنولوجيا فحسب، بل يمكن جعلها في متناول الباحثين والمهندسين وحتى الهواة ذوي الميزانيات المحدودة، مما يعزز نظامًا بيئيًا أكثر شمولاً لاستكشاف الذكاء الاصطناعي. سمح قرار الفريق بمشاركة نتائجهم علنًا، لا سيما عبر منصات مثل GitHub، للآخرين بتكرار التجارب وتجربة ‘لحظة الإدراك’ هذه بأنفسهم بأقل من تكلفة بضع بيتزا.

جامعة Stanford تنضم إلى المعركة: التحقق من صحة التعلم منخفض التكلفة

انتشرت التموجات التي أحدثها TinyZero بسرعة عبر مجتمع الذكاء الاصطناعي الأكاديمي. وجد الباحثون في جامعة Stanford University، الذين كانوا يستكشفون بالفعل مفاهيم مماثلة وحتى قدموا لعبة Countdown كمهمة بحثية سابقًا، أن عمل فريق Berkeley وثيق الصلة ومثبت للصحة.

بقيادة Kanishk Gandhi، كان فريق Stanford يتعمق في سؤال أساسي ذي صلة: لماذا تظهر بعض نماذج LLMs تحسينات جذرية، شبه مفاجئة، في قدراتها على التفكير أثناء التدريب، بينما يبدو أن البعض الآخر يصل إلى مرحلة استقرار؟ يعد فهم الآليات الأساسية التي تقود هذه القفزات في القدرة أمرًا بالغ الأهمية لبناء ذكاء اصطناعي أكثر فعالية وموثوقية.

• البناء على أرضية مشتركة: أقر Gandhi بقيمة TinyZero، مشيرًا إلى أنها كانت ‘رائعة’ جزئيًا لأنها استخدمت بنجاح مهمة Countdown التي كان فريقه يدرسها. سمح هذا التقارب بالتحقق السريع وتكرار الأفكار عبر مجموعات بحثية مختلفة.
• التغلب على العقبات الهندسية: سلط باحثو Stanford الضوء أيضًا على كيفية إعاقة تقدمهم سابقًا بسبب التحديات الهندسية. أصبح توفر أدوات المصدر المفتوح فعالاً في التغلب على هذه العقبات.
• قوة أدوات المصدر المفتوح: على وجه التحديد، أرجع Gandhi الفضل إلى نظام Volcano Engine Reinforcement Learning (VERL)، وهو مشروع مفتوح المصدر طورته ByteDance (الشركة الأم لـ TikTok)، باعتباره ‘ضروريًا لإجراء تجاربنا’. أدى التوافق بين قدرات VERL واحتياجات فريق Stanford التجريبية إلى تسريع دورات البحث الخاصة بهم بشكل كبير.

يؤكد هذا الاعتماد على المكونات مفتوحة المصدر جانبًا حاسمًا في حركة الذكاء الاصطناعي منخفضة التكلفة. غالبًا ما يتم بناء التقدم بشكل تعاوني، بالاستفادة من الأدوات والرؤى المشتركة بحرية داخل المجتمع. رأى Gandhi كذلك أن الاختراقات العلمية الكبرى في فهم تفكير وذكاء LLM قد لا تنشأ بالضرورة فقط من المختبرات الصناعية الكبيرة والممولة جيدًا بعد الآن. وجادل بأن ‘الفهم العلمي لنماذج LLMs الحالية مفقود، حتى داخل المختبرات الكبيرة’، مما يترك مجالًا كبيرًا للمساهمات من ‘الذكاء الاصطناعي DIY، والمصادر المفتوحة، والأوساط الأكاديمية’. يمكن لهذه المشاريع الأصغر والأكثر مرونة استكشاف ظواهر محددة بعمق، وتوليد رؤى تفيد المجال بأكمله.

البطل المجهول: أسس المصادر المفتوحة

تعتمد الإنجازات الرائعة لمشاريع مثل TinyZero، التي تُظهر سلوكيات ذكاء اصطناعي متطورة مقابل عشرات الدولارات، بشكل كبير على عنصر حاسم، غالبًا ما يتم التقليل من شأنه: النظام البيئي الواسع لنماذج وأدوات الذكاء الاصطناعي مفتوحة المصدر ومفتوحة الأوزان (open-weight). في حين أن التكلفة الهامشية لتجربة معينة قد تكون منخفضة، إلا أنها تبني على أسس تمثل غالبًا ملايين، إن لم يكن مليارات، الدولارات من الاستثمار السابق.

قدمت Nina Singer، عالمة تعلم الآلة الرئيسية في شركة الاستشارات AI OneSix، سياقًا مهمًا. وأشارت إلى أن تكلفة تدريب TinyZero البالغة 30 دولارًا، على الرغم من دقتها للمهمة المحددة التي قام بها فريق Berkeley، لا تأخذ في الاعتبار تكلفة التطوير الأولية للنماذج التأسيسية التي استخدمتها.

• البناء على أكتاف العمالقة: لم يستفد تدريب TinyZero من نظام VERL الخاص بـ ByteDance فحسب، بل استفاد أيضًا من Qwen الخاص بـ Alibaba Cloud، وهو نموذج LLM مفتوح المصدر. استثمرت Alibaba موارد كبيرة - من المحتمل أن تكون بالملايين - في تطوير Qwen قبل إصدار ‘أوزانها’ (المعلمات المتعلمة التي تحدد قدرات النموذج) للجمهور.
• قيمة الأوزان المفتوحة: أكدت Singer أن هذا ليس نقدًا لـ TinyZero ولكنه يسلط الضوء على القيمة والأهمية الهائلة للنماذج مفتوحة الأوزان. من خلال إصدار معلمات النموذج، حتى لو ظلت مجموعة البيانات الكاملة وبنية التدريب مملوكة، فإن شركات مثل Alibaba تمكن الباحثين والكيانات الأصغر من البناء على عملهم، والتجربة، والابتكار دون الحاجة إلى تكرار عملية التدريب الأولية المكلفة من البداية.
• دمقرطة الضبط الدقيق (Fine-Tuning): يعزز هذا النهج المفتوح مجالًا مزدهرًا من ‘الضبط الدقيق’، حيث يتم تكييف نماذج الذكاء الاصطناعي الأصغر أو تخصيصها لمهام محددة. كما أشارت Singer، يمكن لهذه النماذج المضبوطة بدقة في كثير من الأحيان ‘منافسة نماذج أكبر بكثير بجزء بسيط من الحجم والتكلفة’ للغرض المخصص لها. الأمثلة كثيرة، مثل Sky-T1، الذي يوفر للمستخدمين القدرة على تدريب نسختهم الخاصة من نموذج متقدم بحوالي 450 دولارًا، أو Qwen الخاص بـ Alibaba نفسه، مما يتيح الضبط الدقيق مقابل 6 دولارات فقط.

يخلق هذا الاعتماد على الأسس المفتوحة نظامًا بيئيًا ديناميكيًا حيث يمكن أن يحدث الابتكار على مستويات متعددة. تستثمر المنظمات الكبيرة بكثافة في إنشاء نماذج أساسية قوية، بينما يستفيد مجتمع أوسع من هذه الأصول لاستكشاف تطبيقات جديدة، وإجراء البحوث، وتطوير حلول متخصصة بشكل اقتصادي أكثر بكثير. تقود هذه العلاقة التكافلية التقدم السريع والدمقرطة في هذا المجال.

تحدي نموذج ‘الأكبر هو الأفضل’

تشكل قصص النجاح الناشئة من مشاريع مثل TinyZero والاتجاه الأوسع للضبط الدقيق الفعال ومنخفض التكلفة تحديًا كبيرًا للاعتقاد السائد في الصناعة بأن التقدم في الذكاء الاصطناعي هو مجرد دالة للحجم - المزيد من البيانات، والمزيد من المعلمات، والمزيد من القوة الحاسوبية.

أحد أهم الآثار، كما أبرزت Nina Singer، هو أن جودة البيانات والتدريب الخاص بالمهمة قد يكونان في كثير من الأحيان أكثر أهمية من حجم النموذج الهائل. أظهرت تجربة TinyZero أنه حتى النموذج الصغير نسبيًا (3 مليارات معلمة) يمكنه تعلم سلوكيات معقدة مثل التصحيح الذاتي والتحسين التكراري عند تدريبه بفعالية على مهمة محددة جيدًا.

• تناقص العائد على الحجم؟: يشكك هذا الاكتشاف بشكل مباشر في الافتراض القائل بأن النماذج الضخمة فقط مثل سلسلة GPT من OpenAI أو Claude من Anthropic، بمئات المليارات أو تريليونات المعلمات، هي القادرة على مثل هذا التعلم المتطور. اقترحت Singer، ‘يشير هذا المشروع إلى أننا ربما نكون قد تجاوزنا بالفعل العتبة التي توفر فيها المعلمات الإضافية عوائد متناقصة - على الأقل لمهام معينة’. بينما قد تحتفظ النماذج الأكبر بمزايا في العمومية واتساع المعرفة، بالنسبة لتطبيقات محددة، قد تمثل النماذج فائقة الحجم مبالغة، سواء من حيث التكلفة أو المتطلبات الحسابية.
• التحول نحو الكفاءة والخصوصية: قد يشهد مشهد الذكاء الاصطناعي تحولًا دقيقًا ولكنه مهم. بدلاً من التركيز الحصري على بناء نماذج تأسيسية أكبر من أي وقت مضى، يتم إيلاء اهتمام متزايد للكفاءة وإمكانية الوصول والذكاء المستهدف. يثبت إنشاء نماذج أصغر ومحسّنة للغاية لمجالات أو مهام محددة أنه بديل قابل للتطبيق وجذاب اقتصاديًا.
• الضغط على النماذج المغلقة: تضع القدرة المتزايدة وتوافر النماذج مفتوحة الأوزان وتقنيات الضبط الدقيق منخفضة التكلفة ضغطًا تنافسيًا على الشركات التي تقدم في المقام الأول قدراتها في مجال الذكاء الاصطناعي عبر واجهات برمجة التطبيقات (APIs) المقيدة. كما أشارت Singer، قد تحتاج شركات مثل OpenAI و Anthropic إلى تبرير عرض القيمة لأنظمتها البيئية المغلقة بشكل متزايد، خاصة ‘مع بدء البدائل المفتوحة في مطابقة أو تجاوز قدراتها في مجالات محددة’.

