MIT Technology Review: النماذج اللغوية الصغيرة تتحول إلى ركيزة لاعتماد الذكاء الاصطناعي في القطاع الحكومي

لم يعد كافيًا أن تكتفي الجهات الحكومية بمناقشة الذكاء الاصطناعي على مستوى المشاريع التجريبية. فحتى تصل التقنية إلى العمل الفعلي، لا تحتاج هذه الجهات إلى أكبر النماذج، بل إلى نماذج يمكن دمجها في منظومة أمنية صارمة، وبنية تحتية محلية، وضوابط واضحة للمسؤولية. ولهذا يتزايد اهتمام الوزارات والمؤسسات العامة بالنماذج اللغوية الصغيرة، وهي أنظمة متخصصة يسهل التحكم بها، وتقل كلفة تشغيلها، ويسهل التحقق من امتثالها للمتطلبات.

في قطاع الأعمال يشيع منطق «نربط نموذج LLM سحابيًا ونبدأ باختبار السيناريوهات»، لكنه كثيرًا ما لا ينجح مع الجهات الحكومية. فمتطلبات حماية البيانات هناك أعلى، وقواعد نقل المعلومات أشد، والاعتماد على استمرارية الخدمة وإمكانية تدقيق القرارات أهم. وفي حالات كثيرة لا يمكن الاعتماد على اتصال دائم بالإنترنت، ولا على السحابات المركزية، ولا على تبادل حر للبيانات بين الأنظمة. لذلك، وحتى مع الضغط الشديد لتسريع الاعتماد، تعلق مشاريع ذكاء اصطناعي كثيرة في القطاع الحكومي بين مرحلة العرض التوضيحي والإطلاق الصناعي.

وتؤكد الأرقام هذه العوائق. ففي دراسة لشركة Capgemini، يرى 79% من قادة القطاع العام أن أمن البيانات هو العائق الرئيسي، ويشير 74% إلى انعدام الثقة في جودة إجابات الذكاء الاصطناعي، و71% إلى مسائل سيادة البيانات وتوطينها. ومع ذلك فالاهتمام بالتقنية مرتفع: إذ تدرس 64% من المؤسسات مبادرات الذكاء الاصطناعي التوليدي أو تنفذها بالفعل، لكن 21% فقط وصلت إلى مرحلة المشاريع التجريبية أو الاعتماد الفعلي. وتبقى الفجوة بين الرغبة في استخدام الذكاء الاصطناعي والقدرة على إدخاله بأمان في دورة العمل هي عنق الزجاجة الرئيسي.

في هذا السياق تبدو نماذج SLM حلًا وسطًا أكثر واقعية. إذ يمكن تكييف هذه النماذج مع جهة حكومية أو إدارة أو مجموعة مهام محددة، بدلًا من محاولة فرض منظومة القيود كلها فوق نموذج LLM عام. وهي تتطلب موارد حوسبة أقل، ويمكنها في الغالب العمل محليًا أو في بيئة معزولة، وتتيح إبقاء البيانات الحساسة خارج النموذج نفسه، وتمريرها عند الطلب عبر آليات البحث والاسترجاع (retrieval). وفي البيئات ذات الاتصال المحدود بالإنترنت وأسطول GPU المتواضع، لا يُعد هذا مجرد ميزة مريحة، بل شرطًا أساسيًا للاعتماد.

وتتضاعف أهمية ذلك حيث لا يجوز إخراج البيانات من المحيط المحمي، ويجب أن تكون كل إجابة قابلة للتفسير ومرتبطة بمصدر يمكن التحقق منه. عمليًا يعني ذلك الجمع بين نموذج صغير، ومحرك بحث مؤسسي، وقواعد صارمة للوصول. في هذه البنية لا «يخمّن» النظام الإجابة من المعرفة العامة، بل يستخرج الوثائق ذات الصلة، ومقاطع من ملفات PDF، والجداول، والصور، أو المواد الأرشيفية، ثم يرتبها، ولا يصوغ الإجابة إلا بعد ذلك. ويتيح ذلك للجهات الحكومية سيناريوهات أكثر فائدة: البحث في الوثائق التنظيمية، ومعالجة طلبات المواطنين، وتلخيص الملفات والقضايا، ودعم المحللين وموظفي الخدمة الأمامية. المهم ليس تحقيق رقم قياسي في اختبار قياسي (benchmark)، بل القدرة على تسجيل الإجراءات، وتقييد صلاحيات الوصول، وتقليل عدد الهلوسات، وإعادة بناء منطق الإجابة عند المراجعة.

بهذا ينتقل السؤال المحوري في هذا النهج من «أي نموذج أذكى» إلى «أي بنية أكثر موثوقية». فالقطاع العام لا يحتاج مجرد روبوت محادثة، بل طبقة تشغيلية متكاملة للذكاء الاصطناعي: بيئات اختبار، وتسجيلًا للقرارات، وإدارة للمخاطر، وسياسات أمنية موحدة، وتوافقًا بين المتعاقدين والأنظمة الداخلية. وكلما ارتفعت الرهانات، من الخدمات الاجتماعية إلى الدفاع والتحقيقات، زادت أهمية أن يكون الذكاء الاصطناعي مفيدًا وخاضعًا للتحكم في كل مرحلة، من الاستعلام عن البيانات حتى الإجابة النهائية. وبدون هذه المنظومة المحيطة يبقى حتى النموذج القوي عرضًا لافتًا لكن ضعيف التحكم.

وهذا يعني أن موجة اعتماد الذكاء الاصطناعي التالية في القطاع الحكومي ستُبنى على الأرجح لا حول أشهر النماذج العامة، بل حول أنظمة متخصصة تُدار محليًا ويمكن التحقق منها. وإذا نجح هذا السيناريو، فقد تكون المؤسسات الحكومية والعامة هي التي تُري السوق كيف يتحول الذكاء الاصطناعي التوليدي من عرض توضيحي لافت إلى أداة بنية تحتية ذات مسؤولية واضحة ورقابة وفائدة حقيقية.