مبتكر LILA قدّم بنية AI مدمجة وعارض نهج سام ألتمان

نشر مؤلف مشروع Sovereign-Lila-Leech بيانَ LILA وادّعى أن البنية الهندسية القائمة على شبكة ليتش يمكنها تخفيض تكلفة نماذج اللغة تخفيضاً جذرياً. ولا يرتكز الرهان الرئيسي على مراكز بيانات جديدة، بل على نماذج مدمجة يمكن تشغيلها دون اتصال بالإنترنت على أجهزة المستخدمين.

ما هي فكرة LILA

يقوم جوهر المشروع على محاولة دمج هندسة ثابتة لشبكة ليتش — وهي أحد أشهر الأجسام في رياضيات الأبعاد الـ24 — في بنية المحوِّل (transformer). وبحسب وصف المستودع، تُستبدَل إسقاطات query وkey القابلة للتدريب بنواةٍ متعامدة مجمَّدة، بينما تسحب دالةُ خسارة إضافية التمثيلاتِ الخفية نحو الاتجاهات المختارة في الشبكة. ويقدّم المؤلف ذلك بوصفه وسيلةً للابتعاد عن نهج القوة الغاشمة (brute force) وجعل سلوك النموذج أكثر قابلية للتفسير.

«يجب ألا تُحسَب الرياضيات — يجب أن تكون موجودة».

في المقال ذاته، تُصاغ هذه الفكرة في هيئة بيان ضد «الذكاء الاصطناعي المؤسسي»: إذ يُقابل المؤلف بضعةَ أسطر من الشفرة البرمجية والأولوية الهندسية بميزانيات OpenAI وQualcomm الضخمة. غير أنه إذا جُرِّد الطرح من طابعه الصحفي، فإن الأطروحة تبقى واضحة: ليست كل كفاءة في الذكاء الاصطناعي ملزَمةً بالصدور عن زيادة المعاملات والحسابات والبنية التحتية؛ إذ يمكن البحث عن جزء من المكاسب على مستوى بنية النموذج ذاته.

ما يعد به المشروع

يُعلن البيان عن تأثيرات بالغة الطموح: ضغط هندسي بمقدار 44.9 مرة، وتكميم أصيل بمعدل 2 بت (quantization)، وإمكانية تشغيل نماذج بحجم يصل إلى 4 مليارات معامل على الأجهزة المحمولة. كما يُشدد المؤلف على الاستقلالية الكاملة دون اتصال بالإنترنت، وصفر تكاليف الاستدلال عبر الخوادم، وخصوصية بيانات المستخدم. وبذلك لا يتعلق الأمر بمجرد فكرة معمارية إضافية، بل بمقترح لمنظومة تقنية جديدة لذكاء الحافة (edge AI).

وعلى مستوى أكثر واقعية، تبدو المواد العامة للمشروع على النحو الآتي:

• يصف مستودع GitHub نموذجاً أساسياً بـ20 مليون معامل يُدعى Leech-Lila؛
• يذكر ملف README التدريبَ على TinyStories وFineWeb-edu باستخدام وحدة معالجة رسومات NVIDIA T4 واحدة في Google Colab؛
• الشفرة البرمجية والأوزان منشورة مفتوحة المصدر تحت رخصة AGPLv3؛
• ورقة بحثية أولية (preprint) تصف النهج منشورة على Zenodo؛
• يُقدَّم المشروع بوصفه شفرة بحثية مناسبة للتجريب بالتحيزات الاستقرائية الهندسية.

يُحدد ملف README أيضاً مؤشرات أكثر تحديداً: رتبة مستقرة للطبقة الأولى تبلغ 8.55، وسعة فعالة تبلغ نحو 440 مليون معامل، ونتيجة 0.129 بت لكل حرف على TinyStories. ويفسّر المؤلف ذلك دليلاً على أن التنظيم الهندسي (geometric regularization) يمكنه تحقيق مكاسب غير متناسبة حتى في النموذج الصغير. غير أن هذه الأرقام تتعلق حتى الآن بإعداد بحثي مدمج، لا بمنتج واسع الانتشار.

أين تنشأ التساؤلات

النقطة الدقيقة الرئيسية هي أن البيان والوصف التقني للمشروع يتحدثان بمستويات مختلفة من اليقين. يتحدث المقال عن ضغط بمقدار 44.9 مرة وتحول شبه ثوري في ذكاء الاصطناعي المحمول، في حين يذكر ملف README للمستودع ذاته ضغطاً بمقدار 22 مرة، ومقاييس على TinyStories، وحالةً صريحة هي إثبات المفهوم (Proof-of-Concept) / شفرة بحثية. وهذا لا يجعل العمل عديم الجدوى، لكنه يُبيّن أن التحقق الصناعي والمقارنات القابلة للاستنساخ لا تزال بعيدة.

أما النقطة الثانية فتتعلق بالمقارنة مع Qualcomm. يُشير المؤلف إلى ورقة بحثية أولية من Qualcomm AI Research بتاريخ 11 مارس 2026 حول التكميم الشعاعي (vector quantization) على شبكة ليتش، ويفسّرها اعترافاً متأخراً بقوة هذه الرياضيات. بيد أن العملين يختلفان في أهدافهما: تكتب Qualcomm عن ضغط LLM عبر التكميم الشعاعي، في حين يقترح LILA تثبيت الهندسة داخل آلية الانتباه (attention mechanism). لذا فمن السابق لأوانه الإعلان عن انتصار واضح لأحد النهجين على الآخر. لا يملك المشروع حتى الآن أي اختبارات أداء مستقلة، أو مراجعة علمية من الأقران، أو مقارنات على مهام عملية واسعة.

ما الذي يعنيه هذا

تكتسب قصة LILA أهميتها لا بوصفها «قاتلاً» مُثبَتاً للنماذج الكبيرة، بل بوصفها إشارةً إلى أن سباقاً تجريبياً حول ذكاء الحافة وكفاءة البنية المعمارية يبدأ من جديد. فإن تأكدت هذه الأفكار عبر اختبارات قابلة للاستنساخ، سيحصل السوق على مزيد من النماذج المحلية بأقل اعتماد على الحوسبة السحابية. وإن لم يحدث ذلك، فإن البيان يُسجّل في كل الأحوال تحولاً مهماً: إذ لم يعد النقاش في الذكاء الاصطناعي يدور حول الحجم وحده، بل يشمل أيضاً رياضيات البنية الداخلية للنماذج.