نهاية عصر التوسع: لماذا يهم الانكفاء الخوارزمي أكثر من حجم النموذج

خلال معظم العقد الماضي، كانت التقدم في الذكاء الاصطناعي مدفوعًا بالتوسع. أصبحت مجموعات بيانات أكبر، ومتغيرات أكثر، وقوة حسابية أكبر هي الصيغة للنجاح. تنافست الفرق لإنشاء نماذج أكبر، وقياس التقدم bằng تريليونات المتغيرات وبيتابايت من بيانات التدريب. نسمي هذا العصر عصر التوسع. لقد ساهم في الكثير من تقدم الذكاء الاصطناعي الذي نراه اليوم، ولكننا الآن نقترب من حد حيث لم يعد مجرد جعل النماذج أكبر هو الأسلوب الأكثر كفاءة أو ذكاء أو استدامة. ونتيجة لذلك، يتغير التركيز من الحجم الخام إلى الانكفاء الخوارزمي. في هذه المقالة، نبحث لماذا يفقد التوسع قيمته و كيف سيعتمد المرحلة القادمة من تطوير الذكاء الاصطناعي على الابتكارات الخوارزمية.

قانون العائدات المتضائلة في توسيع النموذج

كان عصر التوسع مبنيًا على أسس تجريبية صلبة. لاحظ الباحثون أن زيادة حجم النماذج ومجموعات البيانات يمكن أن يؤدي إلى مكاسب متوقعة في الأداء. أصبح هذا النمط معروفًا باسم قوانين التوسع. أصبحت هذه القوانين بسرعة دليلًا ل مختبرات الذكاء الاصطناعي الرائدة، مما أثار سباقًا لإنشاء أنظمة أكبر. هذا السباق أدى إلى ظهور نماذج لغة كبيرة و نماذج أساسية التي تعمل الآن على العديد من تطبيقات الذكاء الاصطناعي اليوم. ومع ذلك، مثل كل منحنى أسي، يبدأ توسع الذكاء الاصطناعي في التسطيح الآن. تكاليف تطوير نماذج أكبر تتزايد بشكل حاد. يستهلك تدريب نظام متقدم حاليًا نفس كمية الطاقة التي تستهلكها مدينة صغيرة، مما يثير مخاوف بيئية جديّة. التكلفة المالية عالية جدًا بحيث لا يمكن إلا لمجموعة صغيرة من المنظمات التنافس. وفي الوقت نفسه، نلاحظ علامات واضحة على العائدات المتضائلة. لا يزيد ضعف عدد المتغيرات من القدرة بشكل مباشر. التحسينات هي أيضًا تكرارية، مما يؤدي إلى تحسين المعرفة الحالية بدلاً من فتح قدرات جديدة. قيمة المكسب لكل دولار وواط يتم إنفاقه تقل. استراتيجية التوسع تصل إلى حدودها الاقتصادية والفنية.

الحدود الجديدة: الكفاءة الخوارزمية

أدت حدود قوانين التوسع الباحثين إلى إعادة تركيز على الكفاءة الخوارزمية. بدلاً من الاعتماد على القوة الغاشمة، بدأوا في تصميم خوارزميات أكثر ذكاءً تستخدم الموارد بشكل أكثر فعالية. تظهر التقدمات الحديثة قوة هذا التحول. على سبيل المثال، домينت بنية الترانسفورمر، مدفوعة بآليتها الاهتمام، الذكاء الاصطناعي لسنوات. لكن الاهتمام يأتي مع ضعف: تتطلب متطلبات الحوسبة نموًا سريعًا مع طول التسلسل. نماذج الفضاء الحالة (SSMs)، مثل Mamba، تظهر كبديل واعد للترانسفورمر. من خلال تمكين الاستدلال الانتقائي الأكثر كفاءة، يمكن للنماذج SSMs مطابقة أداء الترانسفورمر الأكبر بشكل أكبر مع تشغيل أسرع واستخدام ذاكرة أقل بشكل كبير.

مثال آخر للكفاءة الخوارزمية هو ظهور نماذج خليط الخبراء (MoE). بدلاً من تنشيط شبكة ضخمة كاملة لكل إدخال، تنقل أنظمة MoE المهام إلى مجموعة فرعية صغيرة فقط من الشبكات الصغيرة، أو “الخبراء”. قد يكون للنموذج مليارات المتغيرات الإجمالية، ولكن كل حساب يستخدم فقط جزءًا صغيرًا منها. هذا مثل وجود مكتبة ضخمة ولكنك تفتح فقط الكتب القليلة التي تحتاجها للإجابة على سؤال، بدلاً من قراءة كل كتاب في المبنى في كل مرة. النتيجة هي سعة معرفية لنموذج ضخم مع كفاءة نموذج صغير جدًا.

مثال آخر يجمع بين هذه الأفكار هو DeepSeek-V3، نموذج MoE محسّن بخوارزمية الانتباه اللاتنتي. تحسّن الانتباه التقليدي عن طريق ضغط حالات المفتاح والقيمة، مما يسمح للنموذج بمعالجة تسلسلات طويلة بفعالية، مثل النماذج SSMs، مع الحفاظ على نقاط قوة الترانسفورمر. مع 236 مليار متغير إجمالي ولكن فقط جزء صغير يتم تنشيطه لكل مهمة، يوفر DeepSeek-V3 أداء من الدرجة الأولى في مجالات مثل البرمجة والاستدلال، مع كونها أكثر سهولة وصولًا وأقل استهلاكًا للموارد مقارنة بنماذج أكبر وموسعة.

لماذا يهم هذا التحول

الانتقال من الاعتماد على الحجم إلى التركيز على الانكفاء الخوارزمي له آثار مهمة على مجال الذكاء الاصطناعي. أولاً، يجعل الذكاء الاصطناعي أكثر سهولة الوصول إلى الجميع. لا تعتمد النجاح على الحصول على أجهزة حاسوب قوية فقط. يمكن لمجموعة صغيرة من الباحثين إنشاء تصميم جديد يتفوق على نماذج بنيت بميزانيات أكبر بكثير. هذا يغير الابتكار من سباق حول الموارد إلى سباق مدفوع بالأفكار والخبرة. ونتيجة لذلك، يمكن للمؤسسات التعليمية والشركات الناشئة والمختبرات المستقلة اللعب دورًا أكبر، بخلاف الشركات التقنية الكبيرة فقط.

ثانيًا، يساهم في جعل الذكاء الاصطناعي أكثر فائدة في الإعدادات اليومية. قد يبدو نموذج به 500 مليار متغير مثيرًا للإعجاب في الدراسات، لكن حجمه الكبير يجعل من الصعب تكلفته وبخسة في الممارسة. في المقابل، يمكن للخيارات الكفيفة مثل Mamba أو نماذج MoE تشغيلها على الأجهزة القياسية، بما في ذلك الأجهزة على حافة الشبكات. هذه السهولة في الاستخدام هي مفتاح جلب الذكاء الاصطناعي إلى التطبيقات الشائعة، مثل أدوات التشخيص في الرعاية الصحية أو ميزات الترجمة الفورية على الهواتف الذكية.

ثالثًا، يعالج قضية الاستدامة. أصبحت متطلبات الطاقة لبناء وتشغيل نماذج الذكاء الاصطناعي العملاقة تحديًا كبيرًا للبيئة. من خلال التأكيد على الكفاءة، يمكننا خفض الانبعاثات الكربونية من عمل الذكاء الاصطناعي بشكل حاد.

ماذا يأتي بعد ذلك: عصر تصميم الذكاء

نحن ندخل ما يمكننا تسميته عصر تصميم الذكاء. السؤال لم يعد كيف يمكننا جعل النموذج أكبر، ولكن كيف يمكننا تصميم نموذجًا يتسم بالذكاء والكفاءة بشكل أصيل.

سيجلب هذا التحول ابتكارات عبر عدة مجالات بحثية أساسية. واحدة من المجالات التي يمكننا توقع التقدم فيها هي هندسة نموذج الذكاء الاصطناعي. قد تتغير النماذج الجديدة مثل نماذج الفضاء الحالة المذكورة أعلاه كيفية معالجة الشبكات العصبية للبيانات. على سبيل المثال، الهندسة الملهمة بنظم الديناميكية تثبت قوتها في التجارب. سيكون التركيز الآخر على أساليب التدريب التي تساعد النماذج على التعلم بفعالية مع كمية بيانات أقل بكثير. على سبيل المثال، التقدم في تقنيات التعلم من الصفر و القليل من اللقطات يجعل الذكاء الاصطناعي أكثر كفاءة في البيانات، في حين تسمح تقنيات مثل توجيه التنشيط بتحسينات سلوكية دون إعادة التدريب. التحسينات بعد التدريب واستخدام البيانات الاصطناعية تقلل بشكل كبير من احتياجات التدريب، أحيانًا بمعامل 10,000.

نحن سوف نرى أيضًا زيادة الاهتمام بنماذج الهجين، مثل الذكاء الاصطناعي العصبي الرمزي. يظهر الذكاء الاصطناعي العصبي الرمزي كتrend رئيسي في عام 2025، يجمع بين القدرة على التعرف على الأنماط للتعلم العصبي مع القوة المنطقية للنظم الرمزية من أجل تفسير أفضل وأقل اعتماد على البيانات. أمثلة على ذلك AlphaGeometry 2 و AlphaProof، مما يسمح لشركة Google DeepMind بالحصول على أداء ذهبي في الأولمبياد الدولي للرياضيات 2025. الهدف هو تطوير أنظمة لا تتنبأ فقط بالكلمة التالية بناءً على الإحصائيات ولكن تفهم وتستدل عن العالم بطريقة تشبه الإنسان.

الخط السفلي

كان عصر التوسع ضروريًا وأدى إلى نمو ملحوظ في الذكاء الاصطناعي. وسع حدود ما هو ممكن وقدم التكنولوجيا الأساسية التي نعتمد عليها اليوم. لكن مثل أي تكنولوجيا ناضجة، يصل الأسلوب الأول في النهاية إلى حدوده. لن تأتي الانكفاءات الكبيرة القادمة من إضافة طبقات إضافية إلى العمود. بل ستظهر من إعادة تصميم العمود نفسه.

ينتمي المستقبل إلى من يبتكر في الخوارزميات والهندسة والعلوم الأساسية للتعلم الآلي. إنه مستقبل حيث يتم قياس الذكاء ليس بعدد المتغيرات، ولكن بجمال التصميم. بدأ السعي لإنشاء خوارزميات أكثر ذكاءً للتو. هذا التحول يفتح الباب أمام الذكاء الاصطناعي الذي هو أكثر سهولة الوصول والاستدامة والذكاء الحقيقي.