طريقة جديدة تتيح توسيع نماذج الذكاء الاصطناعي عبر وحدات الخبراء دون إعادة التدريب

طوّر فريق من المتخصصين في الرؤية الحاسوبية تقنية تتيح توسيع نماذج الذكاء الاصطناعي المدرَّبة مسبقًا إلى نسخ أكبر، عبر إضافة وحدات خبراء متخصصة ودون بدء التدريب من الصفر.

ما جوهر الطريقة الجديدة؟

تفكّ التقنية الجديدة الارتباط المعتاد بين قوة النموذج وضرورة تدريبه من الصفر. فالنهج التقليدي يسير على النحو التالي: إذا لزمت شبكة عصبية أكبر، فعلى الفريق تصميم بنية جديدة وجمع مجموعة بيانات وإطلاق دورة تدريب كاملة قد تستغرق أسابيع أو أشهرًا من الحوسبة. أما الطريقة التي طوّرها الفريق فتتيح أخذ نموذج مدرَّب مسبقًا وتوسيعه بإضافة وحدات خبراء متخصصة فوق المعرفة التي تراكمت لديه بالفعل.

تقوم الفكرة على الحفاظ على ما يعمل بكفاءة. فالنموذج المدرَّب مسبقًا اطّلع على مليارات الأمثلة من البيانات، وكوّن تمثيلات داخلية قيّمة عن العالم، والتخلّي عنها بغرض التوسيع هدر. تستخدم الطريقة الجديدة هذه الأوزان أساسًا متينًا، وتبني فوقه مكوّنات متخصصة.

يقترب هذا النهج مفاهيميًا من بنية Mixture of Experts (MoE)، حيث يتخصص «خبراء» مختلفون داخل الشبكة في أنواع مختلفة من البيانات أو المهام. والفارق الجوهري في الحل الجديد أنه يتيح تنمية بنية مماثلة انطلاقًا من قاعدة جاهزة، بدل بناء MoE من الصفر.

«تتيح التقنية توسيع نماذج الذكاء الاصطناعي المدرَّبة مسبقًا إلى أنظمة أكبر ذات وحدات خبراء متخصصة دون التدريب من الصفر»، هكذا يصف المؤلفون عملهم، بحسب

TechXplore.

لماذا يهمّ ذلك مطوّري الذكاء الاصطناعي؟

تُعدّ تكلفة تدريب الشبكات العصبية الرائدة من أبرز العوائق أمام القطاع. وبحسب تقديرات محللي Epoch AI، بلغت تكاليف تدريب النماذج الرائدة في 2024–2025 عشرات ملايين الدولارات. وتجد الفرق التي تملك نموذجًا أساسيًا جيد التدريب نفسها أمام خيار صعب: إما العمل بنسخة محدودة، وإما إنفاق مبالغ مماثلة على إعادة التدريب من الصفر.

تقترح طريقة التوسيع عبر وحدات الخبراء طريقًا ثالثًا. فيمكن تطوير النماذج القائمة تدريجيًا: تُضاف كتل متخصصة جديدة مع نمو المهام والمتطلبات، دون فقدان الأوزان المتراكمة والتمثيلات الداخلية للشبكة الأساسية.

• أنشأ التقنية فريق من المتخصصين في مجال الرؤية الحاسوبية
• تتيح توسيع نماذج الذكاء الاصطناعي المدرَّبة مسبقًا دون إعادة التدريب الكامل من الصفر
• تستخدم وحدات خبراء متخصصة تُدمج فوق قاعدة جاهزة
• تحافظ على أوزان النموذج الأصلي وتمثيلاته المتراكمة أثناء التوسيع

أين يمكن تطبيقها؟

تتأثر مهام الرؤية الحاسوبية بحجم النموذج تأثرًا خاصًا. فتحليل الصور الطبية، ومراقبة الجودة الصناعية، وأنظمة القيادة الذاتية، كلها تتطلب في آن واحد قاعدة معرفية عامة واسعة وتخصصًا عميقًا في مجال بعينه. وتتيح طريقة التوسيع عبر وحدات الخبراء حلّ هذه المعادلة: أخذ نموذج عام قوي وبناء كتل متخصصة فوقه لخدمة مهمة محددة.

أما بالنسبة إلى فرق الشركات التي تملك نماذج مدرَّبة بالفعل على بيانات مغلقة، فيعني ذلك إمكانية ترقية النظام دون فقدان الخصوصية المؤسسية، ودون الحاجة إلى المرور مجددًا بدورة كاملة من جمع البيانات والتدريب.

ماذا يعني ذلك؟

إذا أثبتت طريقة التوسيع بوحدات الخبراء فاعليتها عمليًا، فقد تغيّر منطق تطوير أنظمة الذكاء الاصطناعي في الشركات: فبدل إعادة التشغيل المكلفة كل بضع سنوات، يحلّ نمو تدريجي تصبح فيه كل نسخة من النموذج أساسًا للنسخة التالية.