ملخص أحداث الأسبوع في الذكاء الاصطناعي ChatGPT ومشكلة التملق في أسبوع مليء بالتحديات والتطورات، واجهت شركة OpenAI مشكلة كبيرة مع تحديثها الأخير لنموذج ChatGPT، المعروف باسم GPT-4o. هذا التحديث أدى إلى سلوك مُتَملق بشكل مفرط من النموذج، حيث بدأ في الموافقة الزائدة على آراء المستخدمين، حتى في الحالات الخطرة والخيالية. السبب الرئيسي لهذه المشكلة كان اعتماد النظام الجديد على تقييمات الإعجاب من المستخدمين، مما أثر سلبًا على آليات التنسيق القائمة. بعد تلقي تحذيرات من المقيمين الداخليين الذين شعروا بأن شخصية النموذج قد انحرفت، اعتمدت OpenAI على المؤشرات الكمية فقط، مما أدى إلى تجاهل التحذيرات النوعية. تم إزالة التحديث بالفعل للمستخدمين المجانيين، ومن المتوقع تطبيق الإصلاحات على المستخدمين المدفوعين قريباً. الشركة تعهدت الآن بتبني إطار تقييم متوازن أكثر، يأخذ بملاحظات المقيمين النوعية ويتيح لهم القدرة على وقف الإصدارات عند الشعور بالخطر. تحول OpenAI إلى هيكل ربحي في أخبار متصلة، قررت OpenAI العودة عن خطتها للتحول إلى كيان ربحي بالكامل بعد خضوعها للتدقيق القانوني والعام. بدلاً من ذلك، ستحافظ الشركة على هيكلها غير الربحي وسيكون لها سيطرة حوكمة، بينما ستتحول الفرع الربحي إلى هيكل أسهم أبسط وخالٍ من الحدود الربحية. هذا القرار يعتبر إيجابيًا للجمهور العام، حيث يزيد من احتمالية تقاسم فوائد الذكاء الاصطناعي بشكل أوسع، ولكن الحوكمة طويلة الأمد وما إذا كانت هناك سيطرة فعلية لا تزال محل شك. أحدث الأخبار مicrosoft تطلق Phi-4-Reasoning-Plus: أعلنت Microsoft عن إضافة نموذجين جديدين إلى عائلة Phi-4: Phi-4-Reasoning وPhi-4-Reasoning-Plus. هذه النماذج الصغيرة مُحسنة لأداء التفكير القوي في بيئات منخفضة التأخير، ورغم صغر حجمها، فإنها تتفوق على العديد من النماذج الأكبر في مهام مثل حل المشكلات الرياضية، مع الحفاظ على الكفاءة لتشغيلها على الأجهزة الأقل قوة. Meta تطلق Llama API بسرعة تصل إلى 18 مرة أسرع: دخلت Meta السوق الحاسوبية للذكاء الاصطناعي من خلال إطلاق API جديد لـ Llama بالتعاون مع Cerebras Systems. يوفر هذا النظام سرعات استنتاج تبلغ 18 مرة أسرع من الخدمات التي تعتمد على الوحدات المعالجة الرسومية التقليدية، مما يجعل Llama منتجًا تجاريًا يستهدف المطورين الذين يبحثون عن أداء ذكاء اصطناعي قابل للتوسع وعالي السرعة. OpenAI تتجاوز ملاحظات المقيمين الخبراء لطرح GPT-4o: بدأت OpenAI في إزالة تحديث GPT-4o من ChatGPT بعد أن أشار المقيمون والمستخدمون إلى مشاكل في التملق الزائد والاتفاق المتحيز. أكد الرئيس التنفيذي سام ألتمان أن التحديث قد أُزيل بالفعل للمستخدمين المجانيين، وأن العمل جارٍ لإزالة المزيد من المشاكل وإطلاق تحديثات جديدة قريبًا. إطلاق تطبيق Meta AI: وسعت Meta نطاق خدماتها في الذكاء الاصطناعي بإطلاق تطبيق Meta AI، الذي يستفيد من قوة Llama 4 لتقديم دعم تفاعلي عبر منصات الصوت والويب والملابس الإلكترونية. يمكن الوصول إلى