لويس أميرا، مؤسس Circuit & Chisel – سلسلة مقابلات

لويس أميرا هو مؤسس Circuit & Chisel، ويستند في عمله إلى خبرة في تطوير المنتجات وبناء الشراكات في مجالات الذكاء الاصطناعي والعملات المشفرة والمدفوعات. تشمل مسيرته المشاركة في تأسيس شركة ضمن حاضنة Area 120 التابعة لـGoogle، والعمل في Chainlink، وقيادة الشراكات في مجالي العملات المشفرة والذكاء الاصطناعي لدى Stripe. أسس شركة Circuit & Chisel مع ديفيد نويل-روماس لمعالجة الثغرات في البنية التحتية التي تحول دون إنجاز وكلاء الذكاء الاصطناعي أعمالًا موثوقة ومفيدة للشركات.

تطوّر Circuit & Chisel بنية تحتية لوكلاء الذكاء الاصطناعي، وهي الشركة المطوّرة لكل من ATXP وUnbiased وPareto. يوفّر ATXP إمكانات الهوية والدفع للوكلاء، فيما يجمع Pareto بين النماذج المتقدمة ونماذج الأوزان المفتوحة لمعالجة مسألتي الجودة وتكلفة الاستدلال في الذكاء الاصطناعي. وتتيح منصة Unbiased الوصول إلى Pareto. في هذه المقابلة، يتحدث أميرا عن تنسيق النماذج وتقييمها واقتصاديات الاستدلال والاحتفاظ بالبيانات، وعن العلاقة بين استدلال الوكلاء الموثوق والمدفوعات المستقلة.

انتقلت مسيرتك المهنية من حاضنة Area 120 التابعة لـGoogle إلى قيادة الشراكات في مجالي العملات المشفرة والذكاء الاصطناعي لدى Stripe، قبل أن تشارك في تأسيس Circuit & Chisel. ما الذي علمتك إياه هذه التجارب عن البنية التحتية التي يحتاج إليها وكلاء الذكاء الاصطناعي، وما الذي ألهمك في نهاية المطاف لتأسيس الشركة؟

شاركتُ في Google في تأسيس شركة ضمن Area 120. والدرس الذي استخلصته من هذه التجربة هو أن ما تبنيه أولًا يحدد ما يمكنك بناؤه لاحقًا. وفي Chainlink وStripe، رأيت النمط نفسه من الجهة الأخرى. كانت التقنيات الجديدة تعمل في بيئة العروض التجريبية، في الأيام المشمسة والظروف المثالية، ثم يتعثر تطبيقها لغياب البنية الأساسية اللازمة للعمل في الواقع.

بدأتُ أنا وديفيد تأسيس Circuit & Chisel لبناء وكلاء ينجزون أعمالًا حقيقية لشركات حقيقية. لكنهم كانوا يتعثرون لأسباب بسيطة ومملة: لم يكن الوكيل قادرًا على إثبات هويته، ولم يكن يستطيع دفع ثمن أي شيء. لذلك بنينا ATXP لمنح الوكلاء هوية ووسيلة للدفع.

ثم واجهنا العقبة التالية. فالوكيل القادر على تنفيذ المهام يجب أن يصيب أيضًا، وبسعر معقول بالنظر إلى المهمة. وهذا هو دور Pareto. وفي المرتين، كان منطلقنا واحدًا: تحديد العنصر الناقص وبناؤه.

ركّزت Circuit & Chisel في البداية على ATXP، وهو بروتوكول مصمم لإتاحة المدفوعات المستقلة بين وكلاء الذكاء الاصطناعي، ثم توسعت إلى البنية التحتية لنماذج الذكاء الاصطناعي من خلال Unbiased وPareto. ما الذي دفع هذا التطور، وكيف تنسجم هذه التقنيات مع رؤيتك الأوسع لاقتصاد الوكلاء؟

أظهر لنا عملاؤنا ووكلاؤهم أن ATXP يعمل. فقد أصبح بإمكان الوكلاء امتلاك هوية وإنفاق الأموال. لكن عندما جلسنا مع الشركات، اتضح أن المدفوعات لم تكن مشكلتها الأولى، بل الثقة في المخرجات. فلا أحد يسلّم ميزانية إلى وكيل يختار النموذج غير المناسب للمهمة أو يخطئ في الإجابة.

لذلك كثّفنا العمل على الجودة والتكلفة في وقت سابق من هذا العام، وأثمر ذلك عن Pareto.

