زوزانا ستاميروفسكا، المؤسس المشارك والرئيس التنفيذي لشركة Pathway – سلسلة المقابلات

Zuzanna Stamirowska, المؤسس المشارك والرئيس التنفيذي لشركة Pathway، هي باحثة تحولت إلى مُنشئ عملت سابقًا على الظواهر الناشئة وتطور الشبكات على نطاق واسع. تم الاعتراف بمشاريعها من قبل الأكاديمية الوطنية للعلوم في الولايات المتحدة، وتحمل درجة دكتوراه في الأنظمة المعقدة. Zuzanna، إلى جانب الرئيس التقني Jan Chorowski والرئيس التنفيذي للعلوم Adrian Kosowski، تقود فريقًا قد بنى بالفعل أدوات ذكاء اصطناعي مفتوحة مع أكثر من 62,000 نجمة على GitHub.

Pathway تعيد تصور طريقة تفكير نماذج الذكاء الاصطناعي، ساعيةً إلى إنشاء أنظمة تعمل باستمرار وبشكل تكيفي بدلاً من العمل على دفعات. خلف الكواليس، تمكّن أدواتها وبنيتها المعمارية النماذج من المعالجة والتعلم والتطور في الوقت الفعلي. لقد جذبت الشركة دعمًا من شخصيات بارزة مثل لوكاش كايزر (المخترع المشارك لتقنية Transformers) وشركات رأس مال مخاطر مرموقة.

ما الذي دفعك لإطلاق Pathway، وكيف شكلت خلفيتك في الأنظمة المعقدة، ونظرية الألعاب، والظواهر الناشئة رؤية الشركة والاتجاه التقني؟

أردنا إنشاء ذكاء اصطناعي يفكر ويتكيف مثل البشر. أدركنا أن هذا يعني أن أنظمة الذكاء الاصطناعي (نماذج التعلم العميق، أو خطوط أنابيب التعلم الآلي المبنية من عدد أكبر من اللبنات) ستكون قادرة على التعلم المستمر بناءً على بيانات من البيئة، وتتحسن مع الخبرة، وأحيانًا “تصحّح” رؤاها السابقة للعالم. حصلنا فعليًا على تغطية واسعة حول موضوع “نسيان الآلة”. بالإضافة إلى النماذج، احتاجت مثل هذه الأنظمة إلى طبقة كاملة من الهندسة، لالتقاط البيانات من المصدر وإدخالها فورًا إلى الأنظمة الديناميكية.

بعد أن عملت على الظهور في الشبكات المعقدة، طورت عددًا من الفرضيات التي انتهى بنا الأمر بتطبيقها مباشرة أو شبه مباشرة في BDH. ومن المضحك أنني راهنت مع زملائي (أدريان، الرئيس التنفيذي للعمليات، وجان، الرئيس التقني) وفزت بعدد من زجاجات الكونياك الجيدة جدًا. أولاً، كنا نؤمن أن الذكاء الطبيعي ينتج عن بنية ناشئة وعمل الخلايا العصبية في الدماغ (هذا واضح، لا رهان هنا). ثانياً، من خلال بحثي السابق، علمت أن الوظيفة بشكل عام تشكّل الشبكة (فزت بهذا الرهان). في أعمال سابقة، اكتشفت ذلك في التجارة، وقد درس العلماء العصبيون ذلك بالنسبة للأعصاب والحواس في الفئران وغيرها. ثالثاً، كان الواقع أن تشكيل بنية الشبكة يجب أن يتبع بعض القواعد المحلية جدًا المرتبطة مباشرةً بما يُسمى “الجوار” لكل موقع في الشبكة (في هذه الحالة العقدة هي خلية عصبية) (فزت بهذا الرهان). الأجزاء الأخرى جاءت من معرفتي بأنظمة تفاعل الجسيمات – فكر على سبيل المثال في المغناطيسية – حيث تُعدّل الجسيمات دورانها وفقًا لحقل خارجي وتخلق نوعًا من “النظام العفوي”. هذا هو نوع الرياضيات الذي استخدمته أثناء عملي على نظرية الألعاب على الرسوم البيانية. عندما جمعنا كل ذلك، من اليوم الأول لوجود الشركة، كان لدينا قناعة قوية بأن الندرة (الهياكل الشبيهة بالرسوم البيانية) ستكون خطوة أساسية في تقدم الذكاء الاصطناعي.كان احتساب مفهوم الوقت أمرًا حاسمًا وكان أيضًا مميزًا إلى حد كبير في خلفيتي، لأن الظهور عادةً ما يحدث على مرّ الوقت.

