Tongyan Lingzhi تنقل تخصيص الذكاء الاصطناعي من الأوامر النصية إلى طبقة النموذج نفسه

تقول الشركة الصينية الناشئة 通衍灵智 (Tongyan Lingzhi) إن تخصيص الذكاء الاصطناعي لا ينبغي أن يتم عبر الأوامر النصية (prompts) ولا عبر قاعدة معرفة خارجية، بل على مستوى النموذج نفسه. وشعار الشركة هو الانتقال من «نموذج واحد لعشرة آلاف شخص» إلى «ألف وجه لألف شخص». ولا يتضمن الجزء المتاح من منشور Jiqizhixin أرقامًا ولا أحجامًا للنماذج ولا أسماء منتجات. لذلك نتناول هنا صياغة المشكلة نفسها، وما ينبغي التحقق منه عندما تصل هذه الادعاءات إلى تجارب تشغيلية حقيقية.

نموذج ذكي بلا ذاكرة خاصة به

يبدأ المنشور بتشخيص مألوف. فقدرات الاستدلال لدى نماذج LLM تتحسن، ونوافذ السياق تطول، والوكلاء يدخلون مجالات كتابة الشيفرة وتحليل البيانات وعمليات الإنتاج في الشركات. لكن حين يتحول الذكاء الاصطناعي من أداة إلى منفّذ، يبرز سؤال: كيف يكتسب محرك عام واحد، يزداد ذكاءً باستمرار، قدرات طويلة الأمد تخص شخصًا بعينه أو مشروعًا بعينه أو مؤسسة بعينها؟

يضرب المؤلفون مثالًا بوكيل مؤسسي. فهو قادر على العثور على أي لائحة وأي جزء من المعرفة التجارية. ينقطع النص المتاح عند هذه النقطة، لكن المنطق واضح: الوصول إلى المعلومات لا يعني استيعابها. فالوكيل يعرف ما هو مكتوب في الوثائق، لكنه لا يعرف كيف يعتاد هذا الفريق حسم الحالات الخلافية، ولماذا تخلّى عن البنية السابقة، ومن تمرّ تعديلاته عادةً في المراجعة. وهذا استنتاجي من طرح المسألة، وليس اقتباسًا.

ماذا تعني «التخصيص في طبقة النموذج»

يُبنى التخصيص الفردي اليوم عادةً من عدة طبقات:

• تعليمات النظام والأوامر النصية (prompts)؛
• البحث في الوثائق (RAG)؛
• ذاكرة الوكيل والسياق الطويل؛
• الضبط الدقيق (fine-tuning)، مثل محوّلات LoRA.

تشير عبارة «طبقة النموذج» في العنوان إلى الخيار الأخير: أي أن تنتقل خبرة المستخدم إلى المعاملات (parameters) أو إلى مكونات تكيفية، بدلًا من أن تبقى في الخارج على شكل ملاحظات نصية. أما كيف يتم ذلك فعليًا لدى 通衍灵智، فلا يمكن فهمه من الجزء المتاح. فقد تكون هناك محوّلات، أو تعلّم مستمر، أو حل خاص بالشركة.

ولهذا النهج صعوبات هندسية معروفة:

• نسيان ما سبق تعلّمه عند الضبط الدقيق على بيانات جديدة؛
• تكلفة تخزين آلاف النسخ الفردية وصيانتها؛
• الخصوصية: بيانات الشخص تصبح داخل الأوزان؛
• تقييم الجودة حين لا يوجد معيار لـ«الإجابة الصحيحة» لفريق بعينه.

إذا كانت الشركة تحل جزءًا من هذه المشكلات على الأقل، فالطرح يستحق الاهتمام. وإن لم تفعل، فسيكون مجرد شعار جميل آخر عن «الذكاء الاصطناعي الشخصي».

ما المعروف من المنشور

• الشركة: 通衍灵智، الصين.
• الطرح: يجب أن يتم التخصيص داخل النموذج، لا حوله فقط.
• نطاق التخصيص: الشخص والمشروع والمؤسسة.
• السياق: وكلاء في البرمجة والتحليل وعمليات الشركات.
• غير معلن في الجزء المتاح: البنية والاختبارات المعيارية (benchmarks) والأسعار والعملاء والمواعيد.

كيف نقيّم هذه الادعاءات

على من يختار منصة لوكلاء الشركات أن يطلب من أي مزوّد يقدّم وعدًا مشابهًا تفاصيل محددة. ما الذي يُحدَّث بالضبط: الأوزان أم المحوّل أم طبقة الذاكرة؟ وهل يمكن التراجع عن النسخة الفردية؟ وماذا يحدث للبيانات عند مغادرة الموظف أو فسخ العقد؟ وكيف يُقاس المكسب مقارنةً بالجمع بين «النموذج الأساسي مع RAG»؟

والسؤال الأخير هو الحاسم. فمخططات البحث تغطي أصلًا معظم المهام التي تتطلب الوصول إلى معارف الشركة. ويكون التخصيص داخل النموذج مبررًا حيث تهم الأساليب والقرارات المعتادة والسياق المتراكم للعمل، وهي أمور يصعب حصرها في الوثائق. وإلى أن تعرض 通衍灵智 اختبارات مقارنة، تبقى هذه فرضية، وإن كانت مطروحة طرحًا سليمًا. ولهذا الفرق تحديدًا يستحق ما ستنشره الشركة وما ستجريه جهات مستقلة من اختبارات أن يُتابَع.