ولا يزال المنتجان متكاملين: يحدد Pareto طريقة تفكير الوكيل في المهمة، ويتيح له ATXP تنفيذها والدفع. أنت بحاجة إلى كليهما، وبهذا الترتيب، إذ لا أحد يمنح الوكيل محفظة قبل أن يثق بحسن تقديره. لكننا بنيناهما بالترتيب الخاطئ.

يتبع Pareto نهجًا مختلفًا عن نماذج اللغة الكبيرة التقليدية؛ إذ يجمع مخرجات عدة نماذج متقدمة ومفتوحة الأوزان بدلًا من الاعتماد على نموذج واحد أو نظام توجيه تقليدي. هل يمكنك شرح آلية عمل هذه البنية، وخصوصًا كيفية دمجها الإجابات المتباينة للوصول إلى نتيجة أدق أو أنفع؟

Pareto نظام، وليس نموذجًا واحدًا. فهو يوزع المهام على نماذج من مختبرات عدة، تشمل نماذج متقدمة وأخرى مفتوحة الأوزان، ويخصص لكل نموذج دورًا. قد تكون عدة نماذج قادرة على إنجاز المهمة، لكن بعض المهام قد تكون معقدة، فتحتاج إلى نموذج يراجع العمل ويقدم المشورة. ويُختار النموذج أو النماذج المراد استدعاؤها بناءً على درجات كل منها في القدرات والتكلفة والسرعة والموثوقية لهذا النوع من المهام، وكذلك على مقدار التدقيق الذي تستدعيه المهمة.

لا نحسب متوسط الإجابات، لأن ذلك يطمس الأخطاء ويمزجها بعضها ببعض. نريد من النماذج أن تختلف في إجاباتها، لأن الاختلاف يكشف مواضع الخطأ. وعندما تتغير مجموعة النماذج المتاحة، نعيد الاختبار ونصدر نسخة جديدة مرقّمة من Pareto.

من الوعود الأساسية لـPareto تقديم ذكاء بمستوى النماذج المتقدمة وبتكلفة أقل بكثير. وبما أن توليد الإجابة قد يشمل عدة نماذج، فكيف تحققون هذه الوفورات، وما أوجه المفاضلة بين تكلفة الاستدلال وزمن الاستجابة وجودة المخرجات؟

مهمة Pareto هي تقديم إجابات بمستوى النماذج المتقدمة. أما خفض التكلفة فيأتي من طريقة تحقيق ذلك.

معظم ما يرسله الناس إلى الذكاء الاصطناعي طلبات روتينية. ويجيب نموذج أقل تكلفة عنها بالصواب بالقدر نفسه الذي يحققه أغلى نموذج. يوجّه Pareto هذه الطلبات إلى تلك النماذج، ويوفر النماذج المتقدمة، أو عدة نماذج تعمل معًا، للطلبات التي تحتاج إليها. وفي اختباراتنا المنشورة، حقق هذا المزيج نتائج لا تقل إلا ببضع نقاط عن GPT-6 Astra وClaude Opus 5.5 في معظم المعايير الرئيسية، مع تكلفة أقل لكل مهمة بنسبة تتراوح بين 30 و70٪.

لا توجد مفاضلات كبيرة. لن يوجّه Pareto كل طلب على النحو الأمثل، لكننا نقيس مدى تكرار أخطاء التوجيه ونعمل على تحسين النتائج ونشرها!

نشر فريقكم نتائج اختبارات معيارية تضع Pareto في موقع تنافسي مقارنةً بنماذج رائدة مغلقة المصدر ومفتوحة الأوزان، بما في ذلك مقارنات شملت GPT-6 Astra وClaude Opus 5.5. كيف تضمنون أن تعكس هذه التقييمات الأداء في الواقع العملي، لا مجرد التحسين لاجتياز اختبارات معيارية بعينها؟ وأين لا تزال النماذج المتقدمة تتمتع بميزة ملموسة على Pareto؟

ننشر شيفرة التقييم، ليتمكن أي شخص من إعادة اختبار أرقامنا. ونختبر جميع النماذج باستخدام المنظومة نفسها، بما فيها Pareto. كما نعرض مواطن إخفاق Pareto بقدر ما نعرض مواطن نجاحها. فلوحة النتائج التي يفوز فيها صاحبها دائماً ليست سوى إعلان.

أطلقنا النموذج عبر عدة بوابات للذكاء الاصطناعي، وأتحنا معاينة النماذج الجديدة لشركات من مختلف الأحجام والأنواع. ونستفيد من ملاحظاتها في وقت شبه آني لتحسين أداء النموذج باستمرار.

يُقال إن Pareto عالج أكثر من تريليوني رمز خلال أول 48 ساعة من إطلاقه. ماذا كشف هذا الطلب الأولي عن سوق استدلال الذكاء الاصطناعي منخفض التكلفة؟ وما أكبر التحديات التقنية التي واجهتموها للحفاظ على الأداء والموثوقية وقابلية التوسع بهذا الحجم؟

كان الطلب أضعاف ما توقعناه نحن وشركاؤنا، وللأسف لم تكن لدينا قدرة حوسبة كافية لتلبيته على النحو المطلوب. في اليوم الأول، تجاوز الطلب 5 إلى 10 مليارات رمز في الدقيقة، بينما كنا نعالج نحو 1.6 مليار. وكان تلبية كل هذا الطلب مجاناً على النحو المطلوب ستكلف ملايين الدولارات يومياً.

ما كشفه لنا الأمر هو أن السعر يحدّ من كثير من استخدامات الذكاء الاصطناعي. فهناك مطورون ينجح منتجهم عند سعر معين، لكنه لا ينجح إذا ارتفع السعر إلى خمسة أمثال ذلك. خفّضوا السعر، وسيقبلون على المنتج.

كان أصعب ما واجهناه بسيطاً: نفدت طاقتنا الاستيعابية. في اليوم الأول، أصبح النموذج بطيئاً إلى حد دفع بعض المستخدمين إلى التخلي عنه. وأتحنا طاقة استيعابية إضافية خلال الليل، وانتقلنا إلى الوصول المدفوع بعد يومين من الإطلاق، وهي الطريقة الصريحة لترشيد الاستخدام.

وتعلمنا أيضاً درساً بشأن الإفصاح. شعر بعض المستخدمين بأنهم تعرضوا للتضليل حين اكتشفوا أن Union Alpha يتألف من عدة نماذج تعمل معاً، لا من نموذج واحد. وكان هذا جزءاً من هدف إطلاقه مع الشركاء بوصفه «مجرد نموذج آخر»؛ فمن الناحية العملية، لا فرق في الطريقة التي ينبغي أن يختبر بها المستخدمون مخرجات الموجّه.

يشكّل عدم الاحتفاظ بالبيانات عنصراً أساسياً آخر في تموضع Pareto، ولا سيما مع تزايد قلق الشركات بشأن مرور المعلومات الحساسة عبر مزودي خدمات الذكاء الاصطناعي الخارجيين. كيف تفرضون هذه الحماية وتتحققون منها عند استخدام عدة نماذج أساسية؟ وما الضمانات التي يمكن للعملاء من الشركات الحصول عليها بشأن كيفية التعامل مع بياناتهم؟

في باقاتنا التي تضمن عدم الاحتفاظ بالبيانات، لا نخزّن المطالبات أو المخرجات، ولا يفعل ذلك أي مزود نرسلها إليه.

عند استخدام عدة نماذج في مسار المعالجة، لا يتجاوز ضمان عدم الاحتفاظ بالبيانات قوة أضعف حلقاته. لذلك، لا تُرسل الطلبات المشمولة بهذا الضمان إلا إلى نماذج تعمل بموجب شروط عدم الاحتفاظ بالبيانات. وإذا عجز أحد المزودين عن الالتزام بهذه الشروط، فلن تُرسل إليه طلبات مشمولة بالضمان.

يحصل عملاء الشركات على ذلك مكتوباً: اتفاقية لمعالجة البيانات وملحقاً يضمن عدم الاحتفاظ بالبيانات (ZDR). ونوضح أيضاً بجلاء أي الباقات لا تشمل هذا الضمان، حتى لا ينتهي الأمر بأحد في الفئة الخطأ. ونعمل على إصدار يمكن للشركات التي تريد ألا تغادر بياناتها مبناها مطلقاً تشغيله على أجهزتها الخاصة. وسنوافيكم بمزيد من التفاصيل قريباً.

مع انتقال وكلاء الذكاء الاصطناعي من الإجابة عن الأسئلة إلى تنفيذ سير عمل معقد متعدد الخطوات، قد تتراكم أخطاء الاستدلال الصغيرة لتؤدي إلى إخفاقات كبيرة. كيف تعالج Pareto مشكلات مثل الهلوسة، وتعارض مخرجات النماذج، والموثوقية في مهام الوكلاء الممتدة؟ وهل يمكن أن يؤدي الجمع بين عدة نماذج إلى نشوء أنماط إخفاق جديدة؟

هذه أول مشكلة واجهتنا. فخارج العروض التوضيحية، تنهار الوكلاء. خطأ صغير في الخطوة الثانية يتحول إلى خطأ كبير بحلول الخطوة العاشرة.

