من التدريب المسبق إلى فرق وكلاء AI: لماذا تغيّر حلقات التوسع الأربع لدى Jensen Huang السؤال المتعلق بالحوسبة؟
مقدمة: ما الذي ينمو عندما يصبح الذكاء الاصطناعي أكثر قدرة؟
غالبا ما يبدأ النقاش حول الذكاء الاصطناعي [AI] بحجم النموذج [Model]. كم عدد المعلمات [Parameters] التي يحتوي عليها؟ وما كمية المعلومات التي استُخدمت لتدريبه؟ وما حجم النظام الحاسوبي [Computing System] الذي يقف وراءه؟
تصف هذه الأسئلة جزءا من النظام فقط. أما حجة Jensen Huang الأوسع فهي أن AI يمكن أن ينمو في مراحل متعددة: أثناء تعلّم أساسياته، وأثناء تحسين سلوكه، وأثناء معالجة مشكلة بعينها، وأثناء توزيع العمل بين الوكلاء [Agents]. إن فهم الصلة بين هذه المراحل يغيّر طريقة تفكيرنا في الطلب على الحوسبة [Computing Demand].
التمييز المهم هو بين بناء نموذج واستخدام نظام ذكي. إنهما نشاطان مترابطان، لكنهما ليسا عبء العمل [Workload] نفسه.
1. يبني التدريب المسبق أساسا، لا عاملا مكتمل الجاهزية
يطوّر التدريب المسبق [Pre-training] القدرات العامة للنموذج من خلال تعريضه لكميات كبيرة من المعلومات. ويتعلم النموذج أنماطا وعلاقات يمكن أن تدعم مهاما لاحقة.
يمكن لمزيد من البيانات والحوسبة [Computing] تحسين هذه الأسس. لكن عملية تدريب أكبر [Training Run] لا تفسر وحدها الذكاء المفيد تفسيرا كاملا. فقد يمتلك النموذج معرفة عامة واسعة، ومع ذلك يحتاج إلى حكم أفضل، أو خبرة خاصة بالمهمة، أو الوصول إلى معلومات لم يصادفها أثناء التدريب.
ولهذا لا يمكن أن يتوقف السؤال عند ما إذا كانت إمدادات المواد التي يكتبها البشر ستصبح في النهاية قيدا. فالمراحل التالية قد تغيّر طريقة تعلّم النظام والعمل الذي يؤديه على حد سواء.
2. يغيّر التدريب اللاحق طريقة استخدام الأساس
يصقل التدريب اللاحق [Post-training] النموذج بعد تعلّمه الأولي. وينتقل التركيز نحو السلوك والمهام العملية وأنواع الاستجابات التي يحتاج إليها الناس.
يمكن للبيانات الاصطناعية [Synthetic Data] أن تسهم في هذه العملية. فبوسع النظام توليد أمثلة، واستكشاف تنويعات، وإنتاج مواد تصبح مفيدة لمزيد من التعلّم. وتكمن القيمة في جودة الخبرة الناتجة، لا في مجرد كون آلة قد أنتجتها.
هذا التمييز مهم. فتوليد مزيد من المواد لا يثبت تلقائيا صحتها. والحلقة المفيدة تنتقي الخبرات الجديرة بالاحتفاظ بها وتستخدمها لتحسين السلوك اللاحق. أما زيادة الكمية من دون انتقاء فقد تكرر نقاط الضعف بدلا من تصحيحها.
3. تجعل حوسبة وقت الاختبار الاستدلال مشكلة أصعب
يُتصور الاستدلال [Inference] أحيانا على أنه خطوة أخيرة بسيطة: لقد تعلّم النموذج بالفعل، ولذلك ينبغي ألا يتطلب إنتاج إجابة إلا قدرا ضئيلا من العمل الإضافي.
