Perplexity تطلق Frontier Research: تدريب باحث ذكاء اصطناعي على أكثر من 10 000 وحدة معالجة رسومية
أطلقت Perplexity فريق Frontier Research، وهو فريق يبني ذكاءً اصطناعيًا قادرًا على إجراء الأبحاث بشكل مستقل: البحث عن المصادر، ومطابقتها، واستخلاص النتائج. وتُدرَّب النماذج بالتعلم المعزز (RL)، وهو أسلوب تُمنح فيه الأفعال «تقييمًا» وفق نتيجتها، على أكثر من 10 000 وحدة معالجة رسومية (GPU)، بينما تُستمد المهام من الاستخدام الفعلي لمنصة Perplexity. والخلاصة للمطورين: يزداد تدريب الوكلاء على سيناريوهات واقعية حية، بدلًا من الاكتفاء بضبطهم عبر الأوامر النصية (prompts).
معالج بواسطة الذكاء الاصطناعي من X: @denisyarats؛ بتحرير Hamidun News
اطلب من مساعد ذكاء اصطناعي حديث «افهم السوق» أو «ادرس موضوعًا علميًا»، وسيقدّم لك على الأرجح ملخصًا مرتبًا لكنه سطحي. أما البحث الحقيقي فيعني عشرات عمليات البحث، وقراءة المصادر، ومطابقة المعلومات المتضاربة، وإعادة المحاولة مرارًا. هذا العمل تحديدًا تريد Perplexity أن تسنده إلى الآلة. أعلنت الشركة، المعروفة بمحرك بحث بالذكاء الاصطناعي يعرض روابط المصادر، إطلاق Perplexity Frontier Research. ونشر الخبر على منصة X دينيس ياراتس، المؤسس المشارك والمدير التقني لـ Perplexity. والهدف نظام قادر على إجراء الأبحاث بشكل مستقل، أي دون توجيه بشري في كل خطوة.
هناك رقمان في الإعلان يستحقان الشرح فورًا. التعلم المعزز (RL) أسلوب لا تحفظ فيه النماذج إجابات جاهزة، بل تجرّب التصرف وتحصل على «تقييم» لنتيجتها، كمتدرب يُقال له هل أنجز المهمة أم لا. أما GPU فهي وحدات المعالجة الرسومية، أي «بطاقات الفيديو» التي تُدرَّب عليها الشبكات العصبية. وتعتزم Perplexity تشغيل هذا التدريب على عنقود يضم 10 000 وحدة GPU أو أكثر. وللمقارنة: يمكن إجراء تدريب إضافي لنموذج صغير على بضع بطاقات، أما عنقود من عشرة آلاف بطاقة فهو مستوى المختبرات الكبرى.
ما الذي سيعمل عليه الفريق
حدّد الإعلان خمسة محاور: تنسيق عدة وكلاء (orchestration)، والتعلم المعزز، والتعلم المستمر، والهندسة النظمية، والتدريب المسبق (pre-training)، أي تدريب النماذج الأساسية من الصفر.
تبرز الحاجة إلى التنسيق لأن وكيلًا واحدًا يصعب عليه إنجاز بحث طويل. تخيّل أنك تطلب دراسة سوق الدراجات الكهربائية: وكيل يبحث عن الشركات، وآخر يقرأ التقارير، وثالث يتحقق من الأرقام. ويتولى المنسّق توزيع المهام وجمع النتيجة. أما التعلم المستمر فيعني أن النموذج يستوعب الجديد دون إعادة تدريب كاملة من الصفر. وهذا مهم لنظام بحثي، لأن الحقائق في العالم تتقادم أسرع مما تصدر إصدارات النماذج الجديدة.
كيف سيجري التدريب: بيانات اصطناعية وسيناريوهات واقعية
بحسب ياراتس، يتمثل جزء كبير من العمل في التعلم المعزز على نطاق واسع. وبيانات التدريب اصطناعية، أما البيئات التي يتمرن فيها النموذج فتُبنى استنادًا إلى الطريقة التي يستخدم بها الناس Perplexity فعليًا.
والمنطق كالتالي. لتدريب وكيل بحثي بالتعلم المعزز، تلزم بيئة يستطيع فيها البحث وفتح الصفحات وتشغيل الشيفرة، ويمكن التحقق من النتيجة النهائية: هل وجد الإجابة الصحيحة أم لا. وتملك Perplexity ما لا تملكه المختبرات التي ليس لديها منتج جماهيري: تدفقًا من الاستعلامات الحقيقية وفهمًا لنوع المهام التي يطرحها الناس عمليًا. ومن هذه الاستعلامات يمكن تركيب مهام تدريبية قريبة من الواقع، لا من اختبارات الأداء (benchmarks) الأكاديمية.
