صعود الذكاء الاصطناعي الفعال

IBM Granite: إعادة تعريف الكفاءة في مجال الذكاء الاصطناعي للمؤسسات

يتمثل نهج IBM في الذكاء الاصطناعي المستدام في نماذج Granite 3.2 الخاصة بها. تم تصميم هذه النماذج بدقة لتطبيقات الأعمال المحددة، مما يدل على الالتزام بالكفاءة دون المساس بالأداء. ينتج عن هذا التركيز الاستراتيجي فوائد كبيرة:

• تخفيض كبير في متطلبات الحوسبة: تتميز نماذج أمان Guardian ضمن سلسلة Granite بانخفاض ملحوظ في متطلبات الحوسبة، حيث تحقق انخفاضًا يصل إلى 30٪. ويترجم هذا إلى توفير كبير في الطاقة وتكاليف تشغيلية أقل.
• معالجة مبسطة للمستندات: تتفوق نماذج Granite في مهام فهم المستندات المعقدة، وتحقق دقة عالية بأقل قدر من استهلاك الموارد. هذه الكفاءة ضرورية للشركات التي تتعامل مع كميات كبيرة من البيانات.
• الاستدلال الأمثل باستخدام ‘سلسلة الأفكار’: تقدم IBM آلية استدلال اختيارية ‘سلسلة الأفكار’ ضمن نماذج Granite. تسمح هذه الميزة بتحسين كفاءة الحوسبة عن طريق تقسيم عمليات الاستدلال المعقدة إلى خطوات أصغر وأكثر قابلية للإدارة.

تعتبر نماذج TinyTimeMixers، وهي مكون بارز في عائلة Granite، مثالاً على قوة الذكاء الاصطناعي المضغوط. تحقق هذه النماذج قدرات تنبؤ رائعة لمدة عامين بأقل من 10 ملايين معامل. هذا فرق هائل مقارنة بنماذج اللغات الكبيرة التقليدية التي غالبًا ما تتباهى بمئات المليارات من المعلمات، مما يسلط الضوء على تفاني IBM في تقليل استخدام الموارد.

Microsoft Phi-4: الدخول في حقبة جديدة من الذكاء الاصطناعي متعدد الوسائط

تمثل عائلة Phi-4 من Microsoft التزامًا مماثلاً بالكفاءة وإمكانية الوصول، ولكن مع التركيز بشكل واضح على القدرات متعددة الوسائط. تقدم سلسلة Phi-4 نموذجين مبتكرين مصممين للازدهار في البيئات محدودة الموارد:

• Phi-4-multimodal: يعد هذا النموذج الذي يبلغ 5.6 مليار معامل إنجازًا رائدًا، فهو قادر على معالجة الكلام والرؤية والنص في وقت واحد. تفتح هذه البراعة متعددة الوسائط إمكانيات جديدة للتفاعلات الطبيعية والبديهية بين الإنسان والحاسوب.
• Phi-4-mini: تم تصميم هذا النموذج الذي يبلغ 3.8 مليار معامل خصيصًا للمهام النصية، وهو مُحسّن لتحقيق أقصى قدر من الكفاءة. حجمه الصغير وقدرته على المعالجة يجعله مثاليًا للنشر على الأجهزة ذات الموارد الحاسوبية المحدودة، مثل الهواتف الذكية والمركبات.

يؤكد Weizhu Chen، نائب رئيس قسم الذكاء الاصطناعي التوليدي في Microsoft، على أهمية Phi-4-multimodal: “يمثل Phi-4-multimodal علامة فارقة جديدة في تطوير الذكاء الاصطناعي في Microsoft كأول نموذج لغوي متعدد الوسائط لدينا.” ويوضح كذلك أن النموذج يستفيد من “تقنيات التعلم المتقدمة عبر الوسائط”، مما يمكّن الأجهزة من “فهم والاستدلال عبر وسائط إدخال متعددة في وقت واحد.” تسهل هذه القدرة “الاستدلال عالي الكفاءة ومنخفض الكمون” مع التحسين من أجل “التنفيذ على الجهاز وتقليل الحمل الحسابي.”

رؤية تتجاوز القوة الغاشمة: مستقبل الذكاء الاصطناعي المستدام

إن التحول نحو نماذج لغوية أصغر لا يتعلق فقط بالتحسينات التدريجية؛ إنه يمثل تغييرًا جوهريًا في فلسفة تطوير الذكاء الاصطناعي. تدافع كل من IBM و Microsoft عن رؤية حيث تكون الكفاءة والتكامل والتأثير في العالم الحقيقي لها الأسبقية على القوة الحاسوبية الخام.

