Deep Cogito تدرّب عائلة Cogito v1 على بنية Runpod التحتية في مسعاها نحو الذكاء الاصطناعي الفائق

درّبت شركة Deep Cogito من سان فرانسيسكو عائلة النماذج المفتوحة Cogito v1 على البنية التحتية لـ Runpod. وهي سحابة GPU تُستأجر فيها القدرات الحاسوبية بدل بناء عنقود خاص. تضم السلسلة خمسة أحجام، من 3 إلى 70 مليار معامل، فيما يتمثل هدف الشركة المعلن في الذكاء الاصطناعي الفائق (ASI). نشرت مدونة Runpod القصة بوصفها دراسة حالة لأحد العملاء، لذا ينبغي قراءتها مع مراعاة طبيعة هذا النوع من المحتوى.

ما المعروف عن المشروع

ثمة مصدر علني واحد هنا: منشور في مدونة Runpod. والمقتطف المتاح لدينا ينقطع عند عبارة تفيد بأن Cogito v1 تستهدف الذكاء الاصطناعي الفائق. ولم يكشف المنشور عن عدد وحدات GPU، ولا أنواع المسرّعات، ولا مدة جولات التدريب، ولا تكلفته. ومن دون هذه الأرقام لا يمكن تقدير حجم الحوسبة المستخدمة، وليس من الصواب تخمينها.

أما المواد المفتوحة الصادرة عن Deep Cogito نفسها فتقدّم صورة أوسع. فقد خرجت الشركة من الظل في أبريل 2025 وعرضت Cogito v1 Preview. ولم تُدرَّب النماذج من الصفر، إذ تقوم على نقاط تحقق جاهزة من Llama وQwen خضعت لتدريب إضافي وفق منهجية الشركة الخاصة.

كيف تُبنى Cogito v1

رهان Deep Cogito الرئيسي هو IDA، أي التقطير والتعزيز التكراري. وآلية العمل كالتالي. في البداية يستهلك النموذج قدراً أكبر من الحوسبة في الاستدلال أو البحث، فيصل إلى إجابة أفضل مما كان سيقدّمه مباشرة. هذه هي مرحلة التعزيز. ثم تُقطَّر النتيجة مجدداً في الأوزان، فيتعلم النموذج تقديم الإجابة نفسها من دون تكلفة إضافية. وتتكرر الدورة. وفكرة المنهج أن التحسّن لا يعتمد على التوسيم البشري، بل على الحوسبة التي يكون الفريق مستعداً لإنفاقها.

النماذج هجينة: فهي تجيب مباشرة أو تفعّل وضع الاستدلال. وقد أعلنت الشركة أن Cogito v1 تتفوق على النماذج المفتوحة من الحجم نفسه، بما فيها سلاسل Llama وDeepSeek وQwen. وهذه ادعاءات الشركة نفسها، ولا يتضمن مقالنا أي تحقق مستقل منها.

أبرز مواصفات العائلة:

• الأحجام: 3B وَ8B وَ14B وَ32B وَ70B معامل.
• النماذج الأساسية: نقاط تحقق من Llama وQwen.
• أوضاع التشغيل: إجابة قياسية واستدلال (hybrid reasoning).
• طريقة التدريب: التقطير والتعزيز التكراري (IDA).
• البنية التحتية: سحابة Runpod.
• الإتاحة: أوزان مفتوحة.

لماذا يهم اختيار Runpod

تعرض دراسة الحالة المسار المعتاد للمختبرات الصغيرة. فالعنقود الخاص المكوّن من آلاف وحدات H100 يتطلب مئات الملايين من الدولارات وأشهراً من انتظار التوريد. أما الاستئجار بالساعة فيتيح بدء التجارب فوراً وإيقافها حين لا ينجح المنهج. وفي حالة IDA، حيث يقوم التدريب على دورات متكررة، تكتسب هذه المرونة أهمية خاصة، لأن حجم الحوسبة في كل تكرار غير معروف مسبقاً.

هذا تقديرنا نحن وليس اقتباساً من المصدر. وبالنسبة إلى Runpod، التي تنافس CoreWeave وLambda وشركات الحوسبة السحابية العملاقة (hyperscalers) على العملاء، تؤدي هذه الحالة دور الإعلان. فهي تقول للسوق إن وحدات GPU المستأجرة تصلح لتدريب نماذج لا تخدم المهام التطبيقية فحسب، بل تسعى أيضاً إلى بلوغ الطليعة.

ما الذي ينبغي التحقق منه عملياً

على أي فريق يفكر في Cogito v1 أو في مسار مشابه أن يتحقق من عدة أمور:

1. تشغيل النموذج بالحجم المناسب على مهامكم الخاصة. فتصنيفات الشركة لا تغني عن الاختبار على بياناتكم، خصوصاً في وضع الاستدلال الذي يزداد فيه زمن الاستجابة وتكلفة الرمز (token) معاً. 2. قراءة التراخيص. فالنماذج مبنية على Llama وQwen، ولذلك تنتقل شروط الاستخدام من نقاط التحقق الأساسية. 3. إذا كنتم تخططون لتدريب إضافي خاص على قاعدة مفتوحة، فاحسبوا اقتصاديات استئجار GPU مقابل الشراء. ففي التجارب التي لا يُعرف حجم حوسبتها مسبقاً، تكون كفة الاستئجار عادةً هي الراجحة. 4. متابعة ما إذا كانت Deep Cogito ستنشر التفاصيل التقنية: عدد وحدات GPU، وتكلفة جولات التدريب، وبيانات IDA. فهي التي ستكشف ما إذا كان المنهج قابلاً للتكرار خارج هذا الفريق.

وإلى ذلك الحين، لدينا ادعاء معلن، وسلسلة عاملة من النماذج المفتوحة، ومزوّد سحابي يروي القصة بحماس. وهذا لا يكفي للحديث عن ASI، لكنه يصلح مثالاً على أن فريقاً صغيراً قادر على تدريب نماذج منافسة من دون مركز بيانات خاص به.