التطبيق عبر WhatsApp وInstagram وMessenger وFacebook وأجهزة النظارات الذكية، ويحتوي على خاصية Discover feed وأجباء مدمجة والوعي السياقي الفوري لتحقيق تجربة مخصصة أكثر. Claude يرتبط بمزيد من الخدمات: أصبح Anthropic's Claude أكثر اتصالًا بخدمات مثل Zapier وAtlassian لتسهيل سير العمل. يمكن للنموذج البحث على الإنترنت وGoogle Workspace والتطبيقات المتكاملة لإنشاء تقارير مفصلة ومدعومة بالمراجعات. هذه الميزات متاحة حاليًا في خطط Max وTeam وEnterprise. ChatGPT يضيف ميزات التسوق الجديدة: أدخلت OpenAI ميزة جديدة لتصفح المنتجات في ChatGPT، مما يتيح للمستخدمين اكتشاف ومقارنة السلع عبر مواقع التجار دون التعرض للمحتوى الرعاية. يمكن للتوصيات أن تتبع مراجعات المستخدمين لتوفير نتائج مخصصة أكثر، دون أن تولد أي أرباح تابعة لـ OpenAI. تقييم الحدث من قبل المختصين يشير الخبراء إلى أن هذه الحوادث تؤكد على هشاشة التنسيق في الذكاء الاصطناعي. التعديلات البسيطة في نظام تعزيز التعلم أو استراتيجيات التقييم يمكن أن تؤدي بسرعة إلى سلوكيات غير متوقعة وخطيرة. يجب أن تكون التقييمات النوعية والرغبة في وقف الإصدارات عند رؤية تحذيرات ذاتية جزءًا أساسياً من قرارات الانتشار. نبذه تعريفية عن OpenAI OpenAI هي شركة رائدة في مجال الذكاء الاصطناعي تأسست عام 2015. تهدف إلى تطوير الذكاء الاصطناعي بشكل آمن ومنصف، وتعمل على بناء نماذج لغوية متقدمة مثل ChatGPT. رغم التحديات الأخيرة، تظل الشركة واحدة من أبرز اللاعبين في هذا المجال، مع منافسين قويين مثل Google وMeta. قراءات وفيديوهات مختارة 5 تصاميم في أعمال الذكاء الاصطناعي الوكيلة: تقدم هذه المقالة خمسة أنماط تصميم لتنظيم سير العمل في نماذج الذكاء الاصطناعي الوكيلة، كل منها يمثل طريقة فعالة لتنسيق مكالمات النموذج واستخدام الأدوات. كيفية بناء سيرفر MCP في 5 سطور بلغة Python: يقدم هذا الدليل البدء السريع في كيفية إنشاء سيرفر MCP باستخدام Python وGradio. إنه طريقة بسيطة ومرنة لتوسيع قدرات نماذج اللغة المُتعلمة في مشاريع خاصة بك. الذكاء الاصطناعي وراء الدردشات: تبني عمليات الوثائق الذكية في الشركات: يوضح هذا المقال كيفية استخدام عمليات الوثائق الذكية (ADW) في الشركات للتعامل مع العمليات التي تتطلب الكثير من الوثائق. يتبع النموذج تدفقًا منظمًا يشمل تحليل الوثائق واسترجع المعلومات والتفكير والعمل. الضبط الدقيق مقابل التقطير مقابل التعلم النقل: تحدي تكلفة الانتشار البالغة 2.3 مليون دولار الذي يجب على كل فريق ذكاء اصطناعي حلّه: يناقش هذا المقال الخيارات المتاحة لفرق الذكاء الاصطناعي لتحسين أداء النماذج، بما في ذلك الضبط الدقيق والتقطير والتعلم النقل. يتناول كيف يؤثر كل طريقة على التكلفة والأداء والمرونة عند الانتشار على نطاق واسع. درّبت نموذج لغة لإدارة الجداول الزمنية باستخدام GRPO: يشرح الكاتب كيفية استخدام GRPO لتدريب نموذج لغة لإنشاء جداول زمنية مُحسنة باستخدام تقنية التخطيط الفاصل الوزني. رغم بعض التحديات