نماذج اللغة المخصصة لجميع الأعمال؟ DeepSeek تظهر لنا الطريق

في زمن مضى كان النداء التقني هو «هواتف محمولة للجميع»، وقد أحدث الاتصال المحمول فعلًا ثورة في الأعمال والعالم. أما النداء المقابل اليوم فهو منح الجميع إمكانية الوصول إلى تطبيقات الذكاء الاصطناعي. لكن قوة الذكاء الاصطناعي الحقيقية تظهر عند تسخيره لتلبية الاحتياجات المحددة للشركات والمؤسسات. ويوضح المسار الذي شقته شركة DeepSeek الصينية الناشئة كيف يمكن للجميع، وخصوصًا أصحاب الميزانيات المحدودة، استخدام الذكاء الاصطناعي لتحقيق احتياجاتهم الخاصة. ومن شأن ظهور حلول أقل تكلفة أن يغير النمط الراسخ الذي أبقى حلول الذكاء الاصطناعي بعيدة عن كثير من الشركات والمؤسسات الصغيرة بسبب كلفتها.

كانت نماذج اللغة الكبيرة، أو ربما كانت حتى وقت قريب، مشروعًا باهظ التكلفة يتطلب كميات هائلة من البيانات، وعددًا كبيرًا من الحواسيب القوية لمعالجتها، ووقتًا وموارد لتدريب النموذج. لكن هذه القواعد تتغير. فقد طورت DeepSeek بميزانية محدودة نموذجها اللغوي وتطبيقًا للاستعلام شبيهًا بـChatGPT باستثمار أقل بكثير من أنظمة مماثلة بنتها شركات أمريكية وأوروبية. ويفتح نهج DeepSeek نافذة أمام المؤسسات الأصغر التي لا تملك مليارات الدولارات. وقد لا يكون اليوم بعيدًا حين تتمكن معظم المؤسسات الصغيرة من تطوير نماذجها الخاصة لأغراض محددة، وغالبًا ما تقدم حلولًا أكثر فاعلية من النماذج العامة مثل ChatGPT.

مع استمرار الجدل حول التكلفة الحقيقية لـDeepSeek، ليست الكلفة وحدها ما يميز النموذج وأمثاله؛ فقد اعتمد على رقائق أقل تقدمًا ونهج تدريب أكثر تركيزًا. وبوصفها شركة صينية خاضعة لقيود التصدير الأمريكية، لم تستطع DeepSeek الحصول على رقائق Nvidia المتقدمة المستخدمة عادة في الحوسبة الثقيلة اللازمة لتطوير النماذج، واضطرت إلى استخدام رقائق Nvidia H-800 الأقل قوة (NVDA )، التي لا تعالج البيانات بالسرعة والكفاءة نفسيهما.

وللتعويض عن نقص القوة، اتبعت DeepSeek نهجًا مختلفًا وأكثر تركيزًا ومباشرة. فبدل إغراق النموذج بجبال من البيانات والاعتماد على القدرة الحاسوبية لوسمها وتطبيقها، ضيقت نطاق التدريب واستخدمت كمية صغيرة من بيانات «البداية الباردة» عالية الجودة وطبقت التعلم المعزز التكراري IRL، حيث يطبق النظام البيانات على سيناريوهات متنوعة ويتعلم منها (التكرار في سياسات التعلم المعزز). ويسمح هذا النهج للنموذج بأن يتعلم أسرع، بأخطاء أقل وهدر أقل في القدرة الحاسوبية.

يشبه ذلك توجيه الوالدين لحركات طفل محددة لمساعدته على التقلب للمرة الأولى، بدل تركه يكتشف الأمر وحده أو تعليمه مجموعة واسعة من الحركات التي قد تساعده نظريًا. يركز علماء البيانات الذين يدربون هذه النماذج على ما يلزم فعلًا لمهام ونتائج بعينها. وربما لا تكون تطبيقاتها الموثوقة واسعة بقدر نماذج ضخمة مثل ChatGPT، لكنها تكون جديرة بالاعتماد في تطبيقات محددة تنفذها بدقة وكفاءة. وحتى منتقدو DeepSeek يقرون بأن منهجها المبسط رفع الكفاءة كثيرًا ومكنها من إنجاز المزيد بموارد أقل بكثير.

يقوم هذا النهج على تزويد الذكاء الاصطناعي بأفضل المدخلات ليبلغ أهدافه بأذكى الطرق وأكثرها كفاءة، ويمكن أن يفيد أي مؤسسة تريد بناء نموذج يناسب احتياجاتها ومهامها. وتزداد قيمته للشركات الصغيرة. الخطوة الأولى هي البدء بالبيانات الصحيحة. فإذا أرادت شركة استخدام الذكاء الاصطناعي لمساعدة فرق المبيعات والتسويق، فعليها تدريبه على مجموعة منتقاة تركز على محادثات المبيعات والاستراتيجيات والمقاييس. وهذا يمنع النموذج من إهدار الوقت والحوسبة على معلومات غير ذات صلة. كما يجب تنظيم التدريب على مراحل، بحيث يتقن النموذج كل مهمة أو مفهوم قبل الانتقال إلى التالي.

وهذا أيضًا يشبه تربية طفل، كما تعلمت الكاتبة منذ أن أصبحت أمًا قبل بضعة أشهر. ففي الحالتين يتجنب النهج الموجه خطوة بخطوة هدر الموارد ويقلل الاحتكاك. وفي النهاية يقود إلى تحسن تكراري لدى الطفل والنموذج معًا؛ فكلما نما الطفل أو تعلم النموذج، تحسنت قدراته. وبذلك يمكن تنقيح النماذج وتطويرها للتعامل بصورة أفضل مع مواقف العالم الحقيقي.

يبقي هذا النهج التكاليف منخفضة ويمنع مشاريع الذكاء الاصطناعي من استنزاف الموارد، ما يجعلها متاحة لفرق ومؤسسات أصغر. كما يؤدي إلى أداء أفضل في وقت أقصر. ولأن النماذج لا تحمل بيانات زائدة غير ضرورية، يمكن تعديلها بسهولة لاستيعاب المعلومات الجديدة واحتياجات العمل المتغيرة، وهو أمر أساسي في الأسواق التنافسية.

إن ظهور DeepSeek وعالم الذكاء الاصطناعي الأقل تكلفة والأعلى كفاءة، رغم الذعر الأولي الذي نشره في قطاع الذكاء الاصطناعي وأسواق الأسهم، يمثل تطورًا إيجابيًا عمومًا. فزيادة الكفاءة وخفض الكلفة، على الأقل في التطبيقات المركزة، سيؤديان في النهاية إلى استخدام أوسع للذكاء الاصطناعي، ما يدفع النمو للجميع من المطورين وصانعي الرقائق إلى المستخدمين النهائيين. وتجسد DeepSeek مفارقة جيفونز، حيث تؤدي زيادة الكفاءة غالبًا إلى استخدام مورد أكثر لا أقل. ومع استمرار هذا الاتجاه، ستصبح الشركات الصغيرة التي تركز على استخدام الذكاء الاصطناعي لتلبية احتياجاتها المحددة في وضع أفضل للنمو والنجاح.