أعلنت إدارة الخدمات العامة الأمريكية (GSA) عن مبادرة جديدة بالتعاون مع شركة ميتا، تهدف إلى تسريع اعتماد نماذج الذكاء الاصطناعي المفتوحة المصدر Llama في جميع الجهات الفيدرالية. يأتي هذا الإجراء ضمن استراتيجية "واحدة للحكومة" (OneGov)، التي تُعنى بحذف التفاوض الفردي بين الوكالات، مما يقلل من الوقت والجهد المكرر، ويوفر كفاءة كبيرة في تنفيذ المشاريع الحكومية. وقد سبق لشركة ميتا أن قدمت نماذج Llama لوكالات الحكومة الأمريكية والمقاولين العاملين في مجالات الأمن القومي، كما شاركت في إرسال هذه النماذج إلى محطة الفضاء الدولية ضمن مختبر محطة الفضاء الوطنية. واليوم، تُعد هذه الشراكة خطوة حاسمة في دعم التحول الرقمي للحكومة الفيدرالية، وتعزيز الريادة الأمريكية في مجال الذكاء الاصطناعي عالميًا. تماشيًا مع خطة العمل الوطنية للذكاء الاصطناعي الأمريكية، ومتطلبات مذكرات مكتب الإدارة والميزانية (OMB) M-25-21 وM-25-22، تتيح هذه المبادرة للوكالات الفيدرالية الوصول السريع إلى نماذج Llama وأدواتها، مما يدعم أهداف الابتكار، والحوكمة، وبناء الثقة العامة في استخدام الذكاء الاصطناعي. تتميز نماذج Llama بتمكين الوكالات من الحفاظ على السيطرة الكاملة على بيانات التدريب والمعالجة، إذ تُعد هذه النماذج متاحة بشكل عام، مما يسمح لفرق التقنية ببناء حلول ذكاء اصطناعي ونشرها بتكاليف أقل، ويوفر قيمة حقيقية للمواطنين الأمريكيين من خلال كفاءة الإنفاق. أكد المفوض لخدمات الشراء الفيدرالي جوش جروينباوم أن هذه الشراكة تُمكّن الشركاء الحكوميين من الوصول بسهولة إلى نماذج Llama والذكاء الاصطناعي المفتوح المصدر، التي تُقدّم مزايا فريدة في سياقات العمل الحكومي. وأضاف أن هذه المبادرات تُسهم في تسريع اعتماد الذكاء الاصطناعي على نطاق واسع في الحكومة، بفضل نهج OneGov المبتكر. ما يميز هذه الشراكة هو أنها اعتمدت على نموذج لا يتطلب تفاوضًا في عملية الشراء، نظرًا لأن نماذج Llama متاحة مجانًا. وبدلاً من ذلك، ركزت GSA على العمل الخلفي، مثل التحقق من توافق النماذج مع المعايير الفيدرالية، وضمان إتاحة موحدة وسلسة عبر جميع الجهات الحكومية. هذا التعاون بين ميتا والوكالات الفيدرالية يعزز قدرة الحكومة على اختبار وتعديل وتطبيق حلول الذكاء الاصطناعي، مع الحفاظ على أمن البيانات الحساسة. كما يُمكّن الجهات العامة من تطوير حلول مخصصة لمهامها، وتقليل الاعتماد على مزودين مغلقين، وتعزيز الشفافية والقابلية لإعادة التكرار في الأبحاث المتعلقة بالذكاء الاصطناعي.