قال الدكتور رامي شاهين خبير تكنولوجيا المعلومات و المدرب المعتمد في الذكاء الاصطناعي وبناء الميزة التنافسية من جامعة هلسنكي ، أن الذكاء الاصطناعي لم يصل الي المطلوب وأمريكا هي المسيطرة ، مشيرًا الي أن تفاعل السوق مع إعلان DeepSeek الجديد بخسارة تقارب التريليون دولار لشركات تصنيع الرقائق. ما أظهرته DeepSeek بشكل أساسي هو أنها طورت نماذج ذكاء اصطناعي توليدي GenAI أرخص بحوالي 20 مرة في التدريب و20 مرة في تنفيذ الاستدلال مقارنةً بالنماذج المقدمة من قادة الصناعة. هذا بالتأكيد تحسن هائل.
شاهين : الفترة المقبلة سوف تشهد إدخال المزيد من الذكاء الاصطناعي
وتوقع شاهين أن تشهد الفترة المقبلة تحسينات أكبر مع عمل أعظم العقول في العالم على تحسين كفاءة هذه النماذج، وتحسين العديد من الخطوات المعتمدة على القوة ، وإدخال المزيد من الذكاء الاصطناعي في هذه النماذج. ومع ذلك، أعتقد أن الافتراض القائل بأن تحسين أداء النماذج سيؤدي إلى تقليل الموارد الحسابية المطلوبة لخدمات الذكاء الاصطناعي المستقبلية هو تبسيط مفرط للأمور لحد الان لم يحل نماذج الذكاء الاصطناعي تحديات كثيرة بسيطة ولا حتى بأي نظام فمثلا حاول أسأل الذكاء الاصطناعي من إنتاج صورة ١٠ و ثلاث دقائق في كل مرة سينتج صورة ب ١٠ و ١٠ ولا يمكنهم ينتج ١٠ و ٣ دقائق او حاول اطلب من ذكاء الاصطناعي رسم صورة لشخص يكتب في يساره ان هذه الأمثلة قياسية فقط لتوصيل الفكرة ولكنها ستفسر الكثير.
اضاف ، أنه عادةً ما تتطلب عملية التقييم في تعلم الآلة الكلاسيكي بين 10³ و10⁵ عملية حسابية FLOPs ، في حين أن استدلال نموذج الذكاء الاصطناعي التوليدي النموذجي يتطلب بين 10¹⁰ و10¹² عملية حسابية، مما يعني أن تنفيذ استدلال الذكاء الاصطناعي التوليدي أغلى بكثير من التنبؤ أو التوصية باستخدام تعلم الآلة التقليدي.
وأشار خبير تكنولوجيا المعلومات أن هذا السعر المرتفع يحد من استخدامات نماذج الذكاء الاصطناعي التوليدي إلى مجموعة صغيرة من الحالات ذات القيمة العالية مقارنة بالبيانات. ما نراه الآن من حالات استخدام هو مجرد قمة جبل الجليد، وبخفض التكلفة، سنشهد زيادة هائلة في التطبيقات التي تصبح اقتصاديًا قابلة للتنفيذ. على سبيل المثال، تحليل المشاعر لعدة غيغابايت من البيانات النصية يكلف حاليًا آلاف الدولارات باستخدام النماذج اللغوية الكبيرة LLM ، بينما يمكن لنماذج تحليل المشاعر التقليدية القيام بذلك بأقل من دولار واحد.
اضاف أنه بالطبع، النماذج اللغوية الكبيرة قادرة على الإجابة عن أسئلة أكثر تعقