نيكولاوس فاسيلوجلو، نائب الرئيس للبحوث في RelationalAI – سلسلة المقابلات

نيكولاوس فاسيلوجلو هو نائب الرئيس للبحوث في RelationalAI. وقد قضى مسيرته المهنية في بناء برمجيات التعلم الآلي وتوجيه مشاريع العلوم البيانية في مجالات التجزئة والإعلان عبر الإنترنت والأمن. وهو عضو في مجتمع ICLR/ICML/NeurIPS/UAI/MLconf/KGC/IEEE S&P، حيث عمل ككاتب ومراجع ومنظم للندوات والمؤتمر الرئيسي. يُقود نيكولاوس الجهود البحثية والمبادرات الاستراتيجية في تقاطع النماذج اللغوية الكبيرة والرسوم البيانية المعرفية في RelationalAI.

RelationalAI هي شركة أعمال ذكاء اصطناعي تبني منصة ذكاء قرارات مصممة لمساعدة المنظمات على التحرك بعيدًا عن تحليل البيانات نحو اتخاذ قرارات آلية عالية الجودة. تدمج تقنيتها مباشرة مع بيئات البيانات مثل Snowflake، وتجمع بين قواعد البيانات العلائقية والرسوم البيانية المعرفية وأنظمة الاستدلال المتقدمة لإنشاء “نموذج семантиكي” للأعمال – مما يعني في الأساس ترميز كيفية عمل الشركة وعلاقاتها ومنطقها. هذا يسمح لأنظمة الذكاء الاصطناعي (بما في ذلك وكلاء القرار مثل “Rel”) بالاستدلال على بيانات معقدة متصلة وإنشاء رؤى تنبؤية وتوجيهية، مما يتيح للمنظمات اتخاذ قرارات أسرع وأكثر информية دون نقل بياناتها خارج بيئات السحابة الآمنة.

لقد اتبعت مسارًا مهنيًا نادرًا يمتد عبر التعلم الآلي الأكاديمي وتحويلات الصناعة على نطاق كبير وأدوار القيادة عبر شركات مثل Symantec وAisera وRelationalAI الآن. كيف ساهمت تلك الخبرات في تشكيل منظورك حول حيث يلتقي البحث في التعلم الآلي بالأنظمة الحقيقية اليوم؟

لقد كنت محظوظًا بدرجة كافية للاستفادة من مجالات أعمال مختلفة، من التجزئة والأمن وحتى الإعلان عبر الإنترنت. ساعدني ذلك على فهم كيف يلائم التعلم الآلي والذكاء الاصطناعي كعامل مشترك. كنا نعلم منذ أوائل عام 2000 أن البرمجيات تبتلع العالم، والبيانات تبتلع ذكاء القرار، ومع ذلك، قليل من الشركات، بما في ذلك جوجل، أعتقدوا أن خوارزميات التعلم الآلي المتقدمة سوف تبتلع كل شيء في النهاية. في عام 2008، كان المشاركون في NeurIPS يُعتبرون أشخاصًا غريبين يحلمون ويحبون اللعب مع الألعاب، وليسوا أشخاصًا يفهمون العالم الحقيقي، بل فقط ي喜欢ون اللعب مع الألعاب. كان ذلك صحيحًا إلى حد ما، لكنني أعتقدت أن هذا سوف يتغير. على عكس الآخرين، لم أستسلم على المشاركة الفعلية في تحويل البحث الأكاديمي إلى صناعة.

كانت تحليلك لمؤتمر NeurIPS 2025 يستخدم مساعدين برمجيين مثل Claude Code وOpenAI Codex وNotebookLM لمعالجة المؤتمر بأكمله. ما الذي أ惊ك أكثر حول استخدام أنظمة الذكاء الاصطناعي لتحليل أبحاث الذكاء الاصطناعي نفسها؟

كان من المذهل سهولة بناء البرمجيات لاستخراج البيانات وقراءتها آليًا وتصنيفها إلى أقسام و حتى تلخيصها وشرحها بطريقة متوافقة بشكل خاص. أنظمة الجيل العام هي رائعة في سرد القصص ولكن ليس في سرد القصة. NotebookLM هي الملكة في تحليل أي مجال وتقديم نتائج مذهلة. ومع ذلك، لا تملك السيطرة على القصة أو الرسومات أو الشدة. تعلمت أن الأدوات ليست رائعة في إنشاء شرائح PowerPoint، لذلك اضطررت إلى اللجوء إلى بناء HTML ثم تحويلها إلى ملفات PDF. كان التحدي الأكبر هو إنشاء الرسومات – كانت توليد الاختلافات بطيئة وغير موثوقة ومكلفة، بدون سيطرة. من الم驚 أن النماذج جيدة في إنشاء SVGs برمجيًا باستخدام matplotlib وplotly و مكتبات بايثون الأخرى. هذه التقنية مقبولة، ولكنها تتطلب عدة مراحل لتصحيح أخطاء التصور. النماذج سوف تكون أفضل بالتأكيد في العام القادم.

أحد أقوى المواضيع في تحليلك هو التحول من تصغير التدريب إلى حساب الاستدلال. لماذا يظهر حساب الاستدلال كعامل قوي لتحسين أداء النموذج؟

قوانين التمثيل هي بوصلةنا. زيادة حجم النموذج وبيانات ما قبل التدريب قد وصلت إلى حد أقصى. الجيل الأول من قوانين التمثيل أتى بنا إلى GPT-4. لقد ساعدوا OpenAI على بدء ثورة الجيل العام. سرعان ما أدركنا أن هناك بعدًا آخر يسمح للنموذج بإنشاء العديد من الرموز قبل الوصول إلى إجابة. هذا هو طريقة أخرى لتحسين كفاءة نماذج اللغة الكبيرة. حجم النموذج وطول الاستدلال غالبًا ما يتم التعبير عنهما كأوضاع تفكير System 1 وSystem 2 (دانيال كانيمان). تتبع الاستدلال هو طريقة أخرى لزيادة سعة النموذج. إذا فكرت في الأمر، فإن الانجازات البشرية بدأت من الاهتمامات (الذكاء العالي)، ولكن النجاح كان دائمًا بسبب التفكير الطويل والألم. نرى هذا النمط: النماذج الصغيرة مع نافذة تفكير طويلة تتفوق على نماذج أكبر 100 مرة. لذلك، التفكير أكثر أهمية من الذكاء في نماذج اللغة الكبيرة.

تسلط تحليلك الضوء على التحول من النماذج الموحدة إلى أنظمة وكيلية قادرة على التخطيط والعمل والتحقق من مخرجاتها. كيف قريبنا من أن تصبح الذكاء الاصطناعي الوكيلية نموذجًا إنتاجيًا موثوقًا بدلاً من نموذج بحثي؟

نحن نتخذ خطوات كبيرة في هذا الاتجاه. أكبر القضايا هي الموثوقية والسلامة، بحيث يمكننا الثقة بها لتصبح مستقلة. إذا نظرت بعناية إلى محتوى NeurIPS، سوف ترى أنظمة مستقلة تقوم بالبحث وحل المشكلات الرياضية وحل مشاكل البرمجة، ولكنك لا ترى نظام وكيلي لسيارة ذاتية القيادة، على سبيل المثال. آخر تجربة مع Moltbook (شبكة اجتماعية ليعملاء الذكاء الاصطناعي) أبرزت قضايا الذكاء الاصطناعي الوكيلية المستقلة. ومع ذلك، اكتشاف أدوية و مواد جديدة باستخدام الذكاء الاصطناعي الوكيلية هو أمر كبير، لذلك دعونا نحتفل ونركز على ذلك للوقت الحالي.

يبدو أن الكفاءة هو محرك رئيسي للابتكار، حيث تحقق نماذج أصغر أداءً تنافسيًا من خلال تحسينات معمارية واستراتيجيات استدلال أكثر ذكاء. هل ندخل عصرًا حيث يهم اختراقات الكفاءة أكثر من حجم النموذج الخام؟

عندما يتوسع الذكاء الاصطناعي إلى الإنتاج، يصبح الهندسة أكثر أهمية. الاعتماد على نماذج الطليعة ليس مستدامًا. إنه رائع للأدلة، ولكن الشركات تواجه حقيقة مريرة عندما يرون تكلفة نماذج كبيرة. لأول مرة، أصبحت النماذج الصغيرة حلًا أكثر جدوى. هناك قوة هادئة تغير الوضع الراهن للصناعة. حتى الآن، كان لشركة NVIDIA (NVDA ) احتكارًا في سوق الرقائق الغرافيكية و حافظت على الأسعار مرتفعة. شركة AMD تعمل على دخول السوق برقائق عالية الجودة، وهذا سوف يؤدي إلى خفض الأسعار. الطاقة لا تزال مشكلة، ولكننا نرى بعض الحركة في السوق. مع أن مختبرات الطليعة أصبحت أكثر تكلفة، أصبحت حلول النماذج الصغيرة على الرقائق الغرافيكية المُستأجرة أكثر جدوى.

يقترح عرضك أن الحقل قد تحول من تصغير محوري واحد (المعاملات) إلى تصغير متعدد الأبعاد ي涉ل المعاملات والبيانات والهيكل والاستدلال. كيف يجب على الباحثين والممارسين التفكير في هذا النموذج الجديد للتصغير؟

للمحترفين، الهيكل والمعاملات يتجاوزان سيطرتهم. منتجو النماذج الذين لديهم رأس المال اللازم سيدفعون الابتكار. طول استدلال الرمز سوف يحدد من خلال إنفاق رأس المال في المنظمة. ما يبقى تحت سيطرتهم هو البيانات. سوف نرى تركيزًا أكبر على إنشاء وتنقية وتصحيح البيانات (أثر الاستدلال معظم الوقت). سوف يكون هذا محور العمليات اليومية. بالطبع، سوف يحتاجون إلى متابعة NeurIPS والمؤتمرات الكبيرة الأخرى ليبقوا على اطلاع بالاتجاهات الجديدة للархيتكتур الجديدة.

في تحليلك لمؤتمر NeurIPS، تشير إلى أن جزءًا متزايدًا من الأبحاث يركز على الاكتشاف العلمي المحرز بالذكاء الاصطناعي، من البيولوجيا إلى نمذجة المناخ. هل ترى أن الذكاء الاصطناعي للعلوم هو الجبهة الرئيسية التالية لأبحاث التعلم الآلي؟

أعتقد أن الأمر يمتد إلى ما هو أبعد من البحث الأكاديمي. نحن ننظر إلى الغزو الذهبي التالي. في عام 1849، وصل غزو الذهب في كاليفورنيا إلى ذروته. كل ما كان عليهم فعله هو تصفية مياه النهر بشكل لا نهاية للعثور على الذهب. نعرف الآن أن العديد منهم لم يجدوا الذهب، ولكن ما نراه اليوم هو حقيقي. أستطيع رؤية موجة كبيرة من الشركات الناشئة التي تconsists من شخصين أو ثلاثة أشخاص يستخدمون نماذج اللغة لfinding مواد جديدة وأدوية ومكونات منتجات. حرق الرموز بطريقة ذكية يمكن أن يؤدي إلى عوائد كبيرة. مساعدوا البرمجة مثل Claude Code وOpenAI Codex وGoogle Antigravity يمكن أن يزيلوا الحاجز لشركات البرمجيات كخدمة، تاركين جيلًا كاملاً من علماء الحاسوب القادرين على البحث العلمي. إذا كنت تعمل لمنظمة غير ربحية مثل First Principles أو Bio[hub]، هناك فرص للعثور على قوانين فيزياء جديدة ونظريات أخرى في البيولوجيا. إذا كنت تريد توليد الإيرادات، سوف تعمل على اختراع منتجات جديدة بناءً على العلوم، مثل الأدوية والمواد والبطاريات، إلخ.

يُظهر عملك أيضًا فجوة تصديق متزايدة، حيث تحقق النماذج درجات قوية على المقاييس ولكنها تفشل في التباينات البسيطة في العالم الحقيقي. ماذا تكشف هذه الفجوة عن حدود النماذج اللغوية الكبيرة الحالية؟

يبدو أنها تملك ذاكرة رائعة، ويمكنها تعميم جيد. المقاييس جيدة في بداية البحث. بمجرد عبور عتبة معينة، تتعلم المقاييس وليس المشكلة. لقد كنا جيدين على مر السنين في إعادة تعيين المقاييس وجعلها أكثر صعوبة لتحفيز الحدود. المشكلة مع المقاييس هي أننا في النهاية نبدأ في التأكيد الزائد والخداع. الاتجاه هنا هو جعل المنافسين أكثر صراحة. أنا شخصيًا لا أحظى باهتمام كبير بالمقاييس بعد قفزات معينة. يمكنك أن يكون لديك منتج جيد ليس حتى في المراكز العشر الأولى في قائمة القيادة. لقد رأيت العديد من المنتجات الرديئة التي هي جيدة في المقاييس.

يقترح العرض أن النماذج اللغوية الصغيرة المدمجة مع تصغير الاستدلال والهياكل الوكيلية يمكن أن تمكن أنظمة ذكاء اصطناعي قوية تعمل خارج مراكز البيانات على نطاق هائل. هل يمكن لهذه اللامركزية أن تغير شكل نشر الذكاء الاصطناعي عبر الصناعات؟

شهدنا تركيزًا كبيرًا على التوزيع على الحواف. سوف نرى أجهزة أكثر ذكاء حولنا بالتأكيد. شركة مايكروسوفت تعمل على 1bit LLM، الذي يحقق ضغطًا يصل إلى 30 مرة، مما يسمح لها بالتشغيل حتى على شريحة واحدة في المستقبل. لقد قمنا بتتبع هذا العمل لسنوات والتقدم مذهل. خاصة في مجال الأجهزة القابلة للارتداء.

شيء آخر غادر من نماذج اللغة الكبيرة هو تدريب النموذج الموزع (ولا أعني تدريب جوجل Gemini في مراكز بيانات بعيدة). هناك اتجاه مثير للاهتمام يكتسب زخمًا على كيانات مستقلة لتدريب نماذجها ودمجها مثل اللего لإنشاء نماذج أكبر وأقوى. هذه هي الطريقة التي يتم بها تدريب النماذج الكبيرة. الفرق المختلفة تبني نماذج متخصصة، وفي النهاية، يتم ربطها معًا مثل كتلة اللего.

بعد تحليل الآلاف من أوراق NeurIPS، أين تعتقد أن مجتمع أبحاث الذكاء الاصطناعي يتنبأ بدقة بالتقدم، وأين قد يفوت أهم التحولات القادمة؟

مجتمع البحث لا يتنبأ. الباحثون لديهم محركاتهم الخاصة، الفضول، التمويل، الصدفة، وال-instinct بالطبع. يمكنهم دائمًا تفويت اتجاهات مثيرة للاهتمام، ولكن من المؤكد أن شخصًا ما سوف يجد ذلك ويأخذه في الاعتبار في وقت ما في المستقبل. هذا متوقع وصححيح. المديرون التنفيذيين والمستثمرين والمهندسون مطلوبون لتحديد الاتجاهات الناشئة بحيث يمكنهم اتخاذ القرارات الصحيحة والمراهنات الأكثر تعليمًا. في نافذة تحليلي التي تبلغ 5 سنوات، كان هناك اتجاهات تم اختراقها مبكرًا، واتجاهات أخرى فُوتت. لبعضها لا يزال هناك وقت للركوب على موجة ألفا.

أسواق البيانات هي شيء كنت أتابعه لسنوات، وأخيرًا قفزت هذه السنة. المكون الناقص كان التعيين. يمكننا الآن تحديد بيانات التدريب التي ساهمت في منافسة نموذج اللغة الكبيرة في الوقت الفعلي. هذا يعني أنك يمكنك دفع الأرباح. لقد كان هذا فرصة مفقودة من قبل الناشرين الذين كانوا على دعاوى قضائية مع نماذج الطليعة. بعضهم كان عليهم الاستسلام لاتفاقيات ترخيص مسطحة، بينما أعتقد أن لديهم فرصة لتحقيق إيرادات مستدامة من نموذج التعيين.

ثورة قادمة في الروبوتات. نماذج العالم التي أعلنت عنها NVIDIA وآخرون تقوم بتمثيل فيزيائي دقيق ومقابل. لذا، توقع أن يكون الذكاء الاصطناعي أكثر ماديًا في المستقبل.

هيكل الترانسفورمر في النهاية اندمج مع نماذج الفضاء الحالة مثل RNNs وmamba، إلخ، وانتج نماذج لغة صغيرة مذهلة. نحن الآن نعرف حدود الترانسفورمر بدقة التي تلعب دورًا رئيسيًا في الأداء، ولكننا لا تزال نفتقد الخطوة التالية. سوف يأتي ذلك عندما يثبت أن الترانسفورمر قوي ومستمر. ما لا نعرفه هو ما إذا كان إنسانًا أو ترنسفورمر سوف يصمم هيكلًا جديدًا لنموذج اللغة الكبيرة! الترانسفورمر وحد جميع الهياكل المتناثرة في معالجة اللغة الطبيعية (نعم، لا ننسى أن الجيل العام بدأ من مهام معالجة اللغة الطبيعية الأولية، مثل تصنيف الكيانات). عملت للرياضيات، وعملت هذا العام للجداول، ولكنها لم تعمل للفيزياء. لقد قمت بتحديد أكثر من 15 هيكلًا مختلفًا. لذلك، الهيكل الجديد الذي يوحّد الفيزياء قد يكون أيضًا الذي سوف يreplace الترانسفورمر في رحلة الذكاء الاصطناعي العام.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا RelationalAI.