ديب كوجيتو تجمع 43 مليون دولار في جولة السلسلة أ لتطوير محرك ما بعد التدريب للذكاء الاصطناعي القائم على تحسين الذات

Deep Cogito جمعت جولة تمويل من الفئة A بقيمة 43 مليون دولار بينما يهدف مختبر الذكاء الاصطناعي في سان فرانسيسكو إلى توسيع جزء متزايد الأهمية من بنية الذكاء الاصطناعي: ما يحدث بعد أن يتم تدريب نموذج أساسي مسبقًا.

قادت جولة التمويل TQ Ventures، بمشاركة Benchmark، Nexus Venture Partners، Atreides Management، South Park Commons، وشركة أمان السحابة Zscaler، التي تعد عميلًا ومستثمرًا استراتيجيًا. يرفع هذا التمويل إجمالي التمويل الذي حصلت عليه Deep Cogito إلى أكثر من 56 مليون دولار.

تأسست Deep Cogito على يد Drishan Arora وDhruv Malrana، اللذين عملا سابقًا على منتجات بحث الذكاء الاصطناعي من Google بما في ذلك وضع AI وملخصات AI، وتراهن Deep Cogito أن المكاسب المستقبلية في ذكاء الذكاء الاصطناعي ستأتي بشكل متزايد من خوارزميات تعلم محسنة وما بعد التدريب بدلاً من مجرد تكبير عمليات التدريب المسبق.

هذا يضع الشركة في جزء مختلف من سباق الذكاء الاصطناعي مقارنةً بالمختبرات التي تركز أساسًا على بناء نماذج أساسية أكبر فأكبر من الصفر.

لماذا Deep Cogito تراهن على ما بعد التدريب

Pre-training مسؤول عن إعطاء نموذج اللغة الضخم قاعدة معرفية واسعة من خلال تعريضه لكميات هائلة من البيانات. ثم يشكل ما بعد التدريب سلوك النموذج، وتفكيره، واتباعه للتعليمات، واستخدامه للأدوات، وأداءه لمهام محددة.

تُؤكد Deep Cogito أن هذه المرحلة الثانية لديها مساحة كبيرة للتطور.

تركز أبحاث الشركة على التعلم المعزز على نطاق واسع والأساليب التي تسمح للنماذج بتحسين قدراتها تدريجيًا. بدلاً من اعتبار النموذج المدرب مسبقًا كمنتج شبه مكتمل يحتاج إلى بعض التوافق الإضافي، ترى Deep Cogito فيه نقطة انطلاق يمكن الاستمرار في تطوير قدراته الأساسية.

لخص أرورا الفارق عند إعلان الجولة: “يمنح التدريب المسبق النموذج كمية هائلة من المعرفة والقدرات. يحدد ما بعد التدريب ما يمكن أن يصبح عليه هذا النموذج فعليًا.”

هذا أمر ذو صلة خاصةً مع تزايد صعوبة اقتصاديات توسيع التدريب المسبق فقط. يتطلب تدريب نماذج الأساس المتقدمة مجموعات بيانات هائلة، ومجموعات GPU، وبنية تحتية للطاقة، ورأس مال. قد يتمكن نظام ما بعد التدريب الفعال من استخراج ذكاء أكبر بشكل ملحوظ من نموذج موجود دون الحاجة إلى تكرار العملية بأكملها.

تحويل التفكير المكلف إلى حدس أفضل

في صميم أبحاث Deep Cogito يكمن التقطير المتكرر والتضخيم (IDA)، وهو نهج قدمته الشركة علنًا مع عائلة نماذج Cogito الأولى.

المفهوم بسيط نسبيًا حتى وإن كان تطبيقه على نطاق واسع ليس كذلك.