يتحدى التوسع في وقت الاختبار [Test-time Scaling] هذه الصورة. فقد تتطلب المهمة الصعبة من النظام تقسيم المشكلة إلى أجزاء أصغر، ومقارنة الأساليب الممكنة، والبحث عن المعلومات، وإعادة النظر في محاولة لم تنجح.
عندئذ تعتمد متطلبات الحوسبة [Computing Requirement] على ما يجب أن يفعله النظام قبل تقديم إجابة مفيدة. فقد تأتي استجابة قصيرة بعد عمل كبير. وعلى العكس، ليست الاستجابة الطويلة دليلا على الاستدلال المتأني.
وبالنسبة إلى الشركات، يجعل ذلك زمن الاستجابة [Latency] وجودة الإجابة وتكلفة التشغيل خيارات مترابطة. فالإجابة الفورية الأقل تكلفة ليست دائما المهمة المنجزة بنجاح بأقل تكلفة.
4. يضيف التوسع القائم على الوكلاء التنسيق إلى القدرة
يقدّم التوسع القائم على الوكلاء [Agentic Scaling] مسارا آخر: يمكن للنظام توزيع العمل بين عدة وكلاء [Agents] بدلا من مطالبة نموذج واحد بأداء كل شيء بالتتابع.
قد يفحص وكيل السجلات بينما يقارن آخر الخيارات. ويمكن لنتائجهما أن تدعم نتيجة مشتركة. وهذا شكل من النمو يختلف عن تكبير نموذج واحد أو منحه مزيدا من الوقت.
المقارنة بالمؤسسة مفيدة. فقد يزيد عدد الموظفين القدرة، ولكن فقط عندما تكون المسؤوليات والتواصل والقرار النهائي واضحة. وكذلك يخلق ازدياد الوكلاء عملا يتعلق بالتنسيق والتوفيق بين النتائج والتحقق منها. عددهم مدخل، لا مقياس للنجاح.
5. تشكّل المراحل الأربع حلقة تعلّم
أهم صلة هي ما يحدث بعد أن يعمل النظام. فالخبرات المفيدة التي يكتسبها الوكلاء قد تصبح مادة لتدريب لاحق. ثم تستطيع النماذج المصقولة دعم استدلال أفضل ووكلاء أكثر فاعلية.
ولذلك لا يلزم أن يظل التدريب المسبق [Pre-training] والتدريب اللاحق [Post-training] والعمل في وقت الاختبار [Test-time Work] ونشاط الوكلاء [Agentic Activity] في خانات منفصلة. إذ يمكن أن يغذي بعضها بعضا.
وهذا يغيّر أيضا سؤال البنية التحتية [Infrastructure]. فتدريب نموذج، والبحث في الملفات، وتنسيق عمل عدة عاملين تفرض متطلبات مختلفة على المعالجات [Processors] والذاكرة [Memory] والتخزين [Storage] والشبكات [Networking]. وقد لا يلائم نظام صُمم حول اختبار أداء ضيق واحد [Benchmark] سير العمل الكامل [Workflow].
خاتمة: قيسوا العمل، لا النموذج وحده
ينقل إطار Huang المكوّن من أربعة أجزاء النقاش إلى ما وراء فكرة أن تقدم AI لا يعني سوى نموذج أكبر جرى تدريبه مرة واحدة على مجموعة بيانات أكبر [Dataset].
والدرس العملي هو تحديد المواضع التي تؤدي فيها الحوسبة الإضافية [Computing] إلى نتيجة أفضل. هل تحتاج المهمة إلى أسس أفضل، أم صقل أكثر فائدة، أم وقت أطول لحل المشكلات، أم تقسيم منسق للعمل؟
ينبغي للمؤسسة أن تقيّم الإجابة من خلال المهام المنجزة والجودة والوقت والتكلفة الإجمالية. وهذه نقطة بداية أنفع من عدّ المعلمات [Parameters] أو الوكلاء [Agents] وحدهم. فسؤال الحوسبة في المستقبل يتعلق بمنظومة التعلّم والعمل بأكملها.
Powered By K7