الثورة القادمة “الخروج التطوري” للذكاء الاصطناعي

اليوم، ونحن على حافة خطأ تقني، نلاحظ الرحلة من النماذج اللغوية الكبيرة إلى الوكلاء، وأخيرا إلى الذكاء الاصطناعي العامل والذكاء الاصطناعي العام، وليس الأمر فقط حول نماذج أكبر أو استجابات أسرع. إنها أيضا حول الآلات التي تتحرك من كونها مساعدين سلبيين إلى مساعدين نشطين، وربما، يوما ما، مفكرين مستقلين.

دعونا نتبع هذا المسار ونتحرى ما يعنيه للعمل والخبرة والدور نفسه للإنسان في تشكيل ذكاء الغد.

الفرق بين النماذج اللغوية الكبيرة والأنظمة القائمة على الوكلاء والذكاء الاصطناعي العامل

للفهم بشكل أفضل للفرق، إليك مثال. إذا سألت نموذج لغوي كبير شيئا مثل: “أريد السفر من شيكاغو إلى أوستن، ولا أريد أن أ驾ل أكثر من أربع ساعات في اليوم، وأريد التوقف في أماكن جميلة،” فإن نموذج لغوي كبير عادي سيعيد استجابة ثابتة في شكل نص بناء على توليد اللغة. ومن المحتمل أن يستجيب فقط للطلب دون القيام بتحليل شامل.

أما الوكيل، فسيصنف الطلب على أنه متعلق بالسفر. ثم، سيحدد ما البيانات التي تحتاجها: طرق باستخدام خدمات الخرائط، معلومات عن الطقس، تكاليف الوقود، الفنادق، المطاعم، وغيرها. بعد ذلك، سيقسم الطلب إلى مهام فرعية وسيوجهها إلى نماذج أو وكلاء متخصصين مدربين على المصادر ذات الصلة. هذا هو التوجيه والتنسيق بين عدة نماذج وأدوات تحت منطق موحد.

اليوم، معظم الأنظمة الكبيرة مثل ChatGPT أو Claude من Anthropic هي في الأساس وكلاء. على الرغم من أن الأمر قد يبدو للمستخدم أنه يتفاعل مع نموذج واحد، إلا أن هناك خلف الكواليس هندسة معقدة تتضمن عدة نماذج ونظم. يمكنهم بالفعل التعامل مع استفسارات معقدة، لكن قدراتهم محدودة في الغالب بتقديم المعلومات؛ لا يأخذون إجراءات بعد.

وكيل مستقل تماما هو نظام يجمع المعلومات ويمكنه، على سبيل المثال، حجز فندق أو شراء تذكرة أو بدء عملية دفع، شريطة أن يكون لديه الوصول إلى واجهات برمجة التطبيقات أو بيانات المستخدم. هذه الوكلاء في مرحلة التطوير المبكر. في هذه المرحلة، هم أكثر مثل نصف وكلاء، قادرين على معالجة المعلومات ولكن لا يزالون غير قادرين على أداء إجراءات مستقلة.

منطقة مثيرة للاهتمام في مجتمع البحث هي الذكاء الاصطناعي العامل. على عكس وكيل عادي، سلوكه مبرمج من قبل المطورين، فإن الذكاء الاصطناعي العامل هو نظام يقرر بشكل مستقل ما المهام التي يجب أداؤها، وما البيانات التي يحتاجها، و thậmن كيفية استمرار تدريبه. هذا يتجاوز تنفيذ التعليمات؛ يتضمن اتخاذ قرارات مستقلة. ومع ذلك، فإن الذكاء الاصطناعي العامل لا يزال نظريا في هذه المرحلة؛ لا توجد أنظمة من هذا القبيل في الممارسة بعد.

الذكاء الاصطناعي العام – الأفق الجديد. ولكن هل يمكن تحقيقه؟

استثمرت ميتا في Scale AI قبل ثلاثة أشهر. كان الهدف هو الانضمام إلى القوى على طريق بناء الذكاء الاصطناعي العام، القادر على أداء أي مهمة على مستوى بشري أو حتى تجاوزه. إذا كان الذكاء الاصطناعي اليوم ثورة تقنية، فإن الذكاء الاصطناعي العام سيكون ثورة حقيقية؛ أحيانا أسميه “الخروج التطوري”، مما يعني “الخروج” من الذكاء الاصطناعي من الظلال. من يصل إليه أولا سيكتسب ميزة استراتيجية عالمية.

فيما يتعلق بمدى قربنا من الذكاء الاصطناعي العام الفعلي، ذلك يعتمد بشكل كبير على كيف نحددَه. أنا أتفق مع وجهة نظر Ilya Sutskever: الذكاء الاصطناعي العام هو نظام قادر على أداء أي مهمة فكرية يمكن للإنسان أداؤها. ليس فقط الإجابة على الأسئلة، ولكن أيضا التفكير والتفكير والتعليم والتفسير عبر المجالات. الذكاء الاصطناعي العام الحقيقي هو عالمي وليس مقيد بحدود مهمة ضيقة.

لا يوجد أي من النماذج الحالية التي وصلت إلى هذا المستوى. نحن نتحرك في هذا الاتجاه، ولكن الذكاء الاصطناعي العام الحقيقي، بالمعنى النظري، لا يزال غير موجود. وربما هذا هو الأفضل. نحن لا يزالون في مرحلة التقريب، ومن المحتمل أن نبقى كذلك لبعض الوقت.

سيكون أساس الذكاء الاصطناعي العام نظاما قائما على الوكلاء. لن يعتمد بالضرورة على نموذج لغوي كبير واحد، لأن لا أحد، مهما كان عبقريا، يستطيع أن يتقن جميع مجالات المعرفة والمهارات، ولا نموذج لغوي كبير يمكنه التعامل مع مجال الذكاء الاصطناعي العام كله. ما نحتاجه هو نوع من “الذكاء الجماعي”: هندسة قادرة على تنسيق عدة نماذج ومكونات.

من المحتمل أن يظهر الذكاء الاصطناعي العام ليس كوكيل مصمم من قبل الإنسان فحسب، بل كوكيل شبه مصمم. سيكون نظاما部分يا متطورا ويتطور بمساعدة الذكاء الاصطناعي نفسه. هذا مهم لأن الأنظمة المصممة بالكامل من قبل البشر قد تحمل قيودا متأصلة. قد يساعد مشاركة الذكاء الاصطناعي في عملية التصميم على تجاوز هذه القيود وجعل النظام أكثر مرونة.

الذكاء الاصطناعي العام لن يأتي من أي اختراع معين. ليس أكبر النماذج اللغوية أو وكلاء أكثر ذكاء أو هياكل جديدة تماما، بل من دمج كل هذه الجوانب. من المحتمل أن يكون شيئا جديدا تماما يتجاوز الفئات التي نستخدمها حاليا.

امتحان البشرية الأخير واختبارات الذكاء الاصطناعي العامة الأخرى

“امتحان البشرية الأخير” (HLE) هو واحد من اختبارات الذكاء الاصطناعي العامة الأكثر طموحا التي تُناقش حاليا في سياق النماذج اللغوية الكبيرة والوكلاء والذكاء الاصطناعي العام. في الأساس، إنه اختبار يتكون من حوالي 2500 سؤال يغطي مجالات أكاديمية واسعة – الرياضيات، الفيزياء، الأحياء، الكيمياء، الهندسة، علوم الحاسوب، وحتى الشطرنج. الفكرة هي تقييم ما إذا كان نظام الذكاء الاصطناعي يمكنه حل المشكلات على مستوى ي反ّص الحقيقي لفهم بشري.

النماذج اللغوية الحالية تؤدي أداء ضعيفا على HLE، غالبا ما تحصل على درجات أقل من 5% دقة. هذا يتناقض بشكل صارخ مع اختبارات أخرى مثل MMLU أو GPQA، حيث تحصل النماذج على درجات أعلى بكثير. صعوبة النماذج مع HLE يبرز مدى بعدها عن الذكاء الاصطناعي العام الحقيقي.

من المهم أن نلاحظ أن الأداء العالي على الاختبارات التي لها مجموعات بيانات معروفة أو ضيقة لا يُشير بالضرورة إلى وجود ذكاء اصطناعي عام حقيقي. يمكن تعديل نموذج أو “تدريبه على الاختبار”، مما قد يضخم قدراته الظاهرة. لذلك، حتى لو حصلنا على درجة مثالية على HLE، لن يعني ذلك أننا قد وصلنا إلى الذكاء الاصطناعي العام؛ سيعني فقط أننا قد مررنا باختبار معين.

ما يحرك الذكاء الاصطناعي العام

أنا أتفق تماما أن الركائز الأساسية للذكاء الاصطناعي العام هي البيانات والحوسبة والموهبة. الوضع مع الحوسبة واضح. لقد حاولت شركات رئيسية مثل ميتا إنتاج رقائقها الخاصة، واستثمرت مليارات في عملية تطوير الرقائق الخاصة بها. لكن الشركات لا تزال تعتمد بشكل كبير على رقائق وأداء حوسبي من لاعبين آخرين مثل Nvidia ، الذين لا يزودون فقط بالأجهزة الضرورية ولكن أيضا يفهمون أهمية زيادة الإنتاج.

المزيد من الأسئلة حول البيانات والموهبة. إنترنت قد انتهى — لا يوجد قطعة من النص الذي أنشأه الإنسان من المصادر المفتوحة التي لم تُستخدم لتدريب في الوقت الحالي. يبدو أن حجم المعلومات الذي أنتجته البشرية حتى الآن صغير بشكل مفاجئ. لذلك، بدأت الشركات في الشراكة النشطة مع أولئك الذين يمكنهم توليد بيانات بشرية عالية الجودة.

التنفيذ التام أو الإنسان في الحلقة?

نقطة أخرى – انخفاض الطلب على تعليم البيانات اليدوي. قبل بضع سنوات، كانت الصناعة تتوسع بسرعة كاملة. تم توظيف آلاف من معلمي البيانات لسد جوع خطوط أنابيب الذكاء الاصطناعي. اليوم، تحولت الكثير من هذه الزخم نحو التأتمتة. نموذج النموذج قد نضج، وأدواته حولها cũng نضجت.

خذ التعرف على الوجه على سبيل المثال. كان أحد المحركات الرئيسية لحجم تعليم الصور. لكن هذه الفئة تم حلها بشكل كبير الآن. نماذج مثل YOLO و SAM و Samurai تبتلع بسرعة العمل الروتيني. هذه الأنظمة تضغط أسابيع من الجهد اليدوي في دقائق، غالبا مع دقة مذهلة. لقد قمنا بتطبيق أدوات كثيرة مدعومة بالتعلم الآلي في منصتنا الخاصة Keylabs. إنها تساعد حقا في تقصير سير العمل الروتيني.

لكن جميع هذه النماذج محدودة بعملياتها العامة وتناسبها لتأتمتة العمليات الموحدة والقياسية. الحالات المعقدة أو الفريدة لا تزال تتطلب انتباه بشري.

نحن نتحرك بعيدا عن المنهج القديم الذي كان فيه معلم البيانات شخصا مهتما بالتفاصيل يمكنه التعرف على كائن أو عاطفة. في الواقع الجديد، نحن بحاجة إلى محترفين: أطباء لتعليم الصور الطبية، مبرمجين لكتابة التعليمات البرمجية، معماريين لإنشاء الخطط، مسوقين لتحليلات العملاء، وخبراء عسكريين لسيناريوهات الدفاع.

نحن نرى حالات حقيقية، مثل طياري مقاتلات يعلّمون البيانات للذكاء الاصطناعي ويحصلون على 1000 دولار في الساعة مقابل خبرتهم. لأن مثل هؤلاء الخبراء نادرون، ومعارفهم حاسمة لتدريب الذكاء الاصطناعي عالي الأداء.

العالم يتغير: أكثر وأكثر الناس يصبحون مشغلين و”مدربين” للذكاء الاصطناعي. للتو، تلقيت رسالة على LinkedIn طالبني بفحص مجموعة بيانات لتطبيق الذكاء الاصطناعي المصمم للرؤساء التنفيذيين. في المستقبل، قد يتلقى أي منا عرضا للعمل كمعلم، ليس فقط شخصا يضغط على الأزرار، بل خبيرا يؤثر على ذكاء الغد.

نحن نعيش بالفعل في هذا الواقع الجديد، عالم من تعليم البيانات وتدريب الذكاء الاصطناعي. أولئك الذين يدركون هذا ويتكيفون سوف يكتسبون ميزة كبيرة.