عندما أطلقت الشركة في عام 2020، ما هي الفرضيات الأولية التي كانت لديك حول ما يجب أن تفعله أنظمة الذكاء الاصطناعي المستقبلية بشكل مختلف، وكيف تطورت تلك الآراء؟

كان لدينا قناعة قوية منذ البداية بأن الذكاء الاصطناعي يجب أن يكون مباشرًا، متكيفًا، ومندمجًا في عمليات واسعة النطاق. يجب أن يتعلم مباشرةً من المصدر، بأكثر البيانات الخام إمكانية.

في البداية قمنا بذلك للنهج التقليدية الأكثر في التعلم الآلي، وعلى طول الطريق بنينا طبقات من الهندسة التي تسمح بنشر هذه الأنظمة بسهولة في العالم الحقيقي. الآن، نقلنا هذا النهج إلى التعلم العميق.كنا نعلم أن عناصر الوقت والبنية (الشبكات) ستكون مفتاحًا للتقدم نحو الذكاء الاصطناعي العام. لدينا ذلك مكتوبًا في بعض وثائقنا التأسيسية من عام 2020.

هل يمكنك إرشادنا عبر بنية “ما بعد‑المحوّل” التي تقدمها وكيف تختلف عن الأنظمة القائمة على المحوّل الحالية؟

بناؤنا الجديد، المسمى Baby Dragon Hatchling (BDH)، يربط رسميًا كيفية معالجة المحولات للمعلومات مع كيفية ظهور التفكير في الدماغ.
يتصرف BDH كالنظام الفيزيائي: نموذج حوسبة شبيه بالدماغ حيث تتعاون الخلايا العصبية لاكتشاف الحقيقة التالية، الأكثر صلة. لا يقتصر التفكير السياقي على القيود الهندسية، مثل طول السياق الثابت للمحوّل، بل يتوسع مع عدد الخلايا العصبية في النموذج.

وضع كل هذا بمصطلحات أكثر تقنية، على عكس الـ Transformer، في BDH لدينا انتباه خطي، ومتجهات مفتاح‑استعلام متفرقة، ولا حدود لحجم نافذة السياق.

يفتح هذا النهج الباب أمام الأنظمة التي تتعلم أثناء الأداء، وتحافظ على سلاسل طويلة من الاستدلال، وتتكيف باستمرار في السياق.

ميزة أساسية في النظام هي القرب المحلي: تُوضع البيانات المهمة بجوار المواقع التي تُعالج فيها. هذا يقلل من التواصل، ويقضي على أكثر عنق زجاجة مؤلم للنماذج الاستدلالية أثناء الاستنتاج: عرض النطاق الترددي بين الذاكرة والنواة.

كيف يستلهم نهجكم من التفكير البشري، خصوصًا في تمكين التكيف والتعلم المستمر دون إعادة التدريب؟

BDH يجلب الذكاء الطبيعي والذكاء الطبيعي أقرب.

هذه البنية مستوحاة من طريقة عمل الخلايا العصبية والمشابك في الدماغ. إنها تُطابق آليات الانتباه البيولوجية مع مفهوم الانتباه الحاسوبي في تعلم الآلة، مما يخلق جسرًا قابلًا للتوسع بين المحولات والدماغ.

تقرب BDH الانتباه من معلمات النموذج، وتقدمها كانعكاسين لنفس ديناميكيات النظام الشبيهة بالدماغ، حيث يتغير الانتباه بسرعة مع معرفة حقائق جديدة أثناء الاستدلال، وتُغيّر معلمات النموذج ببطء أكبر مع تغير النظام لعاداته طويلة الأمد. هذا أقرب إلى ما نعتقد أن الاستدلال يعمل به في الدماغ.

نرى BDH كمعلم نحو تصميم أنظمة ذكاء اصطناعي تستدلال أثناء المهمة، تتحسن مع الخبرة، وتتكيف دون إعادة تدريب – خصائص نربطها بالاستدلال البشري.

إحدى التحديات في الذكاء الاصطناعي هي موازنة الاستقرار مع القابلية للتكيف — كيف تضمن أن الأنظمة يمكنها التعلم في الوقت الحقيقي دون فقدان المعرفة السابقة؟

يعتمد BDH على هيكله الخالي من المقياس وحالات الخلايا العصبية المحلية للحفاظ على التفكير على مدى أفق زمني طويل، موازناً بين الاستقرار والقدرة على دمج المعرفة والملاحظات الجديدة. هذا التوازن الصحي الطبيعي سهل الاستخراج والمتابعة طوال عمر النموذج.