يلخص Sriram Raghavan، نائب رئيس أبحاث الذكاء الاصطناعي في IBM، هذه الرؤية بإيجاز: “يدور العصر التالي للذكاء الاصطناعي حول الكفاءة والتكامل والتأثير في العالم الحقيقي - حيث يمكن للمؤسسات تحقيق نتائج قوية دون إنفاق مفرط على الحوسبة.” يؤكد هذا البيان على الإدراك المتزايد بأن الذكاء الاصطناعي المستدام ليس مجرد ضرورة بيئية؛ إنه أيضًا ضرورة تجارية.

مزايا هذا النهج المستدام متعددة الأوجه:

• تقليل استهلاك الطاقة بشكل كبير: تتطلب النماذج الأصغر بطبيعتها طاقة أقل للتدريب والتشغيل. ويترجم هذا إلى وفورات كبيرة في التكاليف وتقليل الأثر البيئي.
• خفض البصمة الكربونية: يساهم الانخفاض في الاحتياجات الحسابية بشكل مباشر في تقليل انبعاثات غازات الاحتباس الحراري، مما يجعل تطوير الذكاء الاصطناعي يتماشى مع أهداف الاستدامة العالمية.
• تحسين إمكانية الوصول: تجعل النماذج الأصغر والأكثر كفاءة حلول الذكاء الاصطناعي ميسورة التكلفة ويمكن الوصول إليها للمؤسسات الصغيرة، مما يؤدي إلى إضفاء الطابع الديمقراطي على الوصول إلى هذه التكنولوجيا التحويلية.
• خيارات نشر مرنة: إن القدرة على تشغيل الذكاء الاصطناعي المتقدم على الأجهزة الطرفية وفي البيئات محدودة الموارد تفتح ثروة من الإمكانيات الجديدة لتطبيقات الذكاء الاصطناعي، من المنازل الذكية إلى الاستشعار عن بعد.

إن تطوير SLMs بواسطة Microsoft و IBM ليس مجرد تقدم تكنولوجي؛ إنه بيان. إنه يدل على التحرك نحو نهج أكثر مسؤولية واستدامة للذكاء الاصطناعي، نهج يعطي الأولوية للكفاءة وإمكانية الوصول دون التضحية بالأداء. هذا التحول النموذجي مهيأ لإعادة تشكيل مشهد الذكاء الاصطناعي، مما يجعله أكثر شمولاً ووعيًا بالبيئة، وفي النهاية، أكثر تأثيرًا. مستقبل الذكاء الاصطناعي لا يتعلق بالحجم الأكبر؛ بل يتعلق بالحلول الأكثر ذكاءً وكفاءة واستدامة.

تعمق أكثر في نماذج Granite من IBM

تمثل نماذج Granite 3.2 من IBM خطوة مهمة إلى الأمام في السعي لتحقيق الذكاء الاصطناعي الفعال. دعنا نفحص بعض الميزات والفوائد الرئيسية بمزيد من التفصيل:

تطبيقات الأعمال المستهدفة: على عكس نماذج اللغات الكبيرة للأغراض العامة، تم تصميم نماذج Granite خصيصًا لحالات استخدام تجارية معينة. يسمح هذا النهج المستهدف بالتحسين على كل مستوى، من البنية إلى بيانات التدريب. والنتيجة هي نموذج يتفوق في مجاله المقصود مع تقليل النفقات الحسابية غير الضرورية.

نماذج أمان Guardian: هذه النماذج، التي تشهد انخفاضًا يصل إلى 30٪ في متطلبات الحوسبة، ضرورية لضمان النشر الآمن والموثوق للذكاء الاصطناعي في التطبيقات الحساسة. من خلال تقليل العبء الحسابي، تسهل IBM على الشركات تنفيذ تدابير أمان قوية دون تكبد تكاليف باهظة.

فهم المستندات المعقدة: تعد قدرة نماذج Granite على معالجة المستندات المعقدة بكفاءة بمثابة تغيير لقواعد اللعبة بالنسبة للصناعات التي تعتمد بشكل كبير على تحليل البيانات. سواء كانت مستندات قانونية أو تقارير مالية أو أوراق علمية، يمكن لنماذج Granite استخراج الرؤى وأتمتة سير العمل بسرعة ودقة ملحوظتين، كل ذلك مع استهلاك الحد الأدنى من الموارد.

الاستدلال بسلسلة الأفكار: توفر هذه الميزة الاختيارية لمحة رائعة عن مستقبل الاستدلال الفعال للذكاء الاصطناعي. من خلال تقسيم المشكلات المعقدة إلى خطوات أصغر وأكثر قابلية للإدارة، يسمح نهج ‘سلسلة الأفكار’ لنماذج Granite بتحسين عملياتها الحسابية. هذا لا يقلل فقط من استهلاك الطاقة ولكنه يعزز أيضًا إمكانية تفسير استدلال النموذج، مما يسهل على البشر فهم مخرجاته والثقة بها.