ويشدد ياراتس على أن Perplexity شركة «متكاملة الحزمة بالكامل»: فالبحث والاستدلال (inference) أي تشغيل النماذج الجاهزة، والتدريب، وبيئات العزل (sandboxes) أي البيئات المعزولة التي ينفّذ فيها الوكيل أفعاله، كلها مبنية داخليًا. ويقول إن ذلك يتيح التحرك بسرعة، وإن كل ما يُنشأ يُختبر في منتجات يستخدمها الملايين. ومن الأسهل إغلاق الحلقة «دربنا، ثم أطلقنا، ثم راقبنا سلوك النموذج لدى المستخدمين، ثم أعدنا البيانات إلى التدريب» حين تكون جميع الأجزاء تحت سقف واحد.
ماذا يعني ذلك عمليًا
تنبيه: هذا إعلان عن نوايا وعن تشكيل فريق، وليس إصدارًا. فلا يتضمن الإعلان أسماء نماذج، ولا نتائج اختبارات أداء، ولا مواعيد، ولا معلومات عن النماذج الأساسية التي ستُعتمد. والشركة تستقطب باحثين ومهندسين.
يمكن للمطورين ومديري المنتجات استخلاص ثلاث نتائج من ذلك:
- تتحول الصناعة من الضبط الدقيق للأوامر النصية حول نماذج الآخرين إلى تدريب النماذج نفسها على المهام الوكيلية. والشركات ذات المنتجات الجماهيرية تحوّل سيناريوهات المستخدمين إلى بيئات تدريب.
- حتى دون تدريب خاص بك، يمكنك تبنّي عناصر من هذا النهج: بيئات عزل لتنفيذ الأفعال بأمان، ومعايير واضحة قابلة للقياس لـ«المهمة أُنجزت»، وتقسيم الأدوار بين الوكلاء. وعليها تتوقف جودة الوكيل في بيئة الإنتاج.
- من الواضح أن Perplexity تريد الانتقال من طبقة فوق نماذج الآخرين إلى مطوّر لنماذجها الخاصة. أما هل سنرى النتيجة في صورة نموذج جديد أم في وضع بحثي أقوى داخل المنتج، فغير معلوم حتى الآن.
- 21 نوفمبر 2026نماذج اتخاذ القرار تردّ في أجزاء من الثانية: Jev بسعر 0.042 دولار لكل مليون توكن
- 21 نوفمبر 2026ChatGPT استشهد بصفحات Ahrefs، لكنه في 43% من الإجابات نصح بمؤتمرات الآخرين
- 21 نوفمبر 2026Perplexity تخصّص 10 000 وحدة GPU على الأقل لبناء «باحث آلي»
- 21 نوفمبر 2026جوجل تضيف وضع «التخفي» إلى AI Mode: المحادثات المؤقتة تُحذف بعد 24 ساعة
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي سيعمل عليه الفريق؟
حدّد الإعلان خمسة محاور: تنسيق عدة وكلاء (orchestration)، والتعلم المعزز، والتعلم المستمر، والهندسة النظمية، والتدريب المسبق (pre-training)، أي تدريب النماذج الأساسية من الصفر. تبرز الحاجة إلى التنسيق لأن وكيلًا واحدًا يصعب عليه إنجاز بحث طويل. تخيّل أنك تطلب دراسة سوق الدراجات الكهربائية: وكيل يبحث عن الشركات، وآخر يقرأ التقارير، وثالث يتحقق من الأرقام. ويتولى المنسّق توزيع المهام وجمع النتيجة. أما التعلم المستمر فيعني أن النموذج يستوعب الجديد دون إعادة تدريب كاملة من الصفر.
ما أبرز التفاصيل حول كيف سيجري التدريب: بيانات اصطناعية وسيناريوهات واقعية؟
بحسب ياراتس، يتمثل جزء كبير من العمل في التعلم المعزز على نطاق واسع. وبيانات التدريب اصطناعية، أما البيئات التي يتمرن فيها النموذج فتُبنى استنادًا إلى الطريقة التي يستخدم بها الناس Perplexity فعليًا. والمنطق كالتالي. لتدريب وكيل بحثي بالتعلم المعزز، تلزم بيئة يستطيع فيها البحث وفتح الصفحات وتشغيل الشيفرة، ويمكن التحقق من النتيجة النهائية: هل وجد الإجابة الصحيحة أم لا. وتملك Perplexity ما لا تملكه المختبرات التي ليس لديها منتج جماهيري: تدفقًا من الاستعلامات الحقيقية وفهمًا لنوع المهام التي يطرحها الناس عمليًا.
ما أبرز التفاصيل حول ماذا يعني ذلك عمليًا؟
تنبيه: هذا إعلان عن نوايا وعن تشكيل فريق، وليس إصدارًا. فلا يتضمن الإعلان أسماء نماذج، ولا نتائج اختبارات أداء، ولا مواعيد، ولا معلومات عن النماذج الأساسية التي ستُعتمد. والشركة تستقطب باحثين ومهندسين. يمكن للمطورين ومديري المنتجات استخلاص ثلاث نتائج من ذلك: تتحول الصناعة من الضبط الدقيق للأوامر النصية حول نماذج الآخرين إلى تدريب النماذج نفسها على المهام الوكيلية. والشركات ذات المنتجات الجماهيرية تحوّل سيناريوهات المستخدمين إلى بيئات تدريب.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.