«نماذج لغوية تعيد كتابة أوزانها ذاتيًا بلا تدريب: مسار يختصر تكاليف الحوسبة لفرق المنطقة»
استمع لهذا المقال
بصوت راشد (Rashed)
كسرت دراسة بحثية حديثة القاعدة الصارمة التي حكمت هندسة الذكاء الاصطناعي لسنوات، ومفادها أن النماذج اللغوية تُدرّب وتُجمّد في مكانها ولا يمكن رفع كفاءتها إلا عبر جولات تدريب جديدة ومكلفة أو استهلاك حوسبة إضافية عند الاستدلال. أثبت فريق بحثي أن النماذج قادرة على تشخيص أخطائها وإعادة كتابة أوزانها البرمجية ذاتيًا بالاعتماد على الاستدلال المنطقي وحده، ومن دون حساب التدرجات أو الخضوع لعمليات تدريب مسبقة أو لاحقة. يفتح هذا الكشف مسارًا عمليًا لخفض تكاليف تكييف النماذج مفتوحة المصدر أمام فرق التطوير والمراكز التقنية في الخليج ومصر، بعدما أظهرت التجارب أن تعديل الأوزان يمكن إنجازه خلال ساعات معدودة على معالج رسومي واحد.
اعتمدت الورقة العلمية، التي قادها الباحث جياجون فان ونُشرت عبر منصة «أركايف»، على تمكين نموذج لغوي يضم 27 مليار معامل من الوصول المباشر إلى أوزانه وإجاباته المصححة ومنحه القدرة على تشغيل نفسه. استطاع النموذج فحص أسباب إخفاقه في المسائل المعقدة، ثم عدل المصفوفات المسؤولة عن ذلك القصور ذاتيًا. وأظهرت النتائج تفوق النموذج على نسخته الأصلية، محققًا قفزة بلغت 6.6 نقطة مئوية في دقة الإجابة عبر اختبار مسبق ومحدد ضم 490 مسألة رياضية لم يتعرض لها سابقًا، مع تسجيل تحسن نوعي آخر في جلسات عمل إضافية. والأهم من ذلك أن أداء النموذج استمر في التصاعد عبر ثماني جلسات متتالية من إعادة الكتابة دون أن يشهد أي انتكاسة في دقته، لأنه يرفض إقرار أي تعديل برمجي إلا بعد التحقق من نجاحه في اختباراته الذاتية.
التعديل الذاتي يثبت التحسينات داخل مصفوفات النموذج دون أن يضيف درهمًا واحدًا إلى تكلفة معالجة الاستفسارات. يكمن الفارق الحاسم بين هذه المنهجية وما يعرف بتوسيع الحوسبة وقت الاستدلال في أن المكاسب تترسخ مباشرة في بنية الأوزان، فلا تتطلب توليد رموز تفكير إضافية ترفع فاتورة التشغيل مع كل إجابة. وفي المقابل، لا يحتاج هذا المسار إلى البنى التحتية العملاقة المخصصة لجولات التدريب الموزع، إذ يكفي نموذج مفتوح وبضع ساعات عمل على بطاقة معالجة رسومية مفردة للوصول إلى تحسينات تراكمية دائمة.
امتدت قدرة النموذج أيضًا إلى معالجة نسخ متضررة من نفسه دون الرجوع إلى الأوزان الأصلية السليمة، إذ نجح في تحديد موضع المصفوفة التالفة وأعاد توليد قيمها بالكامل اعتمادًا على تشخيص أخطائه في مسائل رياضية نصية فقط. وانعكس هذا الإصلاح على ستة اختبارات قياسية متعددة الوسائط للصور لم يسبق للنموذج فحصها، لتقفز دقته فيها من 7 في المئة إلى 70 في المئة، وهو ما يوازي 83 في المئة من كفاءة النسخة الأصلية غير المتضررة. وكشفت الورقة أن هذه المهارة خاصية ناشئة ترتبط بالحجم وتظهر عند عتبات معينة؛ فعند اختبار أربعة أحجام مختلفة من العائلة نفسها، عجز نموذج بملياري معامل عن إجراء أي تعديل، بينما أتلفت نماذج 4 مليارات و9 مليارات معامل أوزانها وعطلت نفسها حين حاولت التدخل، واقتصر النجاح الحقيقي على نموذج 27 مليار معامل.
النموذج الأكبر فحص حالاته التمثيلية المخفية تمامًا كما يفعل المطور البشري عند ملاحقة الأخطاء البرمجية المعقدة. أجرى نموذج 27 مليار معامل مقارنة دقيقة بين حالاته الداخلية عند تقديم إجابات ناجحة وحالاته عند استنفاد الرموز المتاحة دون إتمام الحل، وعمل ذاتيًا على إضعاف الاتجاه الهندسي الذي يفصل بين الحالتين لتلافي الانسداد المعرفي. وتؤكد نتائج التجربة أن الفصل الحاد بين مرحلتي التدريب والاستدلال يتلاشى تدريجيًا، وأن تطوير قدرات النماذج قد يتحول في المنظور القريب إلى مسار تفاعلي وتفكير ذاتي بديل عن تشغيل عناقيد الحوسبة المعقدة.
ماذا يعني هذا للمنطقة
تعتمد معظم استراتيجيات الذكاء الاصطناعي في السعودية والإمارات ومصر حاليًا على حجز عناقيد حوسبة ضخمة لإعادة تدريب النماذج مفتوحة الأوزان وضبطها للمهام المحلية، وهي مشروعات تتطلب تخصيص سعات كهربائية واستثمارات بملايين الدولارات. يمنح مسار إعادة الكتابة الذاتية فرق البحث والتطوير الإقليمية قدرة غير مسبوقة على تكييف نماذج متوسطة الحجم، مثل فئة 27 مليار معامل، داخل خوادم محلية صغيرة وعلى بطاقة معالجة واحدة، ما يقلص كلفة بناء حلول سيادية متخصصة للقطاعات الحساسة دون الارتهان الدائم لسعات الحوسبة السحابية الخارجية المقيدة بتراخيص التصدير.
وعلى مستوى العمليات التشغيلية في المصارف وشركات التقنية المالية بالخليج، يوقف هذا الأسلوب استنزاف الميزانيات الناتج عن تكاليف الاستدلال اللحظي المتكررة. فبدلًا من الاعتماد على استهلاك سلاسل طويلة من رموز التفكير التوضيحية عند كل معاملة لضمان دقة الاستجابة، تُدمج التحسينات المصححة داخل الأوزان مباشرة، ما يحافظ على سرعة المعالجة ويبقي التكلفة الهامشية لكل عملية عند حدودها الدنيا دون أي زيادة.
وترى محررتنا أن هذا التطور يعيد رسم أولويات التأهيل الهندسي في المنطقة؛ وإذا كنت تدير فريقًا تقنيًا يطور وكلاء البرمجيات، فإن خطوتك القادمة لم تعد موجهة نحو هندسة الأوامر السطحية أو إدارة عناقيد التدريب الموزع، بل نحو بناء أدوات قادرة على قراءة الحالات المخفية للنماذج ومساعدتها على تشخيص أوزانها وإصلاح عثراتها ذاتيًا قبل الدخول في بيئات الإنتاج الفعلية.