TTT-Discover: ستانفورد وNVIDIA تجعلان الذكاء الاصطناعي «يفكر» أثناء العمل ويتفوق على العلماء

ظل التقدم العلمي يصطدم دائمًا بالعقبة نفسها: التحقق من الفرضيات. فقد تكون فيزيائيًا عبقريًا، ومع ذلك تستغرق محاكاة عملية معقدة في سائل ما، أو حساب بنية مادة جديدة على حاسوب فائق، أسابيع كاملة. الأساليب الحسابية التقليدية دقيقة، لكنها بطيئة إلى حد مرهق. في المقابل، تَعِد نماذج اللغة الحديثة بالسرعة، لكنها في العلوم الدقيقة تتصرف كهواة واثقين أكثر مما ينبغي: تهلوس كثيرًا وتقدم نتائج جميلة المظهر لكنها مستحيلة فيزيائيًا. ورأت ستانفورد وNVIDIA أن الوقت قد حان لإنهاء هذه المفاضلة بين السرعة والدقة، فقدمتا TTT-Discover.

يقوم الابتكار الجديد على مفهوم التدريب أثناء الاختبار (Test-Time Training). فالشبكة العصبية التقليدية تتحول بعد انتهاء تدريبها إلى مجموعة «متجمدة» من الأوزان، أما TTT-Discover فتواصل التعلم أثناء حل المسألة المحددة نفسها. تخيّل طالبًا لم يكتفِ بحفظ الكتاب المدرسي عن ظهر قلب، بل بدأ خلال الامتحان نفسه بإجراء تجارب مصغرة ليفهم السؤال على نحو أفضل. وتستخدم المنظومة التعلم المعزز (Reinforcement Learning) لتكييف نفسها ديناميكيًا مع ظروف المسألة هنا والآن. وهذا يتيح للنموذج التأقلم مع ثوابت فيزيائية وشروط حدّية ربما لم يصادفها في بيانات التدريب.

لماذا يهم ذلك الصناعة؟ لنكن صريحين: لقد بلغنا حد التوسع البسيط في حجم النماذج. فإضافة بضعة تريليونات أخرى من المعاملات لم تعد تحقق القفزة النوعية في «الذكاء» التي ينتظرها الجميع. ويُظهر TTT-Discover أن المستقبل يكمن في كفاءة الحوسبة في مرحلة الاستدلال (inference). فبدلًا من أن يعرف النموذج كل شيء عن كل شيء، من الأجدى له أن يتعلم التركيز بعمق على مشكلة واحدة لحظة ظهورها.

وفي اختبارات حل المعادلات التفاضلية ونمذجة الأنظمة المعقدة، حقق TTT-Discover سرعة تعادل ضعف سرعة الخبراء البشر، مع الحفاظ على دقة لا تبلغها الشبكات العصبية التقليدية.

ويبدو دور NVIDIA مفارقًا بصورة خاصة. فالشركة التي تجني المليارات من بيع «القوة الغاشمة» على شكل وحدات GPU تستثمر الآن بنشاط في خوارزميات تتيح استخدام هذه القوة بذكاء أكبر بكثير. وهذه إشارة واضحة إلى السوق: عصر «تكديس التيرافلوبس» فوق المشكلة يقترب من نهايته. فالمهم الآن ليس عدد بطاقات الرسوميات التي تملكها، بل مدى كفاءة خوارزميتك في توزيع مواردها للتصحيح الذاتي في الزمن الفعلي. وبالنسبة إلى المجتمع العلمي، قد يعني ذلك أن آجال تطوير أدوية أو مواد جديدة يمكن أن تنخفض من سنوات إلى أشهر.

من المهم أن ندرك أن TTT-Discover ليس مجرد اختبار معياري (benchmark) آخر، بل هو تحول معماري. فنحن ننتقل من نماذج ساكنة إلى وكلاء ديناميكيين يدركون سياق المسألة. فبعد أن كان الذكاء الاصطناعي مكتبة عليك أن تبحث فيها عن الصفحة الصحيحة، أصبح مختبرًا يجري التجارب بناءً على طلبك. وبحسب النتائج، فإن هذا المساعد المخبري بات جاهزًا لأخذ مكان كبير الباحثين.

الخلاصة: عصر الذكاء الاصطناعي الساكن يقترب من نهايته. فهل سيتمكن مطورو نماذج LLM الأخرى من اعتماد Test-Time Training بسرعة كافية كي لا يتخلفوا عن ركب السباق العلمي؟