مقابلات
يوبي تشين، المؤسس المشارك لشركة Aizip Inc – سلسلة المقابلات
يوبي تشين هو المؤسس المشارك لشركة Aizip Inc، وهي شركة تبني أصغر وأكثر كفاءة في مجال النماذج الذكية. وهو أيضًا أستاذ مساعد في قسم الهندسة الكهربائية والكمبيوتر في جامعة كاليفورنيا، ديفيس. يركز بحث تشين على تقاطع العلوم العصبية الحاسوبية والتعلم الذاتي غير الموجه (الذاتي)، مما يعزز فهمنا للمبادئ الحسابية التي تحكم التعلم غير الموجه في الدماغ والآلات، وإعادة تشكيل فهمنا للإحصاءات الطبيعية.
قبل انضمامه إلى جامعة كاليفورنيا، ديفيس، قام تشين بدراسة ما بعد الدكتوراه مع البروفيسور يان لوكون في مركز نيويورك لعلوم البيانات (CDS) وأبحاث الذكاء الاصطناعي الأساسية في ميتا (FAIR). أكمل درجة الدكتوراه في مركز ريدوود للعصبية النظرية والبحث في الذكاء الاصطناعي في بيركلي (BAIR)، جامعة كاليفورنيا، بيركلي، تحت إشراف البروفيسور برونو أولشاوسن.
Aizip تطور حلول ذكية فائقة الكفاءة مُختبرة للاستخدام على أجهزة الحواف، وتقدم نماذج مضغوطة للرؤية والصوت والوقت والسلسلة واللغة ودمج الحواس. تُمكِّن منتجاتها من أداء مهام مثل التعرف على الوجه والكائن والكلمات الرئيسية وتحليل الإشارات الكهربائية للقلب والمخ والrobots على الجهاز. من خلال منصة الذكاء الاصطناعي النانوي، Aizipline، تسرع الشركة من تطوير النماذج باستخدام النماذج الأساسية والتنموية لتحقيق التطوير الكامل للتصميم الذكي. تدعم سلسلة Aizip من نماذج اللغة الصغيرة (300M-2B معامل) مجموعة واسعة من الأجهزة، وتجلب القدرات الذكية إلى الحواف.
كنت قد قمت بدراسة ما بعد الدكتوراه مع يان لوكون في جامعة نيويورك وميتا FAIR. كيف أثرت هذه التجربة على نهجك في بناء حلول الذكاء الاصطناعي في العالم الحقيقي؟
في بيركلي، كان بحثي متجذراً بشكل عميق في الاستفسار العلمي والصارمة الرياضية. ركز بحث الدكتوراه على فهم الأنظمة الذكية من منظور “ال盒ة البيضاء”، أو تطوير طرق للكشف عن الهياكل الكامنة للبيانات والنمذجة الذكية. عملت على بناء نماذج ذكية قابلة للتفسير وأداء عالي وتقنيات التصور التي تساعد على فتح أنظمة الذكاء الاصطناعي السوداء.
في ميتا FAIR، كان التركيز على هندسة أنظمة الذكاء الاصطناعي لتحقيق الأداء الأفضل على نطاق واسع. مع الوصول إلى الموارد الحاسوبية من الدرجة العالمية، قمت بتحقيق حدود التعلم الذاتي غير الموجه وساهمت في ما نسميه الآن “نماذج العالم” — أنظمة ذكية تعلم من البيانات وتخيل بيئات ممكنة. هذه التجربة المزدوجة — الفهم العلمي في بيركلي والهندسة الموجهة للتوسع في ميتا — أعطتني منظورًا شاملاً لتطوير الذكاء الاصطناعي. وأبرزت أهمية أن كلاً من التأمل النظري والتطبيق العملي لهما دور في تطوير حلول الذكاء الاصطناعي للطبيعة الحقيقية.