تساعد النماذج المتعددة في الخطوات الصعبة. إذ يمكنها معالجة المسألة نفسها كل على حدة، ومراجعة عمل بعضها بعضاً، أو التحقق من نتيجة قبل أن يواصل الوكيل عمله. أما النموذج الواحد فلا يملك رأياً ثانياً؛ وPareto تتيحه.

نقيس رضا المستخدمين والأداء في مهام حقيقية، وننشر النتائج، بما فيها النتائج السيئة، ونعالج ما نكتشفه من مشكلات. ويمكن للعملاء الذين يحتاجون إلى السلوك نفسه في كل مرة تثبيت إصدار من Pareto كيلا يتغير سلوكه عليهم.

من خلال ATXP وUnbiased، تعمل Circuit & Chisel على معالجة تحديين مهمين أمام الوكلاء المستقلين: الوصول إلى القدرات الذكية بكفاءة، ودفع تكاليف الخدمات التي يستخدمونها. كيف تتصورون التقاء هاتين القدرتين؟ وهل يمكن أن نرى مستقبلاً وكلاء يختارون نماذج الذكاء الاصطناعي والأدوات الخارجية ويشترونها وينسقون استخدامها بصورة مستقلة، استناداً إلى الأداء والتكلفة ومتطلبات المهام؟

نعم. هذا هو المسار الذي نتجه إليه.

اليوم، يقرر شخص ما النموذج الذي سيستخدمه، والأدوات التي سيستعين بها، وكيف سيدفع مقابلها. لكن هذه الخيارات ستُتخذ على نحو متزايد بواسطة وكيل. وسيختار النموذج الأنسب لكل خطوة، ويعثر على الأدوات التي يحتاج إليها، ويدفع لكل مزود، ويتحقق من النتائج قبل الانتقال إلى الخطوة التالية.

يتطلب ذلك أمرين: وسيلة للحصول على القدرات الذكية المناسبة لكل مهمة، وهذا ما توفره Pareto؛ ووسيلة لإثبات الهوية وإجراء الدفع، وهذا هو الغرض الذي صُممت ATXP من أجله في الأصل.

تعمل شركات كثيرة الآن على أمور مثل وضع الحدود وتحديد المسؤولية وما إلى ذلك، قبل أن يثق أحد بالوكلاء في التعامل مع الأموال. لذلك بدأنا بالحُكم. وتزداد فائدة جانب المدفوعات كلما زادت ثقتك بالوكيل الذي يستخدمه.

بالنظر إلى المستقبل، هل تعتقد أن الاختراق الكبير التالي في الذكاء الاصطناعي سيأتي أساسًا من تدريب نماذج فردية تزداد قوة، أم من تطوير أنظمة تجمع بذكاء بين النماذج والقدرات الموجودة؟ وكيف ترى أن هذا التمييز سيؤثر في المنافسة بين شركات الذكاء الاصطناعي الناشئة ومقدمي النماذج الرائدة الكبرى خلال السنوات القليلة المقبلة؟

كلاهما. ستواصل المختبرات تطوير نماذج أفضل، وهذا مهم جدًا. ونحن نضمن ألا يشعر الناس بأن عليهم الاطلاع على كل نموذج واختباره. ينبغي أن نوفر النموذج المناسب للمهمة المناسبة، وبأفضل عائد على الاستثمار. لا مزيد من إرهاق النماذج.

لن نستطيع أبدًا إنفاق أكثر من المختبرات على التدريب؛ فنحن نبني على عملها ونساعد في توزيع نماذجها. وكلما أطلقت إحدى المختبرات نموذجًا أفضل، تحسنت Pareto أيضًا.

بوسع المختبرات بناء هذا بنفسها، وسيفعل بعضها ذلك. لكن موجّه النماذج الذي يبنيه المختبر سيكون له فريقه الداخلي. نحن لا نملك نموذجًا، لذا فإن سبيلنا الوحيد للفوز هو أن يحصل العميل على أفضل إجابة مقابل ما يدفعه. وكلما ازداد عدد النماذج، ازدادت أهمية ذلك.

شكرًا على هذه المقابلة الرائعة؛ ويمكن للقراء الراغبين في معرفة المزيد عن Pareto، والبنية التحتية للوكلاء، والأدوات التي تربط الاستدلال بالذكاء الاصطناعي بالهوية والمدفوعات، زيارة Circuit & Chisel.