مقابلات
إيتان جينسبيرج، المؤسس المشارك لشركة Martian – سلسلة المقابلات

النقاط الرئيسيةيوجّه Martian كل طلب إلى أفضل نموذج من خلال فهم سلوك النماذج بدلاً من اختبار كل خيار.
عرض المزيد
- يوجّه Martian كل طلب إلى أفضل نموذج من خلال فهم سلوك النماذج بدلاً من اختبار كل خيار.
- يحوّل ربط النماذج النماذج اللغوية غير الشفافة إلى أنظمة قابلة للتفسير بحيث يمكن اتخاذ قرارات التوجيه دون تشغيل كل نموذج.
- تتمثل مهمة Martian في فهم الذكاء الفائق وإصدار أدوات تجعل الذكاء الاصطناعي قابلاً للتفسير.
إيتان جينسبيرج هو المؤسس المشارك لـ Martian، منصة توجيه ديناميكي لكل استعلام إلى أفضل نموذج لغة كبير. من خلال التوجيه، تحقق مارتين أداء أعلى وتكلفة أقل من أي مزود فردي، بما في ذلك GPT-4. يتم بناء النظام على تقنية الخرائط النموذجية الفريدة للشركة التي تفكك نماذج اللغة الكبيرة من صناديق سوداء معقدة إلى بنية أكثر تفسيرًا، مما يجعلها أول تطبيق تجاري لقابلية التفسير الآلي.
كان إيتان يبرمج ويعمل على تصميم المواقع وإنشاء أعمال إلكترونية للعملاء منذ كان في المدرسة الإعدادية. إيتان هو متعدد المواهب، وهو منافس في بطولة العالم للذاكرة وحاصل على المركز الثاني في بطولة العالم للقراءة السريعة في شنتشن، الصين.
إنه منافس في مسابقات هاكاثون. تشمل الجوائز السابقة المركز الثالث في تيك كرانش SZ، والوصول إلى قائمة أفضل سبعة متأهلين لنهائيات هاكاثون برينستون، وثلاث جوائز قطاعية في هاكاثون ييل.
سبق لك تأسيس شركتين ناشئتين، فما هاتان الشركتان وماذا تعلمت من هذه التجربة؟
كانت شركتي الأولى هي المنصة الأولى للترويج وتطوير رياضة الأمريكي نينجا واريور. في عام 2012، رأيت الأمريكي نينجا واريور كرياضة غير سائدة (مثل الفنون القتالية المختلطة في التسعينيات) وقمت بإنشاء المنصة الأولى التي يمكن للناس من خلالها شراء مخططات، وطلب عقبات، والعثور على صالات للتدريب. قمت بالاستشارة لشركات تريد إنشاء صالات رياضية خاصة بها، بما في ذلك مساعدة قوات العمليات الخاصة الأمريكية في دورة تدريبية وتطوير منشأة من رسم أولي على منديل إلى تحقيق إيرادات قدرها 300 ألف دولار في الأشهر الثلاثة الأولى. على الرغم من أنني كنت في المدرسة الثانوية، كان لي أول تجربة لي في إدارة فرق من 20+ عاملاً وتعلمت عن الإدارة الفعالة والعلاقات الشخصية.
كانت شركتي الثانية شركة لإدارة الأصول البديلة شاركت في تأسيسها في عام 2017 قبل موجة ICO في العملات الرقمية. كان هذا أول تعرض لي للنظم النصية الطبيعية حيث استخدمنا تحليل المزاج لبيانات وسائل التواصل الاجتماعي كاستراتيجية استثمارية.
تعلمت الكثير من المهارات التقنية والشخصية التي تدخل في إدارة شركة ناشئة – من كيفية إدارة فريق إلى الجوانب الفنية للنظم النصية الطبيعية. في الوقت نفسه، تعلمت أيضًا الكثير عن نفسي وعن ما أريد العمل عليه. أعتقد أن أكثر الشركات نجاحًا هي تلك التي يؤسسها مؤسسون لديهم رؤية أو هدف أوسع يحركهم. غادرت العملات الرقمية في عام 2017 للتركيز على معالجة اللغة الطبيعية لأن تعزيز فهم الذكاء البشري وفهمنا له شيء يحركني حقًا. كنت سعيدًا باكتشاف ذلك.
في أثناء حضورك جامعة بنسيلفانيا، قمت ببعض الأبحاث حول الذكاء الاصطناعي، ماذا كنت تبحث بشكل محدد؟
كان بحثنا في البداية يركز على بناء تطبيقات للنظم النصية الكبيرة. على وجه الخصوص، عملنا على التطبيقات التعليمية للنظم النصية الكبيرة وكنا نبني أول معلم معرفي مدعوم بنماذج اللغة الكبيرة. كانت النتائج جيدة جدًا – رأينا تحسنًا بمقدار 0.3 من الانحراف المعياري في نتائج الطلاب في التجارب الأولية – ونظامنا تم استخدامه من جامعة بنسيلفانيا إلى جامعة بوتان.
يمكنك مناقشة كيف أدى هذا البحث إلى تأسيس مارتين؟
بسبب كوننا من بين أوائل الأشخاص الذين يبنيون تطبيقات على نماذج اللغة الكبيرة، كنا أيضًا من بين أوائل الأشخاص الذين واجهوا المشاكل التي يواجهها الأشخاص عند بناء تطبيقات على نماذج اللغة الكبيرة. أدى ذلك إلى توجيه بحثنا نحو طبقة البنية التحتية. على سبيل المثال، في وقت مبكر جدًا، كنا نضبط نماذج أصغر على مخرجات نماذج أكبر مثل GPT-3، وتحسين النماذج على مصادر بيانات مخصصة لمهام مثل البرمجة وحل المسائل الرياضية. أدى ذلك في النهاية إلى مشاكل حول فهم سلوك النموذج وتوجيه النموذج.
أصول اسم مارتين وعلاقته بالذكاء أيضًا مثيرة للاهتمام، يمكنك مشاركة قصة كيفية اختيار هذا الاسم؟
تمت تسمية شركتنا على اسم مجموعة من العلماء المجريين الأمريكيين المعروفين باسم “المريخيون“. هذه المجموعة، التي عاشت في القرن العشرين، كانت تتألف من بعض أذكى الأشخاص الذين عاشوا على الإطلاق:
- الأكثر شهرة بينهم كان جون فون نيومان؛ اخترع نظرية الألعاب، وهندسة الحاسوب الحديثة، ونظرية الآلات، وساهم بشكل أساسي في العديد من المجالات الأخرى.
- باول إيردوس كان أغزر علماء الرياضيات إنتاجًا على الإطلاق، حيث نشر أكثر من 1500 ورقة.
- ثيودور فون كارمان أسس النظريات الأساسية لأيروديناميكا وأسس البرنامج الفضائي الأمريكي. الحد الذي يحدد بين الأرض والفضاء يسمى “خط كارمان” تقديرًا لعمله.
- ليو سيلارد اخترع القنبلة الذرية والعلاج الإشعاعي ومسرعات الجسيمات.
هؤلاء العلماء و14 آخرين مثلهم (بما في ذلك مخترع القنبلة الهيدروجينية، الرجل الذي أدخل نظرية المجموعة إلى الفيزياء الحديثة، والمساهمين الأساسيين في مجالات مثل التوافقيات، ونظرية الأعداد، والتحليل العددي، ونظرية الاحتمال) تشاركوا في تشابه ملحوظ – جميعهم ولدوا في نفس جزء من بودابست. أدى ذلك إلى سؤال الناس: ما هو مصدر هذا القدر من الذكاء؟
في رد، قال سيلارد مازحًا: “المريخيون موجودون بالفعل، ويدعون أنفسهم مجريين!” في الواقع… لا أحد يعرف.
يتعرض الإنسان لنفس الوضع اليوم مع مجموعة جديدة من العقول الفائقة الذكاء المحتملة: الذكاء الاصطناعي. الناس يعرفون أن النماذج يمكن أن تكون ذكية جدًا، ولكنهم لا يعرفون كيف تعمل.
مهمتنا هي الإجابة على هذا السؤال – لفهم وتحقيق الذكاء الفائق الحديث.
لديك تاريخ من الإنجازات الرائعة في مجال الذاكرة، كيف أصبحت متعمقًا في هذه التحديات وكيف ساعدتك هذه المعرفة في مفهوم مارتين؟
في معظم الرياضات، يمكن لمحترف الرياضة أن يؤدي بشكل أفضل 2-3 مرات من الشخص العادي (قارن بين مدى قوة ركل كرة القدم أو سرعة رمي الكرة السريعة لمحترف مقابل شخص عادي). رياضات الذاكرة مثيرة للاهتمام لأن الرياضيين الأفضل يمكنهم تذكر 100 مرة أو حتى 1000 مرة أكثر من الشخص العادي مع تدريب أقل من معظم الرياضات. علاوة على ذلك، هؤلاء الأشخاص عادة ما يكونون أفرادًا ذوي ذاكرة طبيعية متوسطة يعزون أدائهم إلى تقنيات محددة يمكن لأي شخص تعلمها. أريد تحقيق أقصى استفادة من معرفة الإنسان، ورأيت بطولة العالم للذاكرة كنافذة لا تحظى بالتقدير الكافي حول كيف يمكننا تحقيق عوائد استثنائية لزيادة الذكاء البشري.
أردت نشر تقنيات الذاكرة في جميع أنحاء نظام التعليم حتى أبدأ في استكشاف كيف يمكن للنظم النصية الطبيعية وLLM مساعدة في تقليل تكلفة الإعداد التي تمنع معظم الأساليب التعليمية الفعالة من استخدامها في نظام التعليم الرئيسي. قمت أنا وYash بإنشاء معلم معرفي مدعوم بنماذج اللغة الكبيرة الأول، وأدى ذلك إلى اكتشافنا لمشاكل نماذج اللغة الكبيرة التي نساعد في حلها اليوم.
تتولى Martian أساسًا تعقيد اتخاذ قرار بشأن نموذج اللغة الكبير الذي ينبغي استخدامه، لماذا يعتبر هذا نقطة ألم حاليًا للمطورين؟
أصبح من الأسهل والأسهل إنشاء نماذج اللغة – تتناقص تكلفة الحوسبة، وتزداد كفاءة الخوارزميات، وتتوفر أدوات مفتوحة المصدر أكثر لإنشاء هذه النماذج. ونتيجة لذلك، يصبح أكثر من الشركات والمطورين يخلقون نماذج مخصصة مدربة على بيانات مخصصة. نظرًا لأن هذه النماذج لها تكاليف وقدرات مختلفة، يمكنك الحصول على أداء أفضل باستخدام نماذج متعددة، ولكن من الصعب اختبارها جميعًا والعثور على النماذج المناسبة لاستخدامها. نحن نهتم بذلك من أجل المطورين.
يمكنك مناقشة كيف يفهم النظام ما هو نموذج اللغة الكبير الأفضل لاستخدامه لكل مهمة محددة؟
التوجيه جيدًا هو أساسًا مشكلة حول فهم النماذج. لتوجيه النماذج بشكل فعال، تريد أن تتمكن من فهم ما يسبب فشلها أو نجاحها. يتيح لنا فهم هذه الخصائص باستخدام تقنية رسم خرائط النماذج تحديد مدى جودة أداء أي نموذج في طلب معين من دون الحاجة إلى تشغيل ذلك النموذج. ونتيجة لذلك، يمكننا إرسال الطلب إلى النموذج الذي سيقدم أفضل نتيجة.
يمكنك مناقشة نوع التوفيرات التكلفة التي يمكن رؤيتها من تحسين نموذج اللغة الكبير الذي يتم استخدامه؟
نسمح للمستخدمين بتحديد كيفية التوفيق بين التكلفة والأداء. إذا كنت لا تهتم إلا بالأداء، يمكننا أن نتفوق على GPT-4 على openai/evals. إذا كنت تبحث عن تكلفة معينة من أجل جعل اقتصاديات الوحدة الخاصة بك تعمل، نسمح لك بتحديد التكلفة القصوى لطلبك، ثم نجد أفضل نموذج لإكمال ذلك الطلب. وإذا كنت تريد شيئًا أكثر ديناميكية، نسمح لك بتحديد مقدار ما ترغب في دفعه مقابل إجابة أفضل – بهذه الطريقة، إذا كان لديك نموذجان لهما أداء مشابه ولكن هناك فرق كبير في التكلفة، يمكننا أن نسمح لك باستخدام النموذج الأقل تكلفة. لقد رأى بعض عملائنا انخفاضًا في التكلفة يصل إلى 12 مرة.
ما هي رؤيتك لمستقبل مارتين؟
كل مرة نتحسن من فهمنا الأساسي للنماذج، يؤدي ذلك إلى تحول في نمط الذكاء الاصطناعي. كان الضبط الدقيق هو النموذج المنهجي الذي يحركه فهم المخرجات. وصياغة الموجّهات هي النموذج المنهجي الذي يحركه فهم المدخلات. وهذا الاختلاف وحده في فهمنا للنماذج يفسر جزءًا كبيرًا مما يميز التعلم الآلي التقليدي (“لندرب نموذج انحدار”) عن الذكاء الاصطناعي التوليدي الحديث (“لنعطِ موجّهًا لذكاء اصطناعي عام في مراحله الأولى”).
هدفنا هو تحقيق إنجازات مستمرة في قابلية التفسير حتى نفهم الذكاء الاصطناعي تمامًا ونحصل على نظرية للذكاء قوية مثل نظرياتنا في المنطق أو التفاضل والتكامل.
لهذا الغرض، يعني بناء. يعني إنشاء أدوات ذكاء اصطناعي رائعة ووضعها في أيدي الناس. يعني إصدار أشياء تكسر القوالب المعتادة، التي لم يفعلها أحد من قبل، والتي – أكثر من أي شيء آخر – مثيرة للاهتمام ومفيدة.
بكلمات سير فرانسيس بيكون، “المعرفة هي القوة”. وبالتالي، أفضل طريقة لضمان فهمنا للذكاء الاصطناعي هي إصدار أدوات قوية. في رأينا، موجّه النماذج هو أداة من هذا النوع. نحن متحمسون للبناء، والنمو، ووضعها في أيدي الناس.
هذا هو الأول من العديد من الأدوات التي سنصدرها في الأشهر القادمة. لاكتشاف نظرية جميلة للذكاء الاصطناعي، لتمكين أنواع جديدة تمامًا من البنية التحتية للذكاء الاصطناعي، لمساعدة بناء مستقبل أكثر إشراقًا للإنسان والآلة – لا نستطيع الانتظار لمشاركة تلك الأدوات معكم.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد ينبغي لهم زيارة Martian.












