مسيرة الذكاء الاصطناعي: نماذج جديدة وتحركات استراتيجية

لا يبدو أن عالم الذكاء الاصطناعي يتوقف لالتقاط الأنفاس أبدًا. بالكاد يمر أسبوع دون إعلانات مهمة تعد بقدرات معززة أو تطبيقات جديدة أو إعادة تنظيم استراتيجي داخل الصناعة. مؤخرًا، كشف العديد من اللاعبين الرئيسيين، من عمالقة التكنولوجيا الراسخين إلى الشركات الناشئة الطموحة، عن تطورات تؤكد التطور السريع والتخصص المتزايد في مجال الذكاء الاصطناعي. تشمل هذه التطورات قدرات استدلال محسنة في نماذج اللغة الكبيرة، وصعود الذكاء الاصطناعي متعدد الوسائط والمدمج، والتطوير المركّز للأنظمة الوكيلة (agentic systems)، وشراكات أجهزة مبتكرة تهدف إلى توسيع خيارات النشر. إن فهم هذه التحركات الفردية يوفر صورة أوضح للتيارات التنافسية والتكنولوجية الأوسع التي تشكل مستقبلنا.

Google تطمح للأعلى مع Gemini 2.5: عصر ‘نماذج التفكير’؟

ألقت شركة Google، وهي لاعب أساسي دائم في ساحة الذكاء الاصطناعي، مؤخرًا تحديًا جديدًا بإعلانها عن Gemini 2.5. تم تقديمه بجرأة على أنه ‘نموذج الذكاء الاصطناعي الأكثر ذكاءً’ للشركة حتى الآن، ويشير هذا الإصدار إلى استمرار دفع Google نحو استدلال أكثر تطورًا في الذكاء الاصطناعي. يتميز الطرح الأولي بـ Gemini 2.5 Pro Experimental، الذي يوصف بأنه الطليعة في مواجهة التحديات المعقدة. ما يميز هذا التكرار، وفقًا لـ Google، هو طبيعته كـ ‘نموذج تفكير’. يشير هذا التوصيف المثير للاهتمام إلى الابتعاد عن النماذج التي تسترجع المعلومات وتجمعها بشكل أساسي نحو أنظمة قادرة على عمليات تحليلية أعمق.

الفكرة الأساسية وراء ‘نماذج التفكير’ هذه، والتي تبني على المفاهيم التي تم تقديمها في الإصدارات السابقة مثل Gemini 2.0 Flash Thinking، تتضمن قيام الذكاء الاصطناعي بنوع من المداولة الداخلية أو تسلسل الاستدلال قبل إنشاء استجابة. هذا يعني نهجًا أكثر تنظيمًا لحل المشكلات، ومن المحتمل أن يعكس الخطوات المعرفية البشرية بشكل أوثق. تعزو Google هذه القدرة المعززة إلى مزيج من بنية نموذج أساسي محسنة وتقنيات تنقيح متقدمة بعد التدريب. من بين هذه التقنيات التعلم المعزز (reinforcement learning)، حيث يتعلم النموذج من التغذية الراجعة، و تحفيز سلسلة الأفكار (chain-of-thought prompting)، وهي طريقة تشجع الذكاء الاصطناعي على تقسيم المشكلات المعقدة إلى خطوات وسيطة، وبالتالي تحسين شفافية ودقة عملية الاستدلال الخاصة به.

تبدو مقاييس الأداء الأولية واعدة. أبرزت Google أن Gemini 2.5 Pro Experimental قد صعد بالفعل إلى قمة تصنيفات Chatbot Arena، وهي منصة تعتمد على التعهيد الجماعي حيث يتم وضع نماذج الذكاء الاصطناعي المختلفة في مواجهة بعضها البعض بشكل مجهول ويتم تقييمها من قبل المستخدمين البشريين. يشير هذا إلى أداء عملي قوي في تفاعلات المستخدم. علاوة على ذلك، أكدت الشركة على براعتها في مهام الاستدلال والترميز (reasoning and coding tasks)، وهي مجالات حاسمة لكل من التطبيقات التحليلية وأتمتة تطوير البرمجيات. إن توفر هذا النموذج المتقدم لمشتركي Gemini Advanced يدل على استراتيجية Google في تصنيف عروض الذكاء الاصطناعي الخاصة بها، وتوفير قدرات متطورة للمستخدمين الذين يدفعون مقابل الخدمة مع احتمال دمج إصدارات منقحة في نظامها البيئي الأوسع للمنتجات بمرور الوقت. من الواضح أن هذا الإصدار يكثف المنافسة المستمرة مع المنافسين مثل سلسلة GPT من OpenAI ونماذج Claude من Anthropic، مما يدفع حدود ما يمكن أن تحققه نماذج اللغة الكبيرة من حيث حل المهام المعقدة والفهم الدقيق. قد يبشر التركيز على ‘التفكير’ و ‘الاستدلال’ بمرحلة جديدة حيث يتم تقييم نماذج الذكاء الاصطناعي ليس فقط على استدعاء المعرفة، ولكن على فطنتها في حل المشكلات.

Alibaba Cloud ترد بـ Qwen2.5: قوة متعددة الوسائط في حزمة مدمجة

لكي لا تتفوق عليها الشركات الأخرى، قدمت Alibaba Cloud، العمود الفقري للتكنولوجيا الرقمية والذكاء لمجموعة Alibaba Group، تقدمًا مهمًا خاصًا بها مع إطلاق نموذج الذكاء الاصطناعي Qwen2.5-Omni-7B AI model. يؤكد هذا الإصدار على الأهمية المتزايدة لـ الذكاء الاصطناعي متعدد الوسائط (multimodal AI)، وهي أنظمة قادرة على فهم ومعالجة المعلومات عبر تنسيقات مختلفة - ليس فقط النص، ولكن أيضًا الصور والصوت وحتى الفيديو. تم تصميم نموذج Qwen2.5 لاستيعاب هذه المدخلات المتنوعة والاستجابة بنص مُنشأ أو كلام يبدو طبيعيًا بشكل ملحوظ.

أحد العوامل المميزة الرئيسية التي أبرزتها Alibaba هو الطبيعة المدمجة (compact nature) للنموذج. في حين أن العديد من النماذج المتطورة تتباهى بأعداد هائلة من المعلمات، والتي غالبًا ما ترتبط بتكاليف حسابية عالية وتعقيد في النشر، يهدف Qwen2.5-Omni-7B إلى الكفاءة. تشير Alibaba إلى أن هذه البصمة الأصغر تجعلها أساسًا مثاليًا لبناء وكلاء ذكاء اصطناعي مرنين وفعالين من حيث التكلفة (agile and cost-effective AI agents). يستفيد وكلاء الذكاء الاصطناعي (AI agents)، المصممون لأداء المهام بشكل مستقل، بشكل كبير من النماذج القوية ولكنها فعالة من حيث الموارد، مما يسمح بنشر أوسع على أجهزة متنوعة، بما في ذلك الأجهزة الطرفية (edge devices). يركز هذا التركيز على الكفاءة على عنق زجاجة حاسم في تبني الذكاء الاصطناعي - التكلفة ومتطلبات البنية التحتية الباهظة غالبًا المرتبطة بتشغيل أكبر النماذج.

لتوسيع نطاق وصولها وتأثيرها، جعلت Alibaba نموذج Qwen2.5 مفتوح المصدر (open-source)، مما يجعله متاحًا بسهولة للمطورين والباحثين في جميع أنحاء العالم من خلال منصات شائعة مثل Hugging Face و GitHub. تتناقض هذه الاستراتيجية مع النهج الأكثر ملكية الذي يتبعه بعض المنافسين وتخدم عدة أغراض. إنها تعزز مشاركة المجتمع، وتسمح بالتدقيق المستقل وتحسين النموذج، ومن المحتمل أن تسرع الابتكار من خلال تمكين مجموعة أوسع من المطورين من البناء على تقنية Alibaba. بالنسبة لـ Alibaba Cloud، يمكنها أيضًا دفع تبني خدماتها السحابية الأوسع حيث يقوم المطورون بتجربة ونشر التطبيقات بناءً على النموذج مفتوح المصدر. إن إصدار نموذج قوي ومدمج ومتعدد الوسائط ومفتوح المصدر مثل Qwen2.5 يضع Alibaba كلاعب عالمي مهم في مشهد الذكاء الاصطناعي، ويلبي احتياجات المطورين الذين يبحثون عن حلول مرنة وفعالة لإنشاء تطبيقات ذكاء اصطناعي متطورة وتفاعلية بشكل خاص.

DeepSeek تعزز نموذج V3: صقل الاستدلال والمهارات العملية

لا يقتصر الابتكار على عمالقة التكنولوجيا فقط. أحدثت DeepSeek، وهي شركة صينية ناشئة بارزة في مجال الذكاء الاصطناعي، ضجة أيضًا بإصدار نسخة مطورة من نموذجها اللغوي الكبير V3 large language model. يركز هذا التحديث، وتحديدًا DeepSeek-V3-0324، على تعزيز القدرات العملية الحاسمة للتطبيقات في العالم الحقيقي. وفقًا للشركة الناشئة، يقدم الإصدار الجديد تحسينات كبيرة في العديد من المجالات الرئيسية.

أولاً، هناك ‘دفعة كبيرة في أداء الاستدلال’. مثل Gemini 2.5 من Google، يشير هذا إلى اتجاه واضح في الصناعة نحو تقدير القدرات التحليلية الأعمق على مجرد مطابقة الأنماط أو استرجاع المعلومات. يتيح الاستدلال المعزز للنماذج معالجة المشكلات المنطقية الأكثر تعقيدًا، وفهم السياقات الدقيقة، وتقديم رؤى أكثر موثوقية.

ثانيًا، تسلط DeepSeek الضوء على ‘مهارات تطوير الواجهة الأمامية الأقوى’. هذا تخصص رائع، يشير إلى أن النموذج يتم ضبطه للمساعدة في أو حتى أتمتة جوانب إنشاء واجهات الويب والتطبيقات. يمكن لنموذج لغوي كبير (LLM) يتقن إنشاء كود لواجهات المستخدم أن يسرع بشكل كبير دورات تطوير البرمجيات.

ثالثًا، يتباهى التحديث بـ ‘قدرات استخدام أدوات أكثر ذكاءً’. يشير هذا إلى قدرة النموذج على استخدام الأدوات الخارجية أو واجهات برمجة التطبيقات (APIs) بشكل فعال للوصول إلى المعلومات في الوقت الفعلي، أو إجراء العمليات الحسابية، أو التفاعل مع أنظمة البرامج الأخرى. إن تعزيز استخدام الأدوات يجعل نماذج LLM أكثر قوة وتنوعًا، مما يسمح لها بالتحرر من قيود بيانات التدريب الخاصة بها والتفاعل ديناميكيًا مع العالم الرقمي.

على غرار استراتيجية Alibaba، جعلت DeepSeek هذا النموذج المطور متاحًا للمجتمع العالمي عبر Hugging Face. يتيح هذا النهج المفتوح للباحثين والمطورين الاستفادة من تطورات DeepSeek، مما يساهم في نمو النظام البيئي الأوسع. يوضح التركيز على المهارات العملية المحددة مثل تطوير الواجهة الأمامية واستخدام الأدوات نضجًا في المجال، والانتقال من النماذج ذات الأغراض العامة نحو مساعدي ذكاء اصطناعي أكثر تخصصًا مصممين لمجالات مهنية معينة. يؤكد تقدم DeepSeek أيضًا على المساهمات الكبيرة الناشئة من مشهد البحث والتطوير النابض بالحياة في مجال الذكاء الاصطناعي في الصين.