يعمل بحثك على دمج العلوم العصبية الحاسوبية مع الذكاء الاصطناعي. كيف تؤثر رؤى العلوم العصبية على طريقة تطويرك لنماذج الذكاء الاصطناعي؟
في العلوم العصبية الحاسوبية، ندرس كيفية معالجة الدماغ للمعلومات عن طريق قياس استجاباته لمختلف المحفزات، تمامًا كما نفعل في اختبار نماذج الذكاء الاصطناعي لفهم آلياتها الداخلية. في البداية، طوّرت تقنيات التصور لتحليل التضمين الكلماتي — كسر الكلمات إلى عناصرها الدلالية، مثل “تفاحة” إلى “فاكهة” و “تكنولوجيا”. لاحقًا، توسعت هذه النهج إلى نماذج ذكية أكثر تعقيدًا مثل المتحولات واللغة الكبيرة التي ساعدت على الكشف عن كيفية معالجتها وتخزين المعرفة.
تتوازي هذه الأساليب تقنيات العلوم العصبية، مثل استخدام الأقطاب أو التصوير بالرنين المغناطيسي لفهم نشاط الدماغ. يسمح فحص التمثيلات الداخلية لنماذج الذكاء الاصطناعي بفهم استراتيجيات التفكير والكشف عن الخصائص الناشئة، مثل الخلايا العصبية التي تنشط لافكار معينة (مثل ميزة جسر جولدن غيت التي وجدتها أنثروبك عند رسم خريطة كلود). هذه السلسلة من البحث تم تبنيها على نطاق واسع في الصناعة لأنها أثبتت كفاءتها في تمكين التفسير والتدخلات العملية، وإزالة الانحياز من النماذج. وبالتالي، تساعد نهج العلوم العصبية الحاسوبية في جعل الذكاء الاصطناعي أكثر تفسيرًا وموثوقًا وكفاءة.
ما هو ما دفعك إلى تأسيس Aizip؟ يمكنك مشاركة الرحلة من الفكرة إلى إطلاق الشركة؟
كباحث أساسي في الذكاء الاصطناعي، كان معظم عملي نظريًا، ولكنني أردت جسر الفجوة بين البحث والتطبيقات الحقيقية. أسست Aizip لجلب ابتكارات الذكاء الاصطناعي إلى الاستخدام العملي، خاصة في البيئات المقيدة بالموارد. بدلاً من بناء نماذج أساسية كبيرة، ركزنا على تطوير أصغر وأكثر كفاءة من النماذج الذكية التي ستكون مُختبرة للاستخدام على أجهزة الحواف.
بدأت الرحلة بشكل أساسي مع ملاحظة رئيسية: في حين أن التقدّم في الذكاء الاصطناعي كان يتوسع بسرعة، فإن التطبيقات الحقيقية غالبًا ما تتطلب العكس — كفاءة عالية و استهلاك منخفض للطاقة و تأخير أدنى. رأينا فرصة لتسليط اتجاه جديد يوازن بين الصرامة العلمية والتطبيق العملي. من خلال الاستفادة من رؤى التعلم الذاتي غير الموجه وهياكل النماذج المضغوطة، تمكنت Aizip من تقديم حلول ذكية تعمل بكفاءة على الحواف وتفتح إمكانيات جديدة للذكاء الاصطناعي في الأنظمة المدمجة والإنترنت للأشياء وما بعدها.
تتخصص Aizip في نماذج الذكاء الاصطناعي الصغيرة لأجهزة الحواف. ما هو الفجوة في السوق التي رأيتها والتي أدت إلى هذا التركيز؟
ركزت صناعة الذكاء الاصطناعي بشكل كبير على توسيع النماذج، ولكن التطبيقات الحقيقية غالبًا ما تتطلب العكس — كفاءة عالية و استهلاك منخفض للطاقة و تأخير أدنى.许多 نماذج الذكاء الاصطناعي اليوم تكون باهظة من حيث الحسابات للاستخدام على أجهزة صغيرة ومدمجة. رأينا فجوة في السوق لحلول الذكاء الاصطناعي التي يمكن أن تقدم أداء قويًا مع العمل داخل قيود الموارد القصوى.
لقد أدركنا أنه ليس من الضروري أن تعمل كل تطبيقات الذكاء الاصطناعي على نماذج ضخمة، وأنه لن يكون من الممكن الاعتماد على نماذج من هذا الحجم لكل شيء. بدلاً من ذلك، نركز على تحسين الخوارزميات لتحقيق أقصى كفاءة مع الحفاظ على الدقة. من خلال تصميم نماذج ذكية مخصصة للتطبيقات على الحواف — سواء في الحواسيب الذكية أو الأجهزة القابلة للارتداء أو التutomatization الصناعي — نمكن الذكاء الاصطناعي من العمل في أماكن حيث تكون النماذج التقليدية غير عملية. نهجنا يجعل الذكاء الاصطناعي أكثر إمكانية الوصول وتوسعًا وتوفيرًا للطاقة، ويفكّك إمكانيات جديدة للابتكار المحرّز بالذكاء الاصطناعي ما وراء السحابة.
تعتبر Aizip في طليعة تطوير نماذج اللغة الصغيرة (SLMs). كيف ترى SLMs تنافس أو تكمّل النماذج الأكبر مثل GPT-4؟
نماذج اللغة الصغيرة و النماذج الأكبر مثل GPT-4 ليست بالضرورة في منافسة مباشرة لأنها تخدم احتياجات مختلفة. النماذج الأكبر قوية فيما يتعلق بالتعميم والتفكير العميق ولكنها تتطلب موارد حسابية كبيرة. تم تصميم نماذج اللغة الصغيرة للكفاءة و النشر على أجهزة الحواف منخفضة القوة. تكمل النماذج الأكبر من خلال تمكين القدرات الذكية في التطبيقات الحقيقية حيث يهم القوة الحاسوبية والتأخير والتكلفة — مثل أجهزة الإنترنت للأشياء والأجهزة القابلة للارتداء والتحكم الصناعي. مع نمو اعتماد الذكاء الاصطناعي، نرى نهجًا هجينًا ي出现، حيث تتعامل النماذج الكبيرة الموجودة في السحابة مع الاستفسارات المعقدة في حين توفر نماذج اللغة الصغيرة الذكاء المحلي في الوقت الفعلي على الحواف.
ما هي أكبر التحديات الفنية في جعل نماذج الذكاء الاصطناعي كفئة بما يكفي لأجهزة الحواف منخفضة القوة؟
أحد التحديات الأساسية هو عدم وجود فهم نظري كامل لكيفية عمل نماذج الذكاء الاصطناعي. بدون أساس نظري واضح، تكون جهود التحسين غالبًا تجريبية، مما يحدّ من مكاسب الكفاءة. بالإضافة إلى ذلك، يحدث التعلم البشري بطرق متنوعة لا تكتملها أنماط التعلم الآلي الحالية، مما يجعل من الصعب تصميم نماذج تقلد كفاءة البشر.
من منظور هندسي، دفع الذكاء الاصطناعي للعمل داخل القيود القصوى يتطلب حلولًا مبتكرة في ضغط النموذج و الكمية و تصميم الهياكل. تحدي آخر هو إنشاء نماذج ذكية يمكنها التكيف مع مجموعة متنوعة من الأجهزة والبيئات مع الحفاظ على المتانة. مع زيادة تفاعل الذكاء الاصطناعي مع العالم الفعلي من خلال أجهزة الإنترنت للأشياء والمتحسسات، يصبح الحاجة إلى واجهات طبيعية و كفاءة — مثل الصوت و الإشارة و مدخلات غير تقليدية أخرى — أمرًا حاسمًا. الذكاء الاصطناعي على الحواف هو حول إعادة تعريف كيفية تفاعل المستخدمين مع العالم الرقمي بسهولة.
يمكنك مشاركة بعض التفاصيل حول عمل Aizip مع شركات مثل Softbank؟
قمنا مؤخرًا بالشراكة مع SoftBank في مشروع لتربية الأسماك حصل على جائزة الابتكار في CES — وهو ما نفخر به بشكل خاص. قمنا بتطوير نموذج ذكاء اصطناعي كفء على الحواف لاستخدامه في تطبيق عد الأسماك يمكن استخدامه من قبل مشغلي مزارع الأسماك. هذه الحل تعالج تحديًا حاسمًا في تربية الأسماك يمكن أن يؤدي إلى مشاكل في الاستدامة و الفاقد الغذائي و الربحية. كانت الصناعة بطيئة في تبني الذكاء الاصطناعي كحل بسبب عدم موثوقية الطاقة والاتصال في البحر، مما يجعل حلول الذكاء الاصطناعي المعتمدة على السحابة غير عملية.
للحل، قمنا بتطوير حلًا يعتمد على جهاز. قمنا بدمج محاكاة الرسومات الحاسوبية لبيانات التدريب من SoftBank مع نماذجنا المضغوطة و创建 نظام دقيق يعمل على الهواتف الذكية. في الاختبارات الميدانية تحت الماء، حقق نظامًا بنسبة تمييز 95٪، مما حسّن بشكل كبير دقة عد الأسماك. سمح ذلك للمزارعين بتحسين ظروف التخزين وتحديد ما إذا كان يجب نقل الأسماك حية أو مجمدة، واكتشاف الأمراض أو مشاكل صحية أخرى في الأسماك.
هذه الابتكار تحسّن الكفاءة وخفض التكاليف وتقليل الاعتماد على العمل اليدوي. على نطاق أوسع، يظهر كيف يمكن للذكاء الاصطناعي أن يؤثر بشكل ملموس على مشاكل العالم الحقيقي.
قدمت Aizip مفهوم “مصنع الذكاء الاصطناعي النانوي”. يمكنك شرح ما يعنيه ذلك وكيف يؤتم تحسين نمذجة الذكاء الاصطناعي؟
مصنع الذكاء الاصطناعي النانوي هو خط أنابيب التصميم الذكي الآلي الداخلي، مستوحى من التصميم الآلي الإلكتروني (EDA) في تصنيع أشباه الموصلات. في بداية تطوير أي تكنولوجيا ناشئة، ي涉ل الكثير من الجهد اليدوي، لذلك يصبح التأتمة مفتاحًا لتسريع التقدم وتوسيع الحلول مع نضج الحقل.
سألنا أنفسنا، هل يمكن للذكاء الاصطناعي أن يسرع من تطوره الخاص؟ مصنع الذكاء الاصطناعي النانوي يؤتم كل مرحلة من مراحل تطوير نمذجة الذكاء الاصطناعي من معالجة البيانات إلى تصميم الهياكل واختيار النموذج و التدريب و الكمية و النشر و التصحيح. من خلال الاستفادة من الذكاء الاصطناعي لتحسين نفسه، تمكنا من تقليل وقت تطوير النماذج الجديدة بمعدل متوسط قدره 10 أضعاف. في بعض الحالات، بمعدل يصل إلى 1000 مرة. هذا يعني أن نموذجًا كان يأخذ أكثر من عام لتطويره يمكن الآن إنشاؤه في بضع ساعات فقط.
ميزة أخرى هي أن هذه التأتمة تضمن أيضًا أن تكون حلول الذكاء الاصطناعي قابلة экономيًا لاستخدامها في مجموعة واسعة من التطبيقات، مما يجعل نشر الذكاء الاصطناعي في العالم الحقيقي أكثر إمكانية وصولًا وتوسعًا.
كيف ترى دور الذكاء الاصطناعي على الحواف يتطور في السنوات الخمس القادمة؟
يعد الذكاء الاصطناعي على الحواف واعدًا بتحويل كيفية تفاعلنا مع التكنولوجيا، مشابهًا لما قامت به الهواتف الذكية في ثورة الوصول إلى الإنترنت. معظم تطبيقات الذكاء الاصطناعي اليوم تعتمد على السحابة، ولكن هذا يتغير مع تحرك الذكاء الاصطناعي أقرب إلى الحواس والأجهزة التي تتفاعل مع العالم الفعلي. هذا التحول يبرز الحاجة إلى المعالجة في الوقت الفعلي على الحواف مع تأخير أدنى.
في السنوات الخمس القادمة، نتوقع أن يُمكّن الذكاء الاصطناعي على الحواف من تفاعلات أكثر طبيعية بين الإنسان والحاسوب، مثل التعرف على الصوت و الإشارة و واجهات أخرى غير تقليدية، مما يزيل الاعتماد على الحواجز التقليدية مثل لوحات المفاتيح و الشاشات التáctile. من المتوقع أيضًا أن يصبح الذكاء الاصطناعي أكثر اندماجًا في البيئات اليومية مثل المنازل الذكية أو التحكم الصناعي لتمكين اتخاذ القرارات في الوقت الفعلي مع تأخير أدنى.
اتجاه آخر رئيسي سيكون زيادة استقلالية أنظمة الذكاء الاصطناعي على الحواف. ست trởن نماذج الذكاء الاصطناعي أكثر تحسينًا ذاتيًا ومتكيفًا بفضل التقدّم في التأتمة بنمط مصنع الذكاء الاصطناعي النانوي، لذلك ستقلل من الحاجة إلى التدخل البشري في النشر والصيانة. هذا سيفتح فرصًا جديدة عبر مجموعة من الصناعات مثل الرعاية الصحية والسيارات والزراعة.
ما هي بعض الأجهزة التي تعمل بالذكاء الاصطناعي القادمة من Aizip التي أنت أكثر حماسًا لها؟
نعمل على توسيع نطاق استخدام نماذجنا في صناعات جديدة، وواحدة التي نتحمس لها بشكل خاص هي وكيل الذكاء الاصطناعي للقطاع السيارات. هناك زخم متزايد، خاصة بين صانعي السيارات الصينيين، لتطوير مساعدين صوتيين مدعومين بنماذج اللغة التي تشعر أكثر مثل ChatGPT داخل المقصورة. التحدي هو أن معظم المساعدين الحاليين لا يزالون يعتمدون على السحابة، خاصة للتعاملات الطبيعية والمرونة. فقط المهام الأساسية مثل “تشغيل التكييف” أو “فتح الصندوق” تعمل محليًا على السيارة، ويمكن أن يصبح التفاعل الصارم مع هذه الأوامر مصدرًا للانحراف إذا لم يتم تذكرها بدقة.
لقد طوّرنا سلسلة من وكلاء الذكاء الاصطناعي فائقة الكفاءة، تدعى Gizmo، التي يتم استخدامها حاليًا في تطبيقات مختلفة لصناعات مختلفة، ونعمل على نشرها كمساعد سيارة داخل المقصورة. Gizmo مدرب على فهم النية بطريقة أكثر دقة، وعندما يخدم كوكيل سيارة، يمكنه تنفيذ الأوامر من خلال لغة محادثية وحرّة. على سبيل المثال، يمكن للوكيل تعديل درجة حرارة المقصورة إذا قال السائق ببساطة “أنا بارد”، أو الاستجابة لتحفيز مثل “سأقود إلى بوسطن غدًا، ما الذي يجب أن أرتديه؟” من خلال التحقق من الطقس و提侤 اقتراحًا.
لأنها تعمل محليًا ولا تعتمد على السحابة، يستمر هؤلاء الوكلاء في العمل في المناطق الميتة أو المناطق ذات الاتصال الضعيف، مثل النفق أو الجبال أو الطرق الريفية. كما يعززون السلامة من خلال منح السائقين التحكم الكامل بالصوت دون إزالة انتباههم عن الطريق. وعلى حدة، أردت أن أذكر أننا نعمل حاليًا على إنتاج نموذج كараоке مدعوم بالذكاء الاصطناعي للسيارات وسماعات البلوتوث، والذي يعمل محليًا مثل الوكيل. بشكل أساسي، يأخذ أي صوت مدخل ويزيل الصوت البشري منه، مما يسمح بإنشاء نسخة كараоке لأي أغنية في الوقت الفعلي. لذلك، بالإضافة إلى مساعدة العملاء على إدارة التحكم في السيارة بأمان أكبر، نحن نبحث عن طرق لجعل التجربة أكثر متعة.
هذه النوع من الحلول، التي تجعل فرقًا حقيقيًا في حياة الناس اليومية، هي التي نفخر بها أكثر.
Aizip تطور حلول ذكية فائقة الكفاءة مُختبرة للاستخدام على أجهزة الحواف، وتقدم نماذج مضغوطة للرؤية والصوت والزمن والسلسلة واللغة ودمج الحواس. تُمكِّن منتجاتها من أداء مهام مثل التعرف على الوجه والكائن والكلمات الرئيسية وتحليل الإشارات الكهربائية للقلب والمخ والrobots على الجهاز. من خلال منصة الذكاء الاصطناعي النانوي، Aizipline، تسرع الشركة من تطوير النماذج باستخدام النماذج الأساسية والتنموية لتحقيق التطوير الكامل للتصميم الذكي. تدعم سلسلة Aizip من نماذج اللغة الصغيرة (300M-2B معامل) مجموعة واسعة من الأجهزة، وتجلب القدرات الذكية إلى الحواف.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا Aizip.
