انتهى عصر النماذج المنفردة: جامعة واشنطن تكشف عن MoCo لتوحيد نماذج الذكاء الاصطناعي

انتهى عصر النماذج المنفردة: جامعة واشنطن تكشف عن MoCo لتوحيد نماذج الذكاء الاصطناعي

في عالم الذكاء الاصطناعي اليوم، حيث تزداد النماذج اللغوية الكبيرة (LLM) قوة وانتشارًا، بدأ الباحثون يبحثون بنشاط عن طرق جديدة لدمجها وتحسين أدائها. وتظل الكفاءة وقابلية التوسع من أبرز التحديات. وبدلًا من مواصلة رفع قدرة شبكة عصبية عملاقة واحدة، اقترح علماء جامعة واشنطن نهجًا جديدًا جذريًا: توحيد جهود عدة نماذج متخصصة. وثمرة هذا العمل هي إطار MoCo (Mixture of Collaborators)، الذي يسعى إلى إحداث ثورة في التفاعل بين وكلاء الذكاء الاصطناعي، بحيث يعملون كفريق متناغم من المحترفين.

سارت عملية تطوير النماذج اللغوية الكبيرة تقليديًا في اتجاه بناء نماذج أكبر وأكثر شمولًا. غير أن لهذا النهج حدودًا. فتدريب نموذج واحد ضخم وتشغيله يتطلبان موارد حاسوبية هائلة، وكثيرًا ما تأتي شموليته على حساب الأداء في المهام شديدة التخصص. وقد استلهم فريق جامعة واشنطن مبادئ التعاون البشري، وقرر التخلي عن فكرة «العبقري الواحد». وبدلًا من ذلك، طوّر MoCo، وهو نظام توزَّع فيه المهام المختلفة بين عدة وكلاء ذكاء اصطناعي، يمكن تحسين كل منهم لنوع محدد من العمل. ويشبه ذلك فريق خبراء، من مبرمج ومنطقي وكاتب، يحلّون معًا مشكلة معقدة يسهم فيها كل منهم بدوره الفريد.

وتكمن السمة الأساسية لـ MoCo في بنيته المعمارية، التي لا تكتفي بتشغيل النماذج بالتوازي، بل تتيح لها التفاعل الفعلي وتبادل المعلومات والتوصل إلى الحلول بصورة مشتركة. ويوفر الإطار آلية تنسيق تحدد الوكيل الأنسب لكل مهمة فرعية، وتوجّه تدفق المعلومات وفقًا لذلك. وأجرى المطورون سلسلة اختبارات قارنوا فيها أداء نماذج LLM المنفردة بقدرات نظام MoCo. وجاءت النتائج لافتة. ففي السيناريوهات المعقدة التي تتطلب منطقًا عميقًا وبرمجة واستدلالًا متعدد المراحل، أظهر تآزر الوكلاء المتخصصين ضمن MoCo تفوقًا واضحًا على أحدث النماذج المنفردة. وهذا يشير إلى أن تقسيم العمل والتخصص، وهما فعّالان للغاية في المجتمع البشري، يمكن تطبيقهما بنجاح في عالم الذكاء الاصطناعي أيضًا.

ولتطوير MoCo تبعات بعيدة المدى على مستقبل الذكاء الاصطناعي. أولًا، يفتح الطريق أمام بناء أنظمة ذكاء اصطناعي أكثر كفاءة وأقل كلفة. فبدلًا من تدريب نموذج واحد ضخم، سيصبح بالإمكان تشكيل «فرق» من نماذج أصغر ومتخصصة، وبالتالي أرخص في التدريب والتشغيل. ثانيًا، يعزز هذا النهج قابلية التوسع. إذ يمكن توسيع نظام MoCo بسهولة بإضافة وكلاء متخصصين جدد لحل مهام أكثر تعقيدًا أو تخصصًا. ثالثًا، يسهم المشروع مفتوح المصدر الذي قدمته جامعة واشنطن في إتاحة تقنيات الذكاء الاصطناعي المتقدمة للجميع، إذ يتيح للباحثين والمطورين حول العالم تجربة بنى جديدة وبناء أنظمة ذكاء اصطناعي تعاونية خاصة بهم. وقد يسرّع ذلك الابتكار ويؤدي إلى ظهور تطبيقات جديدة تمامًا للذكاء الاصطناعي.

وهكذا يمثل ظهور إطار MoCo تحولًا مهمًا في نموذج تطوير الذكاء الاصطناعي. فالتخلي عن فكرة «الذكاء الفائق في صندوق واحد» لصالح أنظمة تعاونية متعددة الوكلاء يفتح آفاقًا جديدة لبناء حلول ذكاء اصطناعي أذكى وأكثر كفاءة وإتاحة. ويبدو أن العصر الذي هيمنت فيه النماذج المنفردة الشاملة يقترب من نهايته، ليفسح المجال لمستقبل تعمل فيه أنظمة الذكاء الاصطناعي كفرق خبراء منسقة، مستعدة لمواجهة أكثر المهام طموحًا.