مع BDH نضع التفكير كأساس للذكاء. من خلال العمل الحالي، نحرز تقدماً في فرضية حول دور المعرفة في نماذج اللغة الكبيرة: ليس الأمر متعلقاً بما هو “صحيح” بقدر ما هو ما هو “مفيد” في سياق معين للتقدم في سلسلة من التفكير. على سبيل المثال، إذا تم وضع المعرفة في سياقها، فجأة لا يوجد تناقض بين عالمنا الذي يتبع قوانين الطبيعة، والحقيقة أننا نعرف حكاية شعبية تعترف بوجود الجنيات والسحر. بنفس الطريقة لا يوجد تناقض للنموذج الذي يأخذ في الاعتبار عدة فرضيات تنبؤية مختلفة، مع افتراضات أكثر أو أقل تفاؤلاً، في سلسلة فكر واحدة.

النماذج المستندة إلى BDH تكتسب حقائق جديدة خلال فترة حياتها بطريقة سياقية. يمكنها تصحيح نفسها بفضل ذلك. من خلال إظهار إحصاءات سهلة المتابعة لنشاط الخلايا العصبية والتحكم الدقيق في نقل المعرفة من السياق إلى معلمات النموذج، تساعد البنية المعمارية على الحد من خطر ظهور السياقات “القديمة” في لحظة غير مناسبة.

ما هي المقايضات الهندسية في بناء محرك معالجة بيانات حي يمكنه الحفاظ على هذه القدرات على نطاق واسع؟

يعتمد عرض Pathway للمؤسسات على أسرع محرك معالجة بيانات في السوق. هذا المحرك يدعم قدرتنا على معالجة المدخلات في الوقت الحقيقي، والتفاعل مع المعلومات الجديدة بكمون منخفض. مع الاختراق الحالي في تقنية BDH، نضمن أن تمتد هذه القدرة على التكيف في الوقت الحقيقي إلى حد النماذج الأساسية للذكاء الاصطناعي المستخدمة في النشر. هدفنا الشامل للنشر على نطاق واسع هو الابتعاد عن التحسين الثابت نحو بناء بنية تحتية يمكنها التعامل مع التفكير على أمد طويل.

ما هي أكثر حالات الاستخدام إقناعًا التي تتطلب حقًا هذه المرحلة التالية من الذكاء الاصطناعي، وأين تقصر الأنظمة الحالية القائمة على المحولات؟

العديد من الابتكارات وسعت وظائف الذكاء الاصطناعي التوليدي لتتكيف بسرعة مع المعلومات الجديدة وتعتمد بعمق على ‘الوقت المستغرق في المهمة ’، لكن لا شيء حتى الآن قادر على استبدال توظيف شخص موهوب للغاية.

الإجابة السريعة والبسيطة هي أننا نتحدث عن أي مهمة تتطلب حاليًا أكثر من 2h و17 دقيقة من العمل المتسق من قبل خبير بشري. هذا هو الحد الحالي لـ GPT5 وفقًا لـ METER.

أجرينا مناقشات رائعة مع شركاء التصميم في المؤسسات الذين يتطلبون تخصيصًا عميقًا، ونماذج تتعلم أثناء العمل من بيانات نادرة، وأمان النشر.

تجعل BDH الأمر نسبياً بسيطًا للمؤسسة لمعالجة عمليات معقدة للغاية مثل:

• إغلاق ربع لشركة عامة
• إنشاء ديناميكي لأفضل مسارات العمل التالية في بيئات عالية المخاطر ذو صلة كبيرة في كل من المبيعات والدفاع.
• إدارة الاستثمارات

تستخدم الناتو بالفعل تقنية Pathway لمعالجة البيانات العسكرية والاجتماعية الحية، مما يتيح أنظمة تخطيط تتكيف مع تطور الأوضاع. تستفيد لا بوست من Live AI من Pathway لإدارة عملياتها ديناميكياً في الوقت الفعلي. يمكن للقطاعات مثل المالية والرعاية الصحية، حيث البيانات نادرة أو حساسة، أن تستفيد من نماذج تتطلب بيانات أقل ولكنها تقدم رؤى أعمق وأحكاماً أكثر موثوقية.

هل يمكنك مشاركة أمثلة على كيفية تطبيق منظمات مثل الناتو، لا بوست، أو فورمولا 1 لتقنيتكم وما الأثر الذي حققته؟

الناتو، لا بوست، وفرق فورمولا 1 هم بالفعل من أوائل المتبنين لتقنية Pathway.

توفر Pathway للناتو تقنية معالجة بيانات قوية ومبتكرة لفتح قدرات جديدة للاستخدام الحاسم على نطاق واسع. من خلال النموذج العملي لدينا، أداة محاكاة تمكين التعزيز (REST)، طورنا الأساس لتطوير حلول مدعومة بالذكاء الاصطناعي للناتو.  باستخدام Pathway لربط البيانات المفتوحة السرعة قد سرّع الوعي بالموقف وجعله يصل إلى المستوى الضروري الذي احتاجه الناتو لتشغيله بنجاح في عقد 2020.

