مستقبل الذكاء الاصطناعي الوكيل سيكون مفتوح المصدر ويعتمد على البيانات وصغير الحجم في النماذج اللغوية من النماذج الكبيرة المركزة على اللغة إلى عالم يُبنى على نماذج لغوية صغيرة، مفتوحة المصدر، ومحفزة بالبيانات hace فترة أطلقت NVIDIA دراسة تُشير إلى أن النماذج اللغوية الصغيرة (SLMs) هي مستقبل الذكاء الاصطناعي الوكيل، وشيءٌ جذّاب في هذه الدراسة هو التفاعل القوي الذي أحدثه السوق. لطالما اهتممت بدور المجتمعات المفتوحة المصدر في دفع عجلة الابتكار في الذكاء الاصطناعي، خاصة عندما يتقاطع مع أنظمة فعّالة وذكية تُمكّن الذكاء الاصطناعي من العمل بشكل مستقل. وربما يكون آخر بحث نُشر على arXiv، بعنوان "هل مفتوح المصدر هو مستقبل الذكاء الاصطناعي؟ نهج مبني على البيانات"، هو الأبرز في هذا السياق، حيث يعتمد على بيانات حقيقية من منصتي Hugging Face وGitHub لتحليل اتجاهات النماذج والمجتمعات. ويتوافق هذا التحليل مع توجه NVIDIA، الذي يؤكد أن النماذج الصغيرة، وليس الكبيرة، هي المفتاح لمستقبل الذكاء الاصطناعي الوكيل. الخلاصة: - النماذج الصغيرة (تحت 20 مليار معلمة) حصلت على 85% من عمليات التنزيل، وخصوصًا تلك التي تتراوح بين 10 و15 مليار معلمة. - أداء هذه النماذج في اختبارات الأداء يتحسن باستمرار، وتشهد تقاربًا كبيرًا مع النماذج الكبيرة، مما يثبت أن الحجم الكبير ليس شرطًا للنتائج الجيدة. - النماذج المُعدّلة (fine-tuned) والمحسّنة للدردشة تهيمن على السوق، وتُبنى غالبًا على قواعد شهيرة مثل Llama وMistral، وتُحظى بدعم سريع من المجتمع. - رغم المخاطر المحتملة للاستغلال، فإن الدراسة تُشيد بالشفافية والثقة التي يوفرها النموذج المفتوح المصدر. - تُشير الدراسة إلى أن الذكاء الاصطناعي الخاص قد يتحول إلى نماذج سحابية (SaaS) قائمة على أسس مفتوحة المصدر، بدلًا من الاعتماد على نماذج مغلقة. نVIDIA تدعم هذا الاتجاه: - الكفاءة في التوليد: استجابة أسرع، زمن استجابة أقل، مثالية لأنظمة الذكاء الاصطناعي الوكيل التي تحتاج إلى استجابة فورية. - مرونة في التخصيص: أسهل في التخصيص لمهام محددة. - التشغيل على الحافة: يمكن تشغيلها على الأجهزة دون الحاجة إلى الاعتماد على السحابة. - استخدام أفضل للمعلمات: تكلفة أقل ونتائج مقبولة. - في التجارب، استُخدمت النماذج الصغيرة في 40–70% من استدعاءات النماذج الكبيرة دون تراجع ملحوظ في الأداء. ومع ذلك، لا تزال هناك تحديات: - ضعف الاستدامة في المشاريع المفتوحة المصدر. - الاعتماد الكبير على عدد قليل من المساهمين. - الحاجة إلى سياسات أفضل لمنع الاستخدام غير الأخلاقي. - نقص في أدوات التخصيص المناسبة للنماذج الصغيرة. - NVIDIA تقترح خطة مكونة من 6 خطوات لتحويل النماذج الكبيرة إلى نماذج صغيرة بشكل سلس. الاستنتاج: التحول نحو نموذج ذكاء اصطناعي وكيل مبني على نماذج صغيرة، مفتوحة المصدر، ومحفزة بالبيانات، ليس مجرد توجه نظري، بل حقيقة تُبنى على بيانات حقيقية. النجاح في هذا المستقبل يتطلب ليس فقط تطوير نماذج أصغر وأذكى، بل أيضًا بناء مجتمعات داعمة، أدوات متطورة، وسياسات تُعزز الابتكار مع الحفاظ على الأمان.
