SGLang والنصوص الانتشارية: كيف يدفع المهندسون الصينيون حدود السياق إلى ما لا نهاية

دخلت صناعة النماذج اللغوية الكبيرة مرحلة لم تعد فيها زيادة عدد وحدات معالجة الرسوميات في العنقود الحاسوبي كافية وحدها. اعتدنا جميعاً أن النماذج تزداد «ثقلاً» وأن تشغيلها يزداد كلفة. غير أن النقاشات التقنية الأخيرة في مجتمع الذكاء الاصطناعي الصيني حول SGLang وأساليب ما بعد التدريب الجديدة تُظهر أن الاختراق الحقيقي لا يحدث اليوم في التوسّع بالحجم، بل في أناقة البنية المعمارية. وبينما تركّز الشركات الغربية العملاقة على المنظومات المغلقة، تتحول الحزمة التقنية المفتوحة لتحسين الاستدلال والتعامل مع كميات هائلة من البيانات إلى «نفط جديد» للمطوّرين.

لنبدأ بـ SGLang. إذا كنتم تتابعون مسألة الأداء، فأنتم تعلمون أن الطرق القياسية لتوليد النصوص كثيراً ما تصطدم باستخدام غير فعّال للذاكرة وببطء جدولة الطلبات. ويقترح إطار SGLang نهجاً منظَّماً للتوليد يتيح تسريع عمل النماذج بشكل ملحوظ في السيناريوهات الواقعية. ويكتسب ذلك أهمية خاصة في سلاسل الاستدلال المعقدة، حيث لا يكفي أن يُخرج النموذج الكلمة التالية، بل عليه اتباع بنية منطقية صارمة. ويتيح التحسين على هذا المستوى توفير ملايين الدولارات من تكاليف الحوسبة السحابية، ما يجعل الذكاء الاصطناعي في متناول الشركات الناشئة المرنة وليس الشركات الكبرى وحدها.

الركيزة الثانية للموجة التقنية الجديدة هي توسيع السياق فائق الطول. رأينا بالفعل نماذج بسياق يبلغ مليون رمز (token)، لكن لنكن صريحين: معظمها يبدأ بـ«الهلوسة» أو يفقد خيط السرد عند منتصف المستند. ويركّز الباحثون الصينيون حالياً على جعل هذا السياق صالحاً للعمل فعلياً، لا مجرد رقم تسويقي. وتتيح تقنيات الانتباه الجديدة وأساليب ضغط المفاتيح للنماذج الاحتفاظ في الذاكرة التشغيلية بكميات ضخمة من المعلومات دون خسارة كارثية في الجودة. ويفتح ذلك الطريق أمام مساعدين بالذكاء الاصطناعي يستطيعون تحليل آلاف المستندات القانونية أو مئات الساعات من الفيديو في مرور واحد.

وتبدو التطورات في مجال النماذج اللغوية الانتشارية لا تقل إثارة. فلفترة طويلة ظل الانتشار حكراً على مولّدات الصور مثل Midjourney، بينما بقي النص تحت سيطرة المحوّلات ذاتية الانحدار. لكن محاولات إدخال عمليات الانتشار في توليد النصوص تَعِد بحل المشكلة الرئيسية للنماذج اللغوية الكبيرة الحالية، وهي طبيعتها التسلسلية. فإذا أتاح الانتشار توليد النص بالتوازي، أو عبر تنقيح تكراري لبنية الجملة بأكملها دفعة واحدة، فسنحصل على مستوى مختلف تماماً من الترابط، وربما نتخلص من أخطاء المنطق المعتادة التي تقع فيها روبوتات الدردشة الحالية.

وأخيراً، تستحق أطر ما بعد التدريب القائمة على التعلّم المعزَّز (RL) الانتباه. فبعد تدريب النموذج الأساسي على مجموعة بيانات ضخمة، تأتي مرحلة حاسمة من المواءمة والتدريب الإضافي. وتتيح المقاربات الجديدة أتمتة هذه العملية، فتجعل النماذج أكثر طاعة ودقة في أداء المهام المحددة. إنها الجسر بين الذكاء «الخام» وأداة تطبيقية تفهم دقائق التعليمات البشرية. وما يميّز التجربة الصينية هنا أنها تُدخل آليات RL المعقدة هذه ضمن أطر مفتوحة، فتُتيح للجميع تقنيات كانت في السابق متاحة لـ OpenAI أو Google فقط.

وفي المحصلة، نشهد تحوّلاً في النموذج السائد. فعصر «القوة الغاشمة» في الذكاء الاصطناعي يفسح المجال تدريجياً لعصر الضبط الدقيق والابتكار المعماري. وتمثل SGLang والانتشار في النصوص والإدارة الذكية للسياق قطعاً من أحجية واحدة ستكتمل في النهاية لتشكّل ذكاءً اصطناعياً من الجيل الجديد. لن يكون هذا الذكاء أكبر حجماً فحسب، بل سيستخدم كل واط من الطاقة وكل بايت من الذاكرة بكفاءة أعلى بكثير. وهذا يعني للصناعة أن عتبة الدخول إلى بناء أنظمة عالية الأداء تنخفض، بينما تبدأ للتو المنافسة على الجودة والسرعة.

الخلاصة: قد ينتهي عصر هيمنة النماذج ذاتية الانحدار الكلاسيكية أسرع مما كنا نظن. فهل أنتم مستعدون لأن يعمل روبوت الدردشة التالي لديكم على محرك انتشاري؟