تتسابق مختبرات الذكاء الاصطناعي لبناء مراكز بيانات كبيرة مثل مانهاتن، حيث يتكلف كل منها مليارات الدولارات ويستهلك طاقة تعادل ما تستهلكه مدينة صغيرة. هذا الجهد مدفوع بإيمان عميق بـ “التوسع” – فكرة أن إضافة المزيد من القوة الحاسوبية إلى أساليب تدريب الذكاء الاصطناعي الحالية ستؤدي في النهاية إلى أنظمة فائقة الذكاء قادرة على أداء جميع أنواع المهام.
لكن مجموعة متزايدة من الباحثين في مجال الذكاء الاصطناعي يقولون إن توسيع نطاق نماذج اللغات الكبيرة قد يصل إلى حدوده القصوى، وأن اختراقات أخرى قد تكون ضرورية لتحسين أداء الذكاء الاصطناعي.
هذا هو الرهان الذي تخوضه سارة هوكر، نائبة الرئيس السابقة لأبحاث الذكاء الاصطناعي في شركة Cohere وخريجة برنامج Google Brain، مع شركتها الناشئة الجديدة Adaption Labs. شاركت في تأسيس الشركة مع زميلها كوهير والمخضرم سوديب روي في Google، وهي مبنية على فكرة أن توسيع نطاق LLMs أصبح وسيلة غير فعالة للحصول على المزيد من الأداء من نماذج الذكاء الاصطناعي. أعلن هوكر، الذي غادر شركة كوهير في أغسطس، بهدوء عن الشركة الناشئة هذا الشهر لبدء التوظيف على نطاق أوسع.
في مقابلة مع TechCrunch، قال هوكر إن Adaption Labs تقوم ببناء أنظمة ذكاء اصطناعي يمكنها التكيف والتعلم بشكل مستمر من تجاربها في العالم الحقيقي، والقيام بذلك بكفاءة عالية. ورفضت مشاركة تفاصيل حول الأساليب الكامنة وراء هذا النهج أو ما إذا كانت الشركة تعتمد على LLMs أو بنية أخرى.
قال هوكر: “هناك نقطة تحول الآن، حيث أصبح من الواضح جدًا أن صيغة توسيع نطاق هذه النماذج – وهي أساليب قابلة للقياس، وهي جذابة ولكنها مملة للغاية – لم تنتج ذكاءً قادرًا على التنقل أو التفاعل مع العالم”.
التكيف هو “قلب التعلم”، وفقا لهوكر. على سبيل المثال، اصطدم بإصبع قدمك عندما تمر بالقرب من طاولة غرفة الطعام، وسوف تتعلم كيفية التحرك بحذر أكبر حوله في المرة القادمة. حاولت مختبرات الذكاء الاصطناعي استيعاب هذه الفكرة من خلال التعلم المعزز (RL)، والذي يسمح لنماذج الذكاء الاصطناعي بالتعلم من أخطائها في إعدادات خاضعة للتحكم. ومع ذلك، فإن أساليب التعلم عن بعد اليوم لا تساعد نماذج الذكاء الاصطناعي في الإنتاج – أي الأنظمة التي يستخدمها العملاء بالفعل – على التعلم من أخطائهم في الوقت الفعلي. إنهم يستمرون في ضرب إصبع قدمهم.
تقدم بعض مختبرات الذكاء الاصطناعي خدمات استشارية لمساعدة المؤسسات على ضبط نماذج الذكاء الاصطناعي الخاصة بها بما يتناسب مع احتياجاتها المخصصة، ولكن ذلك يأتي بثمن. يقال إن OpenAI تطلب من العملاء إنفاق ما يزيد عن 10 ملايين دولار مع الشركة لتقديم خدماتها الاستشارية بشأن الضبط الدقيق.
حدث تك كرانش
سان فرانسيسكو
|
27-29 أكتوبر 2025
قال هوكر: “لدينا عدد قليل من المختبرات الرائدة التي تحدد هذه المجموعة من نماذج الذكاء الاصطناعي التي يتم تقديمها بنفس الطريقة للجميع، كما أن التكيف معها مكلف للغاية”. “وفي الواقع، أعتقد أنه لم يعد من الضروري أن يكون هذا صحيحًا بعد الآن، ويمكن لأنظمة الذكاء الاصطناعي أن تتعلم بكفاءة عالية من البيئة. وإثبات ذلك سيغير تمامًا ديناميكيات من يمكنه التحكم في الذكاء الاصطناعي وتشكيله، وفي الواقع، من تخدمه هذه النماذج في نهاية اليوم. “
تعد Adaption Labs أحدث علامة على أن إيمان الصناعة بتوسيع نطاق LLMs يتذبذب. وجدت دراسة حديثة أجراها باحثون من معهد ماساتشوستس للتكنولوجيا أن أكبر نماذج الذكاء الاصطناعي في العالم قد تظهر قريبًا عوائد متناقصة. يبدو أن المشاعر في سان فرانسيسكو تتغير أيضًا. استضاف مذيع البودكاست المفضل في عالم الذكاء الاصطناعي، دواركيش باتل، مؤخرًا بعض المحادثات المتشككة بشكل غير عادي مع باحثين مشهورين في الذكاء الاصطناعي.
