Liquid AI تتحدى سباق النماذج الأكبر: البنية الهجينة لـ LFM2 تغيّر قواعد اللعبة

لقد عملت صناعة نماذج اللغة الكبيرة على مدى السنوات الماضية وفقاً لمبدأ بسيط: عدد المعاملات الأكثر يساوي نتائج أفضل. قامت OpenAI بتوسيع GPT، وقامت Google بتوسيع Gemini، وقامت Meta بزيادة Llama. لكن في عام 2026، يواجه هذا النهج بشكل متزايد قيوداً فيزيائية — استهلاك الطاقة في مراكز البيانات، تكاليف الذاكرة، سرعة الاستدلال. تعتقد شركة Liquid AI الناشئة من بوسطن أنها وجدت مخرجاً من هذا المأزق، والنموذج الجديد LFM2-24B-A2B ليس مجرد إصدار آخر، بل هو مطالبة بثورة معمارية.

شركة Liquid AI هي شركة نشأت من أبحاث معهد ماساتشوستس للتكنولوجيا في ما يسمى بـ "الشبكات العصبية السائلة" (liquid neural networks)، المستوحاة من الأنظمة العصبية البيولوجية. بخلاف المحولات الكلاسيكية، حيث تقوم كل طبقة بعملية ثابتة، فإن الشبكات السائلة قادرة على تكييف حساباتها اعتماداً على بيانات الإدخال. هذا نهج مختلف جذرياً لمعالجة المعلومات، والفريق قد طورها بشكل متسق لعدة سنوات. أصبح LFM2-24B-A2B تتويج هذا العمل — نموذج بـ 24 مليار معامل، مبني على بنية هجينة تجمع بين آلية الاهتمام الكلاسيكية (attention) مع عمليات الالتفاف (convolutions).

لفهم سبب أهمية هذا، يجب فهم المشكلة. تستخدم المحولات القياسية، التي تكمن وراء GPT وClaude والنماذج الأخرى، آلية الاهتمام الذاتي التي تسمح لكل رمز بـ "النظر" إلى جميع الرموز الأخرى في السياق. هذه أداة قوية، لكن تعقيدها الحسابي ينمو بشكل تربيعي مع طول السياق. ضاعف نافذة السياق — وستحصل على زيادة رباعية في تكاليف الحساب. هذا هو السبب في أن العمل مع المستندات الطويلة يظل أحد أكثر المهام التي تستهلك الموارد بكثافة بالنسبة لنماذج اللغة الكبيرة الحديثة. طبقات الالتفاف، من ناحية أخرى، تعالج المعلومات محلياً وتتوسع خطياً، لكن تم اعتبارها تاريخياً أقل تعبيراً لمهام اللغة.

يحاول النهج الهجين لشركة Liquid AI الحصول على أفضل ما في العالمين. تتولى المكونات الالتفافية معالجة الأنماط المحلية — الهياكل النحوية، التبعيات قصيرة المدى، الأنماط المتكررة. تتفعل آلية الاهتمام حيث يكون من الضروري التقاط الاتصالات بعيدة المدى في النص — المراجع للكيانات المذكورة مسبقاً، السلاسل المنطقية، التفكير المعقد. يشير التعيين "A2B" في اسم النموذج إلى تكوين محدد لهذا التوازن بين كتل الاهتمام والالتفاف. في الواقع، يقرر النموذج بنفسه نوع المعالجة التي يجب تطبيقها على جزء معين من البيانات، مما يجعل الحسابات أكثر كفاءة بشكل كبير.

أربعة وعشرون مليار معامل رقم متواضع نسبياً بمعايير عام 2026، عندما تعمل النماذج الرائدة مع مئات المليارات وحتى تريليونات المعاملات. لكن هذا بالضبط هو الأطروحة الرئيسية لـ Liquid AI: الكفاءة المعمارية أهم من القوة الغاشمة. إذا كان نموذج بـ 24 مليار معامل قادراً على المنافسة مع نماذج أكبر بعدة مرات مع استهلاك تكاليف استدلال أقل بشكل كبير، فهذا يغير اقتصاديات الصناعة بأكملها. عدد أقل من وحدات معالجة الرسومات لمعالجة الطلبات — تكاليف API أقل. استهلاك أقل للطاقة — سهولة أكبر في نشر النموذج على الأجهزة الطرفية. استدلال أسرع — تجربة مستخدم أفضل.

بالنسبة للصناعة ككل، فإن إطلاق LFM2-24B-A2B ينسجم مع اتجاه أوسع. يتوصل عدد متزايد من مجموعات البحث والشركات إلى استنتاج مفاده أن عصر "التوسع الأحمق" ينتهي. Mamba والبنى الأخرى القائمة على فضاء الحالة، والأعمال على النماذج المتناثرة مع Mixture of Experts، والتكمية والتقطير — كل هذا محاولات لاستخراج ذكاء أكثر من حساب أقل. Liquid AI تسير في طريقها الخاص، والنهج الهجين الخاص بها يبدو أحد أكثر الحلول أناقة للمشكلة.

مع ذلك، يجدر الحفاظ على الشك الصحي. لا يزال يتعين دراسة وإعادة إنتاج مؤشرات الأداء الكاملة لـ LFM2-24B-A2B بشكل مستقل. غالباً ما تبدو الابتكارات المعمارية مثيرة للإعجاب على الورق لكنها تواجه مشاكل غير متوقعة عند توسيع نطاقها في الإنتاج — من تعقيد التدريب إلى التوافق مع البنية التحتية للتحسين الموجودة. تم بناء نظام الأدوات حول المحولات على مدى سنوات، وستحتاج أي بنية بديلة إلى إثبات جدواها ليس فقط في المختبر.

ومع ذلك، يبدو الاتجاه الذي تضعه Liquid AI حتمياً. وصلت صناعة الذكاء الاصطناعي إلى نقطة حيث يؤدي إضافة المزيد من المعاملات إلى عوائد متناقصة، والطلبات على الكفاءة الطاقية والسرعة تتزايد فقط. ستحدد الشركات التي تجد طرقاً للقيام بالمزيد بموارد أقل الفصل التالي في تطور الذكاء الاصطناعي. والبنى الهجينة مثل LFM2 قد تثبت أنها مفتاح هذا المستقبل.