خلال مرحلة التضخيم، يُمنح النموذج حسابًا إضافيًا وتقنيات تمكّنه من الوصول إلى إجابة أقوى مما قد يولده مباشرةً. ثم يُستخلص التحسين الناتج مرة أخرى إلى معلمات النموذج. يصبح النموذج المُحسّن نقطة الانطلاق لتكرار آخر.

بدلاً من طلب أن يُجري النموذج عملية تفكير متزايدة الطول في كل مرة يواجه فيها سؤالًا صعبًا، الهدف هو استيعاب تدريجي لبعض ما تعلمه خلال تلك الخطوات الأكثر تكلفة من حيث الحوسبة.

تصف Deep Cogito ذلك بأنه تحسين “حدس” النموذج.

قد يصبح هذا الفارق مهمًا لاقتصاديات الاستدلال. يمكن لسلاسل التفكير الطويلة تحسين الدقة، لكنها أيضًا تزيد من استهلاك الرموز، والكمون، والتكلفة. قد يتمكن نموذج استوعب مسارات تفكير أفضل من الوصول إلى استنتاجات مماثلة باستخدام حساب أقل أثناء الاستدلال.

نماذج Cogito توفر اختبارًا عامًا للنهج

تستخدم Deep Cogito عائلة نماذج Cogito ذات الأوزان المفتوحة كمنصة اختبار لهذه التقنيات.

تراوحت إصداراتها الأولية بين 3 مليارات إلى 70 مليار معلمة، قبل أن توسع الشركة العائلة لتشمل نماذج 70B، 109B بنظام خلط الخبراء (MoE)، 405B، و671B بنظام MoE.

مع Cogito v2، أفادت الشركة أن نموذجها 671B أنتج سلاسل تفكير أقصر بحوالي 60٪ مقارنةً بـ DeepSeek R1 0528 مع الحفاظ على القدرة التنافسية عبر عدة تقييمات. كما ذكرت Deep Cogito أنها أنفقت أقل من 3.5 مليون دولار في مجموع تدريب ثمانية نماذج Cogito تتراوح بين 3B إلى 671B، على الرغم من أن أداء المعايير المقارنة وتكاليف التدريب لا تترجم بالضرورة مباشرة إلى اقتصاديات الإنتاج.

واصلت الشركة تحسين النظام مع Cogito v2.1 671B، الذي يستخدم نموذجًا أساسيًا من DeepSeek مرخصًا مفتوحًا ثم تقوم Deep Cogito بتدريبه ما بعد التدريب داخليًا. تقول إصدار البحث v2.1 إن النموذج يستخدم إشرافًا على العملية أثناء التفكير، مع تدريب صُمم لتحسين قدرة النموذج على تحديد مسارات التفكير المنتجة بدلاً من مجرد تشجيعه على التفكير لفترة أطول.

هذا التقدم مهم لحجة Deep Cogito الأوسع. لا تحتاج الشركة إلى إثبات قدرتها على تدريب نموذج أساسي أفضل من أكبر مختبرات الذكاء الاصطناعي. بل تحتاج إلى إظهار أن عملية ما بعد التدريب لديها يمكنها باستمرار تحويل النماذج القوية القائمة إلى نماذج أكثر قدرة.

Zscaler تشير إلى فرصة المؤسسات

الجانب الآخر من الأعمال هو نقل تقنيات ما بعد التدريب تلك إلى ما وراء نماذج Cogito المتاحة للجمهور وتطبيقها على الذكاء الاصطناعي للمؤسسات.

بدلاً من الاعتماد حصريًا على نموذج حدودي عام، يمكن للشركات تدريب نماذج متخصصة حول بياناتها المملوكة، وسير العمل، ومعايير التقييم، والنتائج المرجوة.

يمكن أن يتجاوز ذلك بشكل كبير ما يقدمه الجيل المعزز بالاسترجاع (RAG)، الذي عادةً ما يمنح النموذج العام إمكانية الوصول إلى معلومات الشركة الخارجية أثناء الاستدلال. يهدف نهج Deep Cogito إلى تغيير النموذج نفسه من خلال تدريب قدرات متخصصة في المجال داخل أوزانه.

