Guide Labs تطلق نموذجًا لغويًا مفتوحًا يمكن فهمه من الداخل

تلاحق مشكلة «الصندوق الأسود» صناعة النماذج اللغوية الكبيرة منذ ظهورها. نعلم أن هذه النماذج تعمل، وأحيانًا بشكل مذهل، لكننا لا نكاد نستطيع أبدًا تفسير سبب ظهور إجابة معينة بهذا الشكل دون غيره. قررت شركة Guide Labs الناشئة مواجهة هذه المشكلة مباشرة، فقدّمت Steerling-8B، وهو نموذج لغوي مفتوح بـ8 مليارات معامل، تقع قابلية التفسير فيه على مستوى البنية المعمارية.

ولتقدير أهمية هذه الخطوة، لا بد من فهم السياق. فقابلية التفسير في الذكاء الاصطناعي اليوم هي في معظمها مجموعة أدوات تُطبَّق على نماذج جرى تدريبها بالفعل، أي بعد الأوان. ويطوّر باحثون في Anthropic وOpenAI ومختبرات أكاديمية أساليب مثل قابلية التفسير الآلية (mechanistic interpretability)، محاولين النظر داخل الشبكات العصبية ومعرفة وظيفة كل عصبون. لكن هذه المقاربات أشبه بمحاولة تفكيك محرك يعمل أثناء دورانه: نتائجها قيّمة لكنها مجزأة. أما Guide Labs فسلكت طريقًا مختلفًا، إذ صمّمت البنية بحيث يكون النموذج شفافًا بطبيعته.

لم تُكشف تفاصيل البنية الجديدة بالكامل بعد، لكن الفكرة المحورية أن كل فعل يقوم به Steerling-8B يمكن تتبعه وشرحه. واختيار كلمة «steerling» في الاسم ليس عشوائيًا، فهو يحيل إلى مفهوم «steerability»، أي القابلية للتوجيه. فالنموذج لا يولّد النص فحسب، بل يفعل ذلك بطريقة تتيح للمستخدم أو المطوّر فهم منطق اتخاذ القرار، والأهم من ذلك توجيه سلوك النموذج في الاتجاه المطلوب. وهذا يختلف جذريًا عن النهج المعتاد، حيث يقتصر التحكم في سلوك النموذج على prompt engineering أو fine-tuning، وهما أسلوبان قويان لكنهما أعميان إلى حد بعيد.

ثمانية مليارات معامل ليست حجمًا ضخمًا بمقاييس اليوم. فنماذج frontier من OpenAI وGoogle وAnthropic تعمل بمئات المليارات من المعاملات، وبحسب بعض التقديرات بتريليونات. لكن اختيار هذا الحجم يبدو مدروسًا. فنموذج بهذا الحجم يمكن تشغيله على عتاد متاح نسبيًا، ما يجعله صالحًا للأبحاث والتجارب لدى شريحة واسعة من المطوّرين. وقرار فتح الشيفرة المصدرية يضاعف هذا الأثر مرات عديدة، إذ يمكن لأي مختبر في العالم تنزيل Steerling-8B ودراسة بنيته ومحاولة توسيع نطاق النهج.

لماذا يهم هذا خارج الاهتمام الأكاديمي؟ فالجهات التنظيمية حول العالم، من الاتحاد الأوروبي بقانونه AI Act إلى الوكالات الفيدرالية الأمريكية، تطالب الشركات بإلحاح متزايد بقابلية تفسير أنظمة الذكاء الاصطناعي. وفي القطاع المالي والرعاية الصحية والمجال القانوني، يُعد النموذج الذي لا يستطيع تفسير قراره غير صالح عمليًا للنشر الكامل. وحتى الآن ردّت الصناعة على هذه المطالب بحلول جزئية: تقارير السلامة وجلسات red-teaming والتدقيق الخارجي. أما Steerling-8B فيقترح شيئًا أكثر جوهرية: شفافية مدمجة في «الحمض النووي» للنموذج.

وبالطبع هناك أسئلة. أبرزها: هل ستُدفع كلفة قابلية التفسير من جودة التوليد؟ تاريخيًا أدّت محاولات جعل الشبكات العصبية أكثر شفافية إلى انخفاض أدائها. ولم تنشر Guide Labs حتى الآن نتائج benchmarks مفصلة تقارن نموذجها بنماذج بحجم مماثل مثل Llama أو Mistral. وبدون هذه البيانات يصعب الحكم على ما إذا كان Steerling-8B اختراقًا حقيقيًا أم مفهومًا جميلًا له قيود عملية. كما يبقى سؤال مفتوح حول مدى قابلية النهج للتوسع، أي هل ستبقى البنية قابلة للتفسير بالقدر نفسه عند 70 أو 400 مليار معامل.

ومع ذلك، فإن ظهور Steerling-8B بحد ذاته يشير إلى تحول مهم في أولويات الصناعة. فالسباق نحو الأداء الخالص، نحو عدد المعاملات ودرجات benchmarks، يفسح المجال تدريجيًا لنهج أكثر نضجًا يُقدَّر فيه فهم النموذج بقدر قدراته. وراهنت Guide Labs على أن مستقبل الذكاء الاصطناعي ليس مجرد نماذج قوية، بل نماذج قوية يمكن الوثوق بها. وإذا صحّ هذا الرهان، فقد يصبح Steerling-8B أكثر من مشروع بحثي مثير للاهتمام، وقد يتحول إلى قالب معماري للجيل القادم من النماذج اللغوية.