Sapient Intelligence تكشف عن HRM-Text، نموذج ذكاء اصطناعي مستوحى من الدماغ مصمم للتحدي سباق الحجم الأول

في حين تستمر صناعة الذكاء الاصطناعي في صب مليارات الدولارات في نماذج لغة أكبر وأكثر، وتطوير مراكز بيانات ضخمة، فإن شركة Sapient Intelligence للأبحاث الذكاء الاصطناعي، التي تتخذ من سنغافورة مقراً لها، تتبع نهجاً مختلفاً تماماً.

أعلنت الشركة عن HRM-Text، نموذج لغة جديد يعتمد على معALة هرمية متكررة مستوحاة من كيفية فصل الدماغ بين التفكير البطيء والمتعمد والعمليات السريعة ذات المستوى الأدنى.

بدلاً من محاولة الفوز من خلال الحجم فقط، تقدم Sapient HRM-Text كدليل على أن عمق التفكير والكفاءة الحاسوبية قد تصبح أكثر أهمية من حسابات المعاملات الخام في المرحلة التالية من تطوير الذكاء الاصطناعي.

يستمر الإطلاق في اتجاه أوسع ي出现 عبر قطاع الذكاء الاصطناعي: تزايد الشكوك حول أن مجرد تسلسل المتحولات إلى ما لا نهاية سيكون كافياً لتحقيق أشكال أكثر عمومية من الذكاء.

الانتقال بعيداً عن كتيب المتحولات

تعتمد معظم نماذج اللغة الكبيرة الحديثة على معALة المتحولات التي تعالج المعلومات من خلال نظام主要 متقدم يركز على تنبؤ الرمز التالي. بينما تقدم إطار Sapient HRM هيكلاً متكرراً هرمياً حيث تتفاعل طبقات التفكير المتعددة داخلياً قبل توليد أي إخراج.

توصف الشركة الهيكل على أنه يعمل من خلال نظامين متصلين: متحكم بطيء من المستوى الأعلى مسؤول عن التخطيط والتفكير المجرد، ومتحكم سريع من المستوى الأدنى يعالج الحسابات المتفصلة.

هذا يختلف عن أساليب سلسلة الفكر التي يتم استخدامها على نطاق واسع في أنظمة الذكاء الاصطناعي الحالية، حيث يتم التعبير عن التفكير من خلال تسلسلات نصية طويلة مرئية. بينما يقوم HRM-Text بأداء معظم عمليات التفكير داخلياً في الفضاء الكامن قبل توليد الاستجابات.

تجادل Sapient بأن هذا الهيكل يسمح للنظم الأصغر بأداء عمليات تفكير متعددة الخطوات أكثر تعقيداً دون الاعتماد على أحجام نموذجية ضخمة أو تكاليف استدلال هائلة.

وفقاً للنتائج التي قدمتها الشركة، حقق HRM-Text 56.2٪ على MATH، و 81.9٪ على ARC-Challenge، و 82.2٪ على DROP، و 60.7٪ على MMLU على الرغم من صغر حجمه النسبي.

الكفاءة تصبح ساحة معركة استراتيجية للذكاء الاصطناعي

يأتي الإطلاق في وقت يتزايد فيه القلق حول تكاليف البنية التحتية للذكاء الاصطناعي، واستهلاك الطاقة، ومتطلبات الحوسبة، وتأثيرها على الصناعة.

تتطلب تدريب ونشر أنظمة الذكاء الاصطناعي المتقدمة الآن في كثير من الأحيان مجموعات كبيرة من وحدات معالجة الرسومات، ومراكز بيانات ضخمة، ومستويات استهلاك الطاقة التي يتم فحصها بشكل متزايد من قبل الحكومات وموفري البنية التحتية. وترى Sapient أن الانطلاقة قد تأتي من إعادة التفكير في الهيكل نفسه بدلاً من تسلسل النماذج الأكبر.

تدعي الشركة أن HRM-Text يمكن تدريبه في حوالي يوم واحد باستخدام 16 وحدة معالجة رسومات عبر两 آلة بتكلفة تقريبية تبلغ 1000 دولار. بالمقارنة، يمكن أن تصل تكاليف تدريب نماذج اللغة المتقدمة إلى ملايين الدولارات.

كما أن ملف تعريف النشر المدمج للنموذج ملحوظ. عند كمية 4، يبلغ HRM-Text حوالي 0.6 جيجابايت، مما يجعل النشر المحلي على الهواتف الذكية وأجهزة الحواف理论ياً ممكناً.

يمكن أن يصبح التركيز على أنظمة أصغر وأكثر قابلة للتوزيع أكثر أهمية مع دفع المؤسسات نحو الذكاء الاصطناعي على الجهاز، والاستدلال الحساس للخصوصية، ونظم التفكير غير المتصل التي لا تعتمد تماماً على البنية التحتية السحابية.

الدفع الأوسع نحو الذكاء الاصطناعي المستوحى من الدماغ

يعكس عمل Sapient حركة أوسع في أبحاث الذكاء الاصطناعي لاستكشاف بديلات لتقليص المتحولات التقليدية.

يعتمد هيكل HRM للشركة بشكل كبير على مفاهيم العلوم العصبية مثل المعالجة الهرمية، والفصل الزمني، والحوسبة المتكررة.

على موقعها على الإنترنت، تصف Sapient هدفها الطويل الأجل بالسعي نحو الذكاء الاصطناعي العام من خلال هيكلات قادرة على التفكير والتنظيم والتعلم التكيفي بدلاً من الاعتماد بشكل رئيسي على التخزين الإحصائي.

يتضمن فريق البحث في الشركة مساهمين سابقين من منظمات مثل DeepMind، وDeepSeek، وxAI، إلى جانب باحثين مرتبطين بمؤسسات مثل MIT، وCarnegie Mellon University، وTsinghua University، وUniversity of Cambridge.

كانت إصدارات سابقة من نموذج Sapient للتفكير الهرمي قد جذبت بالفعل الانتباه في دوائر أبحاث الذكاء الاصطناعي لتحقيق أداء قوي في التفكير باستخدام حسابات معاملات أقل بشكل كبير من النماذج اللغوية التقليدية.

تحول في كيفية قياس تقدم الذكاء الاصطناعي

ما إذا كانت هيكلات مثل HRM سوف تتنافس في النهاية مع أكبر النماذج المتقدمة يبقى سؤالاً مفتوحاً. لقد شهدت صناعة الذكاء الاصطناعي مراراً وتكراراً بديلات واعدة تظهر قبل أن تتجاوزها اقتصاديات الحجم.

ومع ذلك، يأتي إطلاق Sapient في لحظة تتصاعد فيها الصناعة مع حدود التوسع القسري. نقص وحدات معالجة الرسومات، وعرقلة الطاقة، وتكلفة الاستدلال، والrendements المتضائلة من مجموعات بيانات أكبر ت迫 الباحثين على إعادة التفكير في الافتراضات التي سادت السنوات القليلة الماضية من تطوير الذكاء الاصطناعي.

إذا استمرت أنظمة مثل HRM-Text في التحسين، فقد تغير من كيفية قياس تقدم الذكاء الاصطناعي – متجهاً بعيداً عن حسابات المعاملات وباتجاه الكفاءة، وعمق التفكير، والتعلم التكيفي.

قامت الشركة بنشر HRM-Text بالكامل من خلال GitHub كجزء من الإطلاق.