تقدم Zscaler مثالًا مبكرًا. بدأت شركة الأمن السيبراني كعميل لـ Deep Cogito قبل المشاركة في جولة السلسلة A. كما عملت الشركتان معًا حول استخبارات أمنية متخصصة، حيث تجادل Deep Cogito بأن تطبيقات الأمن يمكن أن تستفيد من نماذج ما بعد التدريب على بيانات الأمن الخاصة بالمؤسسة ونتائجها.

تتمحور الفكرة الأوسع للمؤسسات حول كل من التخصص والتحكم. تشير تغطية Wall Street Journal للتمويل إلى أن Deep Cogito تضع تقنيتها حول نماذج يمكن للأعمال تدريبها وامتلاكها باستخدام بيانات مملوكة، بدلاً من الاعتماد الكامل على الأنظمة الحدودية المغلقة.

ما ستموله جولة السلسلة A بقيمة 43 مليون دولار

تخطط Deep Cogito لاستخدام جولة السلسلة A لتوسيع فريق البحث والهندسة، وزيادة البنية التحتية الحاسوبية المتاحة للتدريب على نطاق واسع، وتطوير نماذج Cogito المستقبلية، والعمل مع المزيد من المؤسسات التي تسعى إلى نماذج متخصصة.

من المحتمل أن تكون البنية التحتية جزءًا مهمًا بشكل خاص من هذا التوسع. تصف مواد التوظيف الخاصة بـ Deep Cogito الباحثين الذين يعملون على خوارزميات تعلم معزز مبتكرة، وأنابيب بيانات، وتقييم، وبنية تحتية موزعة أثناء تدريب نماذج تتجاوز 400 مليار معلمة.

وبالتالي، يمنح التمويل الشركة قدرة أكبر بكثير لاختبار ما إذا كانت التحسينات التي أظهرتها نماذجها الأولية ستستمر عندما تطبق مزيدًا من الحوسبة وتجرى مزيدًا من التكرارات لعملية ما بعد التدريب.

الأثر الأكبر: الذكاء الاصطناعي الذي يتعلم من تفكيره الخاص

الأهمية الأكبر لعمل Deep Cogito هي إمكانية تحول تطوير الذكاء الاصطناعي من أنظمة تُدرّب أساسًا على بيانات من إنتاج البشر إلى نماذج تولد وتقيّم وتستوعب تحسيناتها الخاصة بشكل متزايد.

تهدف أساليب مثل التقطير المتكرر والتضخيم إلى تحويل التفكير المكلف إلى قدرة مستدامة. يمكن للنموذج استخدام حساب إضافي لحل مشكلات أصعب، ثم يقطّر تلك المكاسب مرة أخرى إلى أوزانه، مما يخلق نقطة انطلاق أقوى للدورة التدريبية التالية.

مع مرور الوقت، قد ينتج عن ذلك حلقة تطوير تشمل التفكير، والتقييم، والتعلم، والتحسين.

لا يزال هناك فجوة كبيرة بين ما بعد التدريب المتكرر والتحسين الذاتي المتكرر الحقيقي. تحتاج النماذج إلى تقييمات موثوقة، وأهداف مصممة بعناية، وضمانات ضد تعزيز الأخطاء. لكن حتى النسخ المحدودة من هذا النهج قد تقلل الاعتماد على عمليات التدريب المسبق المتزايدة الحجم وتجعل الذكاء الاصطناعي المتخصص المدرب على بيانات مؤسسية مملوكة أكثر عملية.

إذا استمر هذا المسار، قد يعتمد التفوق التنافسي في مجال الذكاء الاصطناعي أقل حصرًا على من يمتلك أكبر مجموعات الحوسبة وأكثر على من يمتلك نماذج أفضل في التعلم من تجاربه الخاصة.