قال ريتشارد ساتون، الحائز على جائزة تورينج والذي يُنظر إليه على أنه “أبو RL”، لباتل في شهر سبتمبر/أيلول إن حاملي شهادة الماجستير في القانون لا يستطيعون التوسع حقًا لأنهم لا يتعلمون من تجارب العالم الحقيقي. هذا الشهر، أخبر أندريه كارباثي، أحد الموظفين الأوائل في OpenAI، باتيل أن لديه تحفظات بشأن الإمكانات طويلة المدى لـ RL لتحسين نماذج الذكاء الاصطناعي.
هذه الأنواع من المخاوف ليست غير مسبوقة. في أواخر عام 2024، أثار بعض الباحثين في مجال الذكاء الاصطناعي مخاوف من أن توسيع نطاق نماذج الذكاء الاصطناعي من خلال التدريب المسبق – الذي تتعلم فيه نماذج الذكاء الاصطناعي الأنماط من أكوام من مجموعات البيانات – كان يحقق عوائد متناقصة. حتى ذلك الحين، كان التدريب المسبق بمثابة الخلطة السرية لشركة OpenAI وGoogle لتحسين نماذجهما.
تظهر الآن هذه المخاوف بشأن توسيع نطاق التدريب المسبق في البيانات، لكن صناعة الذكاء الاصطناعي وجدت طرقًا أخرى لتحسين النماذج. في عام 2025، أدت الإنجازات التي تحققت حول نماذج استدلال الذكاء الاصطناعي، والتي تستغرق وقتًا إضافيًا وموارد حسابية لحل المشكلات قبل الإجابة عليها، إلى دفع قدرات نماذج الذكاء الاصطناعي إلى أبعد من ذلك.
تبدو مختبرات الذكاء الاصطناعي مقتنعة بأن توسيع نطاق نماذج الاستدلال RL و AI هي الحدود الجديدة. صرح باحثو OpenAI سابقًا لـ TechCrunch أنهم طوروا أول نموذج استدلال للذكاء الاصطناعي، o1، لأنهم اعتقدوا أنه سيتوسع بشكل جيد. أصدر باحثو Meta وPeriodic Labs مؤخرًا ورقة بحثية تستكشف كيف يمكن لـ RL توسيع نطاق الأداء بشكل أكبر – وهي دراسة قيل إنها تكلف أكثر من 4 ملايين دولار، مما يؤكد مدى تكلفة الأساليب الحالية.
وعلى النقيض من ذلك، تهدف مختبرات التكيف إلى التوصل إلى الإنجاز التالي، وإثبات أن التعلم من التجربة قد يكون أقل تكلفة بكثير. كانت الشركة الناشئة تجري محادثات لجمع مبلغ يتراوح بين 20 مليون دولار إلى 40 مليون دولار في وقت سابق من هذا الخريف، وفقًا لثلاثة مستثمرين قاموا بمراجعة عروضها الترويجية. ويقولون إن الجولة أغلقت منذ ذلك الحين، على الرغم من أن المبلغ النهائي غير واضح. ورفض هوكر التعليق.
قالت هوكر، عندما سئلت عن مستثمريها: “نحن مستعدون لنكون طموحين للغاية”.
قادت هوكر سابقًا شركة Cohere Labs، حيث قامت بتدريب نماذج الذكاء الاصطناعي الصغيرة لحالات الاستخدام المؤسسي. تتفوق أنظمة الذكاء الاصطناعي المدمجة الآن بشكل روتيني على نظيراتها الأكبر حجمًا في معايير البرمجة والرياضيات والاستدلال – وهو اتجاه يريد هوكر الاستمرار فيه.
كما أنها اكتسبت سمعة طيبة في توسيع نطاق الوصول إلى أبحاث الذكاء الاصطناعي على مستوى العالم، وتوظيف المواهب البحثية من المناطق الممثلة تمثيلا ناقصا مثل أفريقيا. وفي حين ستفتتح شركة Adaption Labs مكتبًا لها في سان فرانسيسكو قريبًا، تقول هوكر إنها تخطط للتوظيف في جميع أنحاء العالم.
إذا كان هوكر وAdaption Labs على حق بشأن القيود المفروضة على التوسع، فقد تكون العواقب ضخمة. لقد تم بالفعل استثمار المليارات في توسيع نطاق شهادات الماجستير في القانون، مع افتراض أن النماذج الأكبر ستؤدي إلى الذكاء العام. ولكن من الممكن أن يكون التعلم التكيفي الحقيقي ليس أكثر قوة فحسب، بل أكثر كفاءة بكثير.
ساهمت مارينا تيمكين في إعداد التقارير.