هذا لا يعني بالضرورة نهاية النماذج التأسيسية الكبيرة، والتي من المرجح أن تستمر في العمل كنقاط انطلاق حاسمة. ومع ذلك، فإنه يشير إلى مستقبل يكون فيه النظام البيئي للذكاء الاصطناعي أكثر تنوعًا بكثير، ويضم مزيجًا من النماذج العامة الضخمة وانتشارًا للنماذج الأصغر والمتخصصة وعالية الكفاءة المصممة لتلبية احتياجات محددة.

موجة الدمقرطة: الذكاء الاصطناعي لمزيد من الناس؟

يغذي التقاء الحوسبة السحابية التي يمكن الوصول إليها، وأدوات المصدر المفتوح القوية، والفعالية المثبتة للنماذج الأصغر والمضبوطة بدقة، موجة من الدمقرطة عبر مشهد الذكاء الاصطناعي. ما كان في السابق المجال الحصري لمختبرات الأبحاث النخبوية وشركات التكنولوجيا ذات الميزانيات المليارية أصبح متاحًا بشكل متزايد لمجموعة أوسع من الجهات الفاعلة.

يجد الأفراد والباحثون الأكاديميون والشركات الناشئة والشركات الأصغر أن بإمكانهم الانخراط بشكل هادف في مفاهيم وتطوير الذكاء الاصطناعي المتقدم دون الحاجة إلى استثمارات باهظة في البنية التحتية.

• خفض حواجز الدخول: القدرة على ضبط نموذج قادر مقابل مئات أو حتى عشرات الدولارات، بناءً على أسس مفتوحة الأوزان، تخفض بشكل كبير حاجز الدخول للتجريب وتطوير التطبيقات.
• تعزيز الابتكار: تشجع إمكانية الوصول هذه مجموعة أوسع من المواهب على المساهمة في هذا المجال. يمكن للباحثين اختبار الأفكار الجديدة بسهولة أكبر، ويمكن لرواد الأعمال تطوير حلول ذكاء اصطناعي متخصصة بشكل اقتصادي أكثر، ويمكن للهواة استكشاف التكنولوجيا المتطورة بأنفسهم.
• التحسين المدفوع بالمجتمع: يوضح نجاح الجهود التي يقودها المجتمع في تحسين وتخصيص النماذج مفتوحة الأوزان قوة التطوير التعاوني. يمكن لهذا الذكاء الجماعي في بعض الأحيان أن يتجاوز دورات التكرار داخل بيئات الشركات الأكثر انغلاقًا لمهام محددة.
• مستقبل هجين؟: يشير المسار المحتمل نحو نظام بيئي هجين. ستستمر النماذج التأسيسية العملاقة في دفع الحدود المطلقة لقدرة الذكاء الاصطناعي، لتكون بمثابة منصات. في الوقت نفسه، سيقود نظام بيئي نابض بالحياة من النماذج المتخصصة، التي يتم ضبطها بدقة من قبل مجتمع متنوع، الابتكار في تطبيقات وصناعات محددة.

لا تلغي هذه الدمقرطة الحاجة إلى استثمارات كبيرة، لا سيما في إنشاء الجيل التالي من النماذج التأسيسية. ومع ذلك، فإنها تغير بشكل أساسي ديناميكيات الابتكار والمنافسة. إن القدرة على تحقيق نتائج ملحوظة بميزانية محدودة، كما يتضح من مشروع TinyZero وحركة الضبط الدقيق الأوسع، تشير إلى تحول نحو مستقبل أكثر سهولة وكفاءة وربما أكثر تنوعًا لتطوير الذكاء الاصطناعي. لم تعد ‘لحظة الإدراك’ للتفكير محصورة فقط في قلاع السيليكون؛ إنها تصبح تجربة يمكن الوصول إليها بأقل من تكلفة عشاء، مما يثير الإبداع ويدفع حدود ما هو ممكن من الألف إلى الياء.