Phionyx: детерминированный AI-runtime, где ответы LLM — это «показания датчиков», а не решения

قدّم باحثون Phionyx، وهي معمارية AI runtime حتمية تتعامل مع إجابات نماذج اللغة الكبيرة (LLM) باعتبارها "قراءات حسّاسة صاخبة (noisy)" وليست قرارات جاهزة؛ وصدرت النسخة الأولية (preprint) على arXiv في يوليو 2026. نشأت هذه المعمارية من إطار تفاعل Echoism الأوسع، وتراهن على قابلية إعادة الإنتاج حيثما تكون المراجعة (audit) والقابلية للحوكمة ضروريتين.

كيف بُنيت المعمارية

يتكوّن Phionyx من ثلاث طبقات، ويعتمد على تطوّر حتمي للحالة عبر متجه حالة مُهيكل تحكمه معادلات صارمة — على عكس العملاء (agents) الاحتماليين. يضمن هذا التصميم أن يؤدي المدخل نفسه دائمًا إلى السلوك نفسه.

• نواة التقييم — خط أنابيب (pipeline) قانوني مكوّن من 46 كتلة يعالج "القراءات الصاخبة" الصادرة عن LLM
• Unified safety layer — تحكّم قبل الإجابة وحماية معمارية للخصوصية
• ذاكرة دلالية قائمة على الزمن مع إخلاء ذاكرة تخزين مؤقت (cache) موزون بالتأثير (impact-weighted)
• نهج governance-first: مخرجات النموذج قياس (measurement) وليست قرارًا
• مشتقة من إطار تفاعل Echoism

تتحمل كل طبقة مسؤولية مهمتها الخاصة: النواة تقيّم المدخل، وطبقة الأمان تراقب الإجابة قبل صدورها وتحمي الخصوصية على المستوى المعماري، بينما تقرر الذاكرة ما يجب الاحتفاظ به وما يجب إخلاؤه. لا يتم الإخلاء هنا حسب قِدَم السجل كما في LRU أو FIFO، بل حسب "تأثيره" — impact-weighted.

ماذا أظهرت القياسات

حقق Phionyx خفضًا يبلغ نحو 31% في التكاليف الحاسوبية مقارنة بالتصفية اللاحقة (post-hoc) — عند نسبة مدخلات غير آمنة تبلغ 30% ونموذج تكلفة محاكى، وفقًا لما ورد في ورقة arXiv. الفكرة الأساسية هي استبعاد الإجابات الإشكالية قبل التوليد بدلًا من تصفيتها لاحقًا.

تحتفظ ذاكرة Phionyx بالبيانات القيّمة بشكل أفضل من الاستراتيجيات الكلاسيكية: بزيادة تصل إلى 24% في الاحتفاظ بالبيانات عالية القيمة مقارنة بـ LRU (و72% مقارنة بـ FIFO عند حجم ذاكرة التخزين المؤقت نفسه، وهو ما تأكد في الاختبار المرجعي/benchmark). وقد جرى التحقق من الحتمية عبر 100 تشغيلة متكررة — تباين صفري في إشارات التحكم، مؤكَّد بواسطة hashes، بالإضافة إلى صفر عمليات إعادة تشغيل غير مخطط لها في اختبارات المثيل الواحد (single-instance).

• ~31% تكاليف حاسوبية أقل مقابل التصفية post-hoc
• +24% احتفاظًا بالبيانات القيّمة مقابل LRU
• 100 تشغيلة — تباين صفري في إشارات التحكم
• 0 إعادة تشغيل غير مخطط لها في اختبارات single-instance

بماذا يختلف هذا عن العملاء (agents)

يقوم Phionyx على مبدأ governance-first: يتعامل النظام مع النص الذي ينتجه LLM باعتباره إشارة حسّاسة خامة تتطلب التحقق، وليس إجراءً نهائيًا. في المقابل، تعمل العملاء الاحتماليون التقليديون مباشرة بناءً على مخرجات النموذج، ما يجعل سلوكهم صعب إعادة الإنتاج والمراجعة.

"نحن نتعامل مع مخرجات نماذج اللغة الكبيرة باعتبارها قراءات حسّاسة

صاخبة، وليست قرارات مباشرة"، كما ورد في ورقة arXiv.

يوضح المؤلفون بصراحة حدود العمل: جميع النتائج تم الحصول عليها في عمليات نشر بمثيل واحد (single-instance). ويتركون تعميم النتائج على الأنظمة الموزعة ومتعددة المستأجرين (multi-tenant) لعمل مستقبلي — إذ لم يتم بعد التحقق من السلوك خارج نطاق المثيل الواحد.

ماذا يعني هذا

يُعد Phionyx محاولة لجعل أنظمة الذكاء الاصطناعي قابلة للتنبؤ حيثما تكون المراجعة والقابلية للحوكمة مهمتين: التمويل، البنية التحتية، القطاعات الخاضعة للتنظيم. قد يصبح نهج "LLM كحسّاس، لا كقرار" نموذجًا للتطبيقات الحساسة، لكنه حتى الآن مؤكَّد فقط على مثيل واحد، وتبقى قابلية النقل إلى الأنظمة الموزعة مسألة مفتوحة.

الأسئلة الشائعة

ما هو نهج governance-first في Phionyx؟

هو مبدأ يُعتبر بموجبه مخرج LLM بمثابة "قراءة حسّاسة صاخبة" وليس قرارًا جاهزًا. قبل الإجابة، يُمرّر النظام النص عبر خط أنابيب قانوني مكوّن من 46 كتلة وطبقة أمان موحّدة (unified safety layer) مع تحكّم قبل الإجابة، بما يضمن قابلية إعادة الإنتاج وإمكانية المراجعة. ووفقًا للقياسات الواردة في ورقة arXiv، يخفّض هذا النهج التكاليف الحاسوبية بنحو 31% مقارنة بالتصفية post-hoc.

بماذا يختلف Phionyx عن عملاء الذكاء الاصطناعي التقليديين؟

العملاء التقليديون احتماليون ويعملون مباشرة بناءً على مخرجات النموذج، ما يجعل سلوكهم صعب إعادة الإنتاج. أما Phionyx فهو حتمي: على مدى 100 تشغيلة متكررة أظهر تباينًا صفريًا في إشارات التحكم (مؤكَّدًا بواسطة hashes) وصفر عمليات إعادة تشغيل غير مخطط لها في اختبارات single-instance — إذ ينتج المدخل نفسه باستمرار النتيجة نفسها.