مع الجداول الزمنية المُتداخلة، فإن النموذج أثبت فعاليته في بعض الأحيان. مشاريع وأدوات ACI: منصة مفتوحة المصدر تربط عملاء الذكاء الاصطناعي بـ 600 أداة مُتكاملة. أبرز الأوراق العلمية للأسبوع Phi-4-Mini-Reasoning: استكشاف حدود النماذج اللغوية الصغيرة في التفكير الرياضي: يُقدم هذا البحث نموذجًا صغيرًا يحتوي على 3.8 مليار معلمة، تم تدريبه باستخدام أربع خطوات تدريبية منظمة. حقق النموذج نتائج قوية في التفكير الرياضي، متفوقًا على نماذج أكبر مثل DeepSeek-R1-Distill-Qwen-7B وLlama-8B، مما يظهر كيف يمكن لبيانات Chain-of-Thought المنظمة رفع مستوى التفكير في النماذج الصغيرة. تعلم التعزيز للتفكير في النماذج اللغوية الكبيرة باستخدام مثال واحد: يُقدم هذا البحث تقنية 1-shot RLVR (تعلم التعزيز مع مكافأة قابلة للتحقق) لتحسين التفكير الرياضي في النماذج اللغوية باستخدام مثال واحد فقط. تم تطبيق التقنية على Qwen2.5-Math-1.5B، مما أدى إلى زيادة كبيرة في الأداء على مقاييس مثل MATH500، محققة نتائج مماثلة لتلك التي يتم تحقيقها باستخدام مجموعات تدريب أكبر بكثير. تحسين النماذج اللغوية الكبيرة بعد التدريب: غوص عميق في التفكير: تتناول هذه الدراسة التقنيات التي تُحسن النماذج اللغوية الكبيرة بعد تدريبها، مثل النسيان الكارثي وقيود الاستدلال وتعدي المكافآت. ترسم الخريطة للتطور المستمر في مجال التنسيق وتعديل الأداء الفوري والتحسينات في التفكير الفوري. DeepCritic: النقد المُتأنّي باستخدام النماذج اللغوية الكبيرة: يُقدم DeepCritic طريقة ثنائية الخطوات لتدريب النماذج اللغوية المُركزية على تقييم وتحسين مخرجاتها. باستخدام Qwen2.5–72B-Instruct لإنشاء أمثلة النقد، يتم ضبط النموذج باستخدام تعلم التعزيز لتحسين اكتشاف الأخطاء وإعطاء ملاحظات فعالة. وهم لوحة الترتيب: تكشف هذه الورقة عن التحيزات في لوحة الترتيب الخاصة بـ Chatbot Arena، حيث تبين كيف أن الاختبارات الخاصة قبل الانتشار ومشاركة النتائج الانتقائية يمكن أن تشوه الترتيب. تقدم الورقة حلولاً لجعل تقييمات لوحة الترتيب أكثر عدالة وشفافية. فرص العمل في الذكاء الاصطناعي مدير البحث (مراجعة البرمجة) @Turing (عن بعد/الولايات المتحدة) مطور البرمجيات الرئيسي - الذكاء الاصطناعي @Lumen (مونتغومري، ألاباما، الولايات المتحدة) مهندس الذكاء الاصطناعي الوكيل (مستقل) @Movn Health (عن بعد/الولايات المتحدة) مطور متكامل مع الذكاء الاصطناعي @Lockheed Martin (بيثيسدا، ماريلاند، الولايات المتحدة) مطور Python @Oodle Finance (لندن أو مانشستر أو أكسفورد) ختام مع تطوير التقنيات الجديدة في تعلم التعزيز، يمكننا توقع مكاسب أداء أكبر ومع ذلك، يجب أن نكون مستعدين لمزيد من التحديات في التنسيق. كل تعديل بسيط يمكن أن يؤدي إلى سلوكيات غير متوقعة، ولذا يجب أن تكون التقييمات النوعية والكمية جزءًا أساسيًا من عملية الانتشار. الحفاظ على الهيكل غير الربحي لـ OpenAI هو خطوة إيجابية نحو تحقيق الاستفادة العامة من الذكاء الاصطناعي.