TinyTimeMixers: تسلط القدرات الرائعة لـ TinyTimeMixers، التي تحقق تنبؤًا لمدة عامين بأقل من 10 ملايين معامل، الضوء على إمكانات النماذج المدمجة والمتخصصة للغاية. يوضح هذا أنه يمكن تحقيق أداء مثير للإعجاب دون اللجوء إلى النطاق الهائل لنماذج اللغات الكبيرة التقليدية.

استكشاف عائلة Phi-4 من Microsoft بمزيد من التفصيل

تتخذ عائلة Phi-4 من Microsoft نهجًا مختلفًا، ولكنه مقنع بنفس القدر، للذكاء الاصطناعي الفعال. دعنا نتعمق أكثر في الخصائص الفريدة لهذه النماذج:

القدرات متعددة الوسائط: تعد قدرة Phi-4-multimodal على معالجة الكلام والرؤية والنص في وقت واحد بمثابة اختراق كبير. يفتح هذا آفاقًا جديدة للتفاعل بين الإنسان والحاسوب، مما يسمح بواجهات أكثر طبيعية وبديهية. تخيل جهازًا يمكنه فهم أوامرك المنطوقة وتفسير إشاراتك المرئية ومعالجة المعلومات المكتوبة في نفس الوقت. هذه هي قوة الذكاء الاصطناعي متعدد الوسائط.

البيئات محدودة الحوسبة: تم تصميم كل من Phi-4-multimodal و Phi-4-mini خصيصًا للأجهزة ذات الموارد الحاسوبية المحدودة. هذا أمر بالغ الأهمية لتوسيع نطاق الذكاء الاصطناعي إلى ما وراء مراكز البيانات القوية وإلى أيدي المستخدمين العاديين. يمكن للهواتف الذكية والمركبات والأجهزة القابلة للارتداء وحتى أجهزة الاستشعار الصناعية الاستفادة الآن من قدرات الذكاء الاصطناعي المتقدمة.

التعلم عبر الوسائط: تعد “تقنيات التعلم المتقدمة عبر الوسائط” التي ذكرها Weizhu Chen في صميم قدرات Phi-4-multimodal. تسمح هذه التقنيات للنموذج بتعلم العلاقات بين الوسائط المختلفة، مما يمكنه من الفهم والاستدلال عبر الكلام والرؤية والنص بطريقة موحدة. هذه خطوة مهمة نحو إنشاء أنظمة ذكاء اصطناعي يمكنها إدراك العالم والتفاعل معه بطريقة أشبه بالإنسان.

الاستدلال منخفض الكمون: يعد التركيز على “الاستدلال منخفض الكمون” أمرًا بالغ الأهمية للتطبيقات في الوقت الفعلي. هذا يعني أن نماذج Phi-4 يمكنها معالجة المعلومات وإنشاء الاستجابات بسرعة، مما يجعلها مناسبة للتطبيقات التي تكون فيها الاستجابة أمرًا بالغ الأهمية، مثل المساعدين الصوتيين والقيادة الذاتية والترجمة الفورية.

التنفيذ على الجهاز: توفر القدرة على تشغيل نماذج Phi-4 مباشرة على الأجهزة، بدلاً من الاعتماد على خوادم السحابة، العديد من المزايا. فهو يقلل من زمن الوصول ويعزز الخصوصية ويحسن الموثوقية، حيث يمكن للنماذج الاستمرار في العمل حتى بدون اتصال بالإنترنت.

يدل تطوير SLMs على نقطة تحول حاسمة في تطور الذكاء الاصطناعي. إنه ابتعاد عن عقلية “الأكبر هو الأفضل دائمًا” ونحو نهج أكثر دقة واستدامة. من خلال إعطاء الأولوية للكفاءة وإمكانية الوصول والتأثير في العالم الحقيقي، تمهد شركات مثل Microsoft و IBM الطريق لمستقبل لا يكون فيه الذكاء الاصطناعي قويًا فحسب، بل مسؤولًا وشاملًا أيضًا. هذا التحول لا يتعلق فقط بالتقدم التكنولوجي؛ بل يتعلق بتشكيل مستقبل يفيد فيه الذكاء الاصطناعي الجميع، مع تقليل بصمته البيئية. هذا مستقبل يستحق السعي لتحقيقه، وعمل Microsoft و IBM هو خطوة مهمة في هذا الاتجاه.