تستخدم لا بوست Pathway لتحسين العمليات المتعلقة بوحدات النقل الخاصة بها. باستخدام إطار عمل Pathway، تتوقع لا بوست عملياتها تلقائيًا في الوقت الحقيقي وتولد تحليلًا نوعيًا مباشرًا لعمليات النقل الخاصة بها. من خلال Pathway، تمكنت الشركة من تحسين لوجستياتها بشكل ديناميكي، مما يقلل من أوقات الوصول المتوقعة، وأوقات المعالجة / أوقات التنفيذ، ويزيد من الموثوقية. علاوة على ذلك، حققوا تخفيضات كبيرة في تكاليف التشغيل (تخفيض بنسبة 50% في إجمالي تكلفة الملكية في بعض الحالات).

فريق سباقات الفورمولا 1 يستخدم Pathway لتكييف الاستراتيجية تحت ظروف الضغط العالي وفي الوقت الحقيقي. أرادت الشركة منصة للمستخدمين النهائيين لإنشاء الدوال المعرفة من قبل المستخدم (UDFs) بشكل مستقل، وتلبية احتياجات الأعمال المتنوعة من الرياضات الإلكترونية/سباقات المحاكاة، إلى السيارات وسباقات الفورمولا. يتيح إطار عمل البيانات الحية من Pathway تحويلات بيانات متقدمة لفريق سباقات الفورمولا 1 بأقل زمن تأخير (سرعات معالجة أسرع بـ 90 مرة مقارنةً بالسابق).

ما هي أكبر العقبات أمام نشر الأنظمة التكيفية في صناعات مثل الرعاية الصحية أو الدفاع، وكيفية التعامل معها؟

بحسب التصميم، تولد نماذج اللغة الكبيرة الحالية محتوى “جديد” دون حكم حقيقي – يمكن تسميته بـ ‘gen’ في الذكاء الاصطناعي التوليدي.  العديد من الصناعات ذات التنظيم العالي تحتاج إلى الحوكمة بحكم التعريف، وتتحفظ عن نشر عمليات الأعمال المدفوعة بالذكاء الاصطناعي دون القابلية للتكرار، والثقة، والقابلية للملاحظة.  ومن المفارقة أنه لنشر الذكاء الاصطناعي، غالبًا ما تقوم هذه المؤسسات بـ ‘تبسيط’ الوظائف وتضيف تعقيدًا إضافيًا لتسهيل الامتثال للأنظمة.

بحسب التصميم، يتيح BDH للمؤسسة مراقبة والتكيف مع ما يحدث داخل النموذج. هذه القدرة على المراقبة على فترات زمنية طويلة من ‘التفكير’ تمنح المؤسسة الثقة لمواجهة عمليات تجارية أطول وأكثر تعقيدًا. BDH، بحسب التصميم، قابل للمراقبة وواعي بعملية الأعمال على محور الزمن. لا حاجة لمجموعات بيانات مثالية ضخمة للتعلم، ولا حاجة لنوافذ سياق طويلة جدًا، أو منطق ربط للمراقبة.

ما هي الاعتبارات الأخلاقية أو الضمانات الضرورية عندما تبدأ أنظمة الذكاء الاصطناعي في التعلم والتكيف في الوقت الحقيقي؟

الأنظمة التي تتعلم من خلال الخبرة لديها في الواقع فرص أفضل لتكون آمنة مقارنة بالأنظمة الحالية القائمة على المحولات. أحد عناصر ذلك هو أن التعلم المستمر يمنحها فرصة لتصحيح نفسها وتحديث مفاهيمها المسبقة إذا كانت خاطئة.

من أجل ضمان سلامة هذه الأنظمة، تحتاج إلى الحصول على تغذية راجعة بمرور الوقت. وهذا يعني أننا بحاجة إلى الاستمرار في تزويدها ببيانات جديدة، وربما ضمان حلقات تغذية راجعة لها لتفهم تأثيرات عملها الخاص. هذا قريب من التعلم التعزيزي.

ثانيًا، نموذج يعتمد على BDH يوفر قابلية التفسير مما يجعل من السهل فهم كيفية عمله، مما يمنح البشر سيطرة أفضل عليه.

ما الذي سيتطلبه أن يصبح نموذج “ما بعد المحول” سائدًا عبر مجتمع الذكاء الاصطناعي؟

نموذج موجود في السوق يكون مفيدًا للغاية ويتميز بتكاليف استدلال أقل بشكل كبير مع سرعته العالية. نعتقد أن هناك فرصة سوقية لتحقيق ذلك، خاصةً في الشركات.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Pathway.