كيف يغير Phi-4-Reasoning مفاهيم التفكير الاصطناعي من خلال تحدي مفهوم “الأكبر هو الأفضل”

يُظهر إصدار Microsoft (MSFT ) الأخير لـ Phi-4-reasoning تحديًا لافتراض رئيسي في بناء أنظمة الذكاء الاصطناعي القادرة على التفكير. منذ إدخال التفكير التسلسلي في عام 2022، اعتقد الباحثون أن التفكير المتقدم يتطلب نماذج لغة كبيرة جدًا مع مئات الملايين من المعاملات. ومع ذلك، يطرح نموذج Microsoft الجديد البالغ 14 مليار معامل، Phi-4-reasoning، تساؤلات حول هذه الاعتقادات. باستخدام نهج مركز على البيانات بدلاً من الاعتماد على القوة الحاسوبية فقط، يحقق النموذج أداءً قابلاً للمقارنة مع الأنظمة الأكبر بكثير. هذا الإنجاز يظهر أن نهجًا مركزًا على البيانات يمكن أن يكون فعالًا بنفس القدر لتدريب نماذج التفكير مثل تدريب الذكاء الاصطناعي التقليدية. إنه يفتح إمكانية لنمذجة الذكاء الاصطناعي الصغيرة أن تحقق تفكيرًا متقدمًا عن طريق تغيير طريقة تدريب نماذج التفكير، من “الأكبر هو الأفضل” إلى “بيانات أفضل هي أفضل”.

المفاهيم التقليدية للتفكير

أصبح التفكير التسلسلي معيارًا لمعالجة المشكلات المعقدة في الذكاء الاصطناعي. تقود هذه التقنية نماذج اللغة من خلال التفكير التسلسلي، وقطع المشكلات الصعبة إلى خطوات أصغر وأكثر إدارة. إنها تقلد التفكير البشري من خلال جعل النماذج “تفكر بصوت عال” باللغة الطبيعية قبل إعطاء الإجابة.

然而، هذه القدرة جاءت مع تقييد مهم. وجد الباحثون باستمرار أنه يعمل التفكير التسلسلي جيدًا فقط عندما تكون نماذج اللغة كبيرة جدًا. يبدو أن قدرة التفكير ترتبط مباشرة بحجم النموذج، حيث تعمل النماذج الأكبر بشكل أفضل على مهام التفكير المعقدة. أدى هذا الاكتشاف إلى منافسة في بناء نماذج التفكير الكبيرة، حيث ركزت الشركات على تحويل نماذج اللغة الكبيرة إلى محركات تفكير قوية.

جاءت فكرة دمج قدرات التفكير في نماذج الذكاء الاصطناعي في المقام الأول من ملاحظة أن نماذج اللغة الكبيرة يمكن أن تعمل على التعلم في السياق. لاحظ الباحثون أنه عندما يتم إظهار الأمثلة لنماذج كيفية حل المشكلات خطوة خطوة، فإنها تتعلم اتباع هذا النمط للمشكلات الجديدة. أدى ذلك إلى الاعتقاد بأن النماذج الأكبر مدربة على بيانات ضخمة تطور بشكل طبيعي تفكيرًا متقدمًا. أصبح الارتباط القوي بين حجم النموذج وأداء التفكير حكمة مقبولة. استثمرت الفرق موارد ضخمة في تعزيز قدرات التفكير باستخدام التعلم التعزيزي، معتقدين أن القوة الحاسوبية هي المفتاح للتفكير المتقدم.

فهم النهج المرتكز على البيانات

يطرح نهج الذكاء الاصطناعي المرتكز على البيانات تحديًا لافتراض “الأكبر هو الأفضل”. يغير هذا النهج التركيز من بنية النموذج إلى هندسة البيانات المستخدمة في تدريب أنظمة الذكاء الاصطناعي بدقة. بدلاً من معاملة البيانات كمدخلات ثابتة، يرى النهج المرتكز على البيانات البيانات كمواد يمكن تحسينها وتحسينها لتعزيز أداء الذكاء الاصطناعي.

يُشجع أندرو إنغ، أحد قادة هذا المجال، على بناء ممارسات هندسية منهجية لتحسين جودة البيانات بدلاً من تعديل الكود أو توسيع النماذج فقط. يعترف هذا الفلسفة بأن جودة البيانات وتنقيطها غالبًا مهمة أكثر من حجم النموذج. تُظهر الشركات التي تتبنى هذا النهج أن النماذج الصغيرة المدربة جيدًا يمكن أن تتفوق على النماذج الأكبر إذا تم تدريبها على مجموعات بيانات عالية الجودة ومحضرة بدقة.