تُشير التوجهات الحالية في مجال الذكاء الاصطناعي إلى تحوّل جذري نحو نماذج لغوية صغيرة (SLMs) مفتوحة المصدر، تعتمد على بيانات واقعية وتعمل بكفاءة عالية، بدلاً من الاعتماد المفرط على النماذج الكبيرة (LLMs). وقد أعادت شركة نيفيديا مؤخراً تأكيد هذا الاتجاه من خلال دراسة تُظهر أن النماذج الصغيرة هي المستقبل في مجال الذكاء الاصطناعي العامل (Agentic AI)، وهو ما أثار حماساً كبيراً في السوق. الدراسة التي نُشرت على منصة arXiv بعنوان "هل مفتوح المصدر هو مستقبل الذكاء الاصطناعي؟ نهج مبني على البيانات"، تحلل أداء النماذج المفتوحة المصدر باستخدام بيانات حقيقية من منصتي هابينغ فايس وغيت هاب. وتكشف أن النماذج الصغيرة، خصوصاً تلك التي تقل عدد معاملاتها عن 20 مليار، حظيت بـ85% من عمليات التحميل، مع تفوق ملحوظ في النطاق من 15 مليار معاملة. ورغم صغر حجمها، تُظهر هذه النماذج تقدماً ملحوظاً في الأداء على اختبارات الأداء، وتشكل فجوة متزايدة مع النماذج الكبيرة، مما يثبت أن الكفاءة لا تعني بالضرورة الحجم. النماذج الصغيرة تُبنى غالباً على أسس شهيرة مثل Llama وMistral، وتُعدّ مُثالية لتطبيقات الذكاء الاصطناعي العامل، أي الأنظمة التي تخطط وتعمل بذكاء مستقل. وفقاً لنيفيديا، فإن معظم المهام التي تُنفَّذ بواسطة هذه الأنظمة تكون ضيقة النطاق، ولا تتطلب التعميم الواسع الذي توفره النماذج الكبيرة. ولهذا، فإن النماذج الصغيرة تتفوق في كفاءة التنفيذ، حيث تُنتج استجابات أسرع، وتُقلل التأخير الزمني، وتُمكّن التشغيل على الأجهزة المحلية دون الحاجة إلى الاتصال بالسحابة. كما تُسهّل عملية التخصيص (Fine-tuning) وتُحسّن استغلال الموارد من حيث التكلفة. الدراسة تُبرز أيضاً تحديات مستقبلية، منها الاعتماد الكبير على عدد محدود من المطورين، وضعف الاستدامة المالية لمشاريع المفتوح المصدر، إضافة إلى مخاطر الاستخدام غير الأخلاقي. ورغم هذه التحديات، فإن النموذج المفتوح يُعدّ حلاً موثوقاً لتعزيز الشفافية وبناء الثقة، ويُمكن أن يُشكّل الأساس لتحول في نماذج العمل التقليدية، حيث قد تتحول الشركات الكبرى إلى نماذج خدمة (SaaS) قائمة على نماذج مفتوحة المصدر. في المقابل، لا تزال هناك فجوات في الأدوات اللازمة لتدريب وتحويل النماذج الصغيرة، لكن نيفيديا تقدّم خطة عملية مكوّنة من ست خطوات لتسهيل الانتقال من النماذج الكبيرة إلى الصغيرة دون التضحية بالأداء. هذا التحوّل لا يقتصر على الجانب التقني، بل يمتد إلى تغيير ثقافي في طريقة تطوير الذكاء الاصطناعي، حيث يُصبح التركيز على الكفاءة، والبيانات الواقعية، والمشاركة المجتمعية، بدلاً من الهرم المركزي للشركات الكبرى. الخلاصة: المستقبل ليس في النماذج الكبيرة فقط، بل في نماذج صغيرة، مفتوحة المصدر، قادرة على التعلم من البيانات، والعمل بكفاءة عالية في بيئات حقيقية. وربما يكون هذا التحوّل هو ما سيُعيد تعريف الذكاء الاصطناعي العامل، ليس كأداة متطورة، بل كشريك ذكي، فعّال، ومتاح للجميع.