Landbase تطلق مختبر الذكاء الاصطناعي التطبيقي: التركيز على الذكاء الاصطناعي الوكيل للأعمال

بالانتقال من تطوير النماذج إلى التطبيقات المتخصصة، أعلنت Landbase، التي تعرف نفسها بأنها ‘شركة ذكاء اصطناعي وكيل’ (‘Agentic AI company’)، عن إنشاء مختبر الذكاء الاصطناعي التطبيقي (Applied AI Lab) جديد يقع استراتيجيًا في Silicon Valley. تشير هذه الخطوة إلى جهد مركّز لدفع حدود الذكاء الاصطناعي الوكيل (agentic AI)، وهو مجال يركز على إنشاء أنظمة ذكاء اصطناعي مستقلة (وكلاء) يمكنها التخطيط واتخاذ القرارات وتنفيذ المهام المعقدة بأقل تدخل بشري.

يتحدث تجميع فريق المختبر عن طموحاته. أبرزت Landbase توظيف مواهب من مؤسسات وشركات مرموقة، بما في ذلك Stanford University و Meta (Facebook سابقًا) و NASA. يشير هذا التركيز من الخبرة إلى الالتزام بمعالجة تحديات البحث الأساسية جنبًا إلى جنب مع تطوير التطبيقات العملية في مجال الذكاء الاصطناعي الوكيل. تتمثل مهمة المختبر المعلنة في تسريع الابتكار في ثلاثة مجالات أساسية:

• أتمتة سير العمل (Workflow Automation): تطوير وكلاء ذكاء اصطناعي قادرين على تولي عمليات الأعمال المعقدة متعددة الخطوات، مما قد يؤدي إلى تبسيط العمليات وتحرير العاملين البشريين لمهام ذات مستوى أعلى.
• ذكاء البيانات (Data Intelligence): إنشاء وكلاء يمكنهم تحليل البيانات بشكل استباقي، وتحديد الأنماط، وتوليد الرؤى، وربما حتى تقديم توصيات تعتمد على البيانات بشكل مستقل.
• التعلم المعزز (Reinforcement Learning): استخدام تقنيات التعلم المعزز ليس فقط لتدريب النماذج، ولكن ربما لتمكين الوكلاء من تعلم وتكييف استراتيجياتهم بناءً على النتائج الواقعية والتغذية الراجعة ضمن سياقات عمل محددة.

تربط Landbase هذه المبادرة بنموذجها الحالي GTM-1 Omni model، الذي تدعي أنه أول نموذج ذكاء اصطناعي وكيل والوحيد المصمم خصيصًا لأغراض الذهاب إلى السوق (go-to-market - GTM). وهذا يعني التركيز على تطبيق الذكاء الاصطناعي الوكيل على المبيعات والتسويق وإدارة علاقات العملاء - وهي مجالات مهيأة للأتمتة والتحسين القائم على البيانات. أكد Daniel Saks، الرئيس التنفيذي لشركة Landbase، على أهمية فريق الخبراء في دفع الابتكار لهذا النموذج المتخصص.

سيركز مختبر الذكاء الاصطناعي التطبيقي جهوده على تطوير أنواع مميزة من النماذج الحاسمة للأنظمة الوكيلة الفعالة:

• نماذج التخطيط واتخاذ القرار: الذكاء الأساسي الذي يمكّن الوكلاء من تحديد الأهداف ووضع الاستراتيجيات واختيار الإجراءات المناسبة.
• نماذج إنشاء الرسائل: ذكاء اصطناعي قادر على صياغة اتصالات فعالة وذات صلة بالسياق لمهام مثل التواصل مع المبيعات أو دعم العملاء.
• نماذج التنبؤ والمكافأة: أنظمة تساعد الوكلاء على توقع النتائج، وتقييم النجاح المحتمل للإجراءات المختلفة، والتعلم من تجاربهم.

يؤكد إنشاء هذا المختبر المخصص على اتجاه متزايد نحو شركات الذكاء الاصطناعي المتخصصة التي تركز على تطبيقات الأعمال عالية القيمة، لا سيما الاستفادة من إمكانات الوكلاء المستقلين لتحويل وظائف التشغيل الأساسية.

سد فجوات الأجهزة: شراكة بين webAI و MacStadium لنشر النماذج على Apple Silicon

أخيرًا، ومعالجة طبقة البنية التحتية الحيوية التي يعتمد عليها كل تطوير للذكاء الاصطناعي، أعلنت شركة حلول الذكاء الاصطناعي webAI ومزود السحابة للمؤسسات MacStadium عن شراكة استراتيجية. يهدف تعاونهما إلى معالجة تحدٍ كبير: نشر نماذج الذكاء الاصطناعي الكبيرة والقوية بكفاءة، لا سيما للشركات التي تواجه قيودًا على الأجهزة أو تبحث عن بدائل للبنية التحتية السحابية التقليدية التي تركز على وحدات معالجة الرسومات (GPU).

تقدم الشراكة منصة جديدة مصممة لنشر نماذج الذكاء الاصطناعي الكبيرة بالاستفادة من تقنية Apple silicon technology. تتخصص MacStadium في توفير بنية تحتية سحابية تعتمد على أجهزة Mac من Apple، بما في ذلك الأجهزة المزودة بشرائح M-series القوية (Apple silicon). هذه الشرائح، المعروفة ببنيتها المتكاملة التي تجمع بين وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU) والمحرك العصبي (Neural Engine)، تقدم أداءً مذهلاً لكل واط، مما قد يوفر منصة أكثر كفاءة من الناحية الحسابية لبعض أعباء عمل الذكاء الاصطناعي مقارنة بأجهزة الخوادم التقليدية.

يهدف التعاون إلى إطلاق هذه الإمكانية لنشر الذكاء الاصطناعي. من خلال الجمع بين خبرة MacStadium في بيئات سحابة macOS و ‘نهج النموذج المترابط’ (‘interconnected model approach’) الخاص بـ webAI (والذي تتطلب تفاصيله مزيدًا من التوضيح ولكن من المحتمل أن يشير إلى تقنيات لتحسين أو توزيع أعباء عمل النموذج)، يعتزم الشركاء إنشاء منصة تغير كيفية تطوير المؤسسات ونشرها لأنظمة الذكاء الاصطناعي المتقدمة، وتحديدًا على أجهزة Apple. قد يكون هذا جذابًا بشكل خاص للمؤسسات التي استثمرت بالفعل بكثافة في نظام Apple البيئي أو تلك التي تبحث عن بدائل فعالة من حيث التكلفة وموفرة للطاقة لاستئجار سعة GPU باهظة الثمن من كبار مزودي الخدمات السحابية.

صاغ Ken Tacelli، الرئيس التنفيذي في MacStadium، الشراكة على أنها ‘علامة فارقة مهمة’ في جلب قدرات الذكاء الاصطناعي إلى المؤسسات عبر البنية التحتية لأجهزة Apple. تعد المبادرة بـ كفاءة وأداء حسابي أكبر، مما قد يؤدي إلى إضفاء الطابع الديمقراطي على الوصول إلى نشر نماذج الذكاء الاصطناعي الكبيرة للشركات التي كانت مقيدة سابقًا بتكاليف الأجهزة أو توفرها. تسلط هذه الشراكة الضوء على البحث المستمر عن حلول أجهزة متنوعة وفعالة لتشغيل الاحتياجات الحسابية المتزايدة للذكاء الاصطناعي الحديث، واستكشاف بنيات تتجاوز نموذج GPU المهيمن. إنها تشير إلى أن مستقبل البنية التحتية للذكاء الاصطناعي قد يكون أكثر تنوعًا مما كان يُفترض سابقًا، حيث يدمج السيليكون المتخصص مثل Apple’s جنبًا إلى جنب مع أجهزة مراكز البيانات التقليدية.