يسأل النهج المرتكز على البيانات سؤالاً مختلفًا: “كيف يمكننا تحسين بياناتنا؟” بدلاً من “كيف يمكننا جعل النموذج أكبر؟” هذا يعني إنشاء مجموعات بيانات تدريبية أفضل، وتحسين جودة البيانات، وتطوير هندسة بيانات منهجية. في الذكاء الاصطناعي المرتكز على البيانات، يركز الاهتمام على فهم ما يجعل البيانات فعالة لمهام محددة، وليس مجرد جمع المزيد منها.

أظهر هذا النهج وعدًا كبيرًا في تدريب نماذج الذكاء الاصطناعي الصغيرة ولكن القوية باستخدام مجموعات بيانات صغيرة وحسابات أقل. نموذج Microsoft Phi هو مثال جيد لتدريب نماذج اللغة الصغيرة باستخدام نهج مرتكز على البيانات. يتم تدريب هذه النماذج باستخدام التعلم المنهاج، الذي يُلهم في المقام الأول من كيفية تعلم الأطفال من خلال أمثلة أكثر صعوبة تدريجيًا. في البداية، يتم تدريب النماذج على أمثلة سهلة، والتي يتم استبدالها تدريجيًا بأمثلة أكثر صعوبة. بنى فريق Microsoft مجموعة بيانات من الكتب المدرسية، كما هو موضح في ورقتهم ” الكتب المدرسية كل ما تحتاجه “. هذا ساعد Phi-3 على تفوق نماذج مثل Google (GOOGL ) Gemma و GPT 3.5 في مهام مثل فهم اللغة، والمعرفة العامة، ومشكلات الرياضيات في المدرسة الابتدائية، والإجابة على الأسئلة الطبية.

尽管 نجاح النهج المرتكز على البيانات، ظل التفكير بشكل عام ميزة للنماذج الكبيرة. هذا لأن التفكير يتطلب أنماطًا ومعرفة معقدة التي تمتلكها النماذج الكبيرة بسهولة أكبر. ومع ذلك، تم تحدي هذه الاعتقادات مؤخرًا من خلال تطوير نموذج Phi-4-reasoning.

استراتيجية Phi-4-reasoning المبتكرة

يُظهر Phi-4-reasoning كيف يمكن استخدام نهج مرتكز على البيانات لتدريب نماذج التفكير الصغيرة. تم بناء النموذج من خلال تعديل النموذج الأساسي Phi-4 بدقة على مطالبات وامثلة تفكير محددة بعناية تم إنشاؤها باستخدام o3-mini من OpenAI. ركزت على الجودة والخصوصية بدلاً من حجم المجموعة البيانية. يتم تدريب النموذج باستخدام حوالي 1.4 مليون مطالبة عالية الجودة بدلاً من مليارات المطالبات العامة. قام الباحثون بتصفية الأمثلة لتغطية مستويات صعوبة ومختلف أنواع التفكير، مما يضمن التنوع. جعلت هذه التصفية المتأنية كل مثال تدريبي هادفًا، حيث يعلم النموذج أنماط تفكير محددة بدلاً من مجرد زيادة حجم البيانات.

في التعديل الدقيق، يتم تدريب النموذج مع تظاهرات تفكير كاملة تشمل عملية التفكير الكاملة. ساعدت هذه السلاسل التسلسلية للتفكير النموذج على تعلم كيفية بناء الحجج المنطقية وحل المشكلات بطريقة منهجية. لتطوير قدرات التفكير للنموذج بشكل أكبر، يتم تعديله بشكل إضافي باستخدام التعلم التعزيزي على حوالي 6,000 مشكلة رياضية عالية الجودة مع حلول موثقة. هذا يُظهر أن حتى كميات صغيرة من التعلم التعزيزي المُركز يمكن أن تحسن بشكل كبير من التفكير عند تطبيقها على بيانات منضبطة جيدًا.

الأداء يتجاوز التوقعات

تُثبت النتائج أن هذا النهج المرتكز على البيانات يعمل. يتفوق Phi-4-reasoning على نماذج أكبر بكثير مثل DeepSeek-R1-Distill-Llama-70B ويتقارب تقريبًا مع نموذج DeepSeek-R1 الكامل، على الرغم من كونه أصغر بكثير. في اختبار AIME 2025 (التصفيات الأمريكية لolympiad الرياضيات)، يتفوق Phi-4-reasoning على DeepSeek-R1، الذي يحتوي على 671 مليار معامل.

تتجاوز هذه المكاسب الرياضيات إلى حل المشكلات العلمية، البرمجة، الخوارزميات، التخطيط، والمهام المكانية. يتم نقل التحسينات الناتجة عن تحسين البيانات جيدًا إلى المعايير العامة، مما يشير إلى أن هذا الأسلوب يبني مهارات تفكير أساسية بدلاً من حيل محددة للمهام.

يُ挑ّي Phi-4-reasoning فكرة أن التفكير المتقدم يحتاج إلى حسابات ضخمة. يمكن لنموذج يحتوي على 14 مليار معامل أن يطابق أداء نماذج أكبر بكثير عندما يتم تدريبه على بيانات منضبطة بدقة. لهذا الكفاءة عواقب مهمة لتنفيذ الذكاء الاصطناعي في مجالات حيث تكون الموارد محدودة.

الآثار على تطوير الذكاء الاصطناعي

يُشير نجاح Phi-4-reasoning إلى تحول في كيفية بناء نماذج التفكير للذكاء الاصطناعي. بدلاً من التركيز بشكل رئيسي على زيادة حجم النموذج، يمكن للفرق الحصول على نتائج أفضل من خلال الاستثمار في جودة البيانات وتنقيطها. هذا يجعل التفكير المتقدم أكثر إمكانية للمنظمات التي لا تملك ميزانيات حاسوبية ضخمة.

يفتح النهج المرتكز على البيانات أيضًا مسارات بحثية جديدة. يمكن أن تركز الأعمال المستقبلية على العثور على مطالبات تدريبية أفضل، وإنشاء تظاهرات تفكير أكثر غنى، وفهم أي بيانات تساعد على التفكير. قد تكون هذه الاتجاهات أكثر إنتاجية من مجرد بناء نماذج أكبر.

على نطاق أوسع، يمكن أن يساعد هذا في ديمقراطية الذكاء الاصطناعي. إذا كانت النماذج الصغيرة المدربة على بيانات منضبطة يمكن أن تتفوق على النماذج الكبيرة، يصبح الذكاء الاصطناعي المتقدم متاحًا لمطوري ومنظمات أكثر. يمكن أن يسرع هذا أيضًا تبني وتطوير الذكاء الاصطناعي في مجالات حيث لا تُعتبر النماذج الكبيرة عمليًا.

مستقبل نماذج التفكير

يحدد Phi-4-reasoning معيارًا جديدًا لتطوير نماذج التفكير. من المحتمل أن تعتمد أنظمة الذكاء الاصطناعي المستقبلية على توازن بين هندسة البيانات وتحسينات معمارية. يعترف هذا النهج بأن كلاً من جودة البيانات وتصميم النموذج مهمان، ولكن تحسين البيانات قد يوفر مكاسب أسرع وأكثر فعالية من حيث التكلفة.

كما يُمكن أن يُ启ّن هذا النموذج لإنشاء نماذج تفكير متخصصة مدربة على بيانات محددة للنطاق. بدلاً من العمالقة العامين، يمكن للفرق بناء نماذج محددة تتفوق في مجالات معينة من خلال تنقيط بيانات مستهدفة. سيؤدي هذا إلى إنشاء ذكاء اصطناعي أكثر كفاءة لاستخدامات محددة.

随着 تقدم الذكاء الاصطناعي، ستؤثر دروس Phi-4-reasoning ليس فقط على تدريب نماذج التفكير ولكن على تطوير الذكاء الاصطناعي بشكل عام. يُظهر نجاح هندسة البيانات في التغلب على قيود الحجم أن التقدم المستقبلي يكمن في الجمع بين ابتكارات النموذج مع هندسة البيانات الذكية، بدلاً من بناء هياكل أكبر فقط.

الخلاصة

يغير نموذج Microsoft Phi-4-reasoning الاعتقاد السائد بأن التفكير الاصطناعي المتقدم يحتاج إلى نماذج كبيرة جدًا. بدلاً من الاعتماد على الحجم الأكبر، يستخدم هذا النموذج نهجًا مرتكزًا على البيانات مع بيانات تدريبية عالية الجودة ومحددة بعناية. يحتوي Phi-4-reasoning على 14 مليار معامل فقط، لكنه يؤدي بشكل جيد مثل النماذج الأكبر بكثير في مهام تفكير معقدة. هذا يُظهر أن التركيز على بيانات أفضل أكثر أهمية من مجرد زيادة حجم النموذج.

يجعل هذا النهج الجديد لتدريب الذكاء الاصطناعي أكثر كفاءة ومتاحًا للمنظمات التي لا تملك موارد حاسوبية كبيرة. يُشير نجاح Phi-4-reasoning إلى اتجاه جديد في تطوير الذكاء الاصطناعي. يركز على تحسين جودة البيانات، التدريب الذكي، والهندسة الدقيقة بدلاً من مجرد جعل النماذج أكبر.

يمكن أن يساعد هذا النهج الذكاء الاصطناعي على التقدم بشكل أسرع، وتقليل التكاليف، وتمكين المزيد من الناس والشركات من استخدام أدوات الذكاء الاصطناعي القوية. في المستقبل، من المحتمل أن يتطور الذكاء الاصطناعي من خلال الجمع بين نماذج أفضل وبيانات أفضل، مما يجعل الذكاء الاصطناعي المتقدم مفيدًا في العديد من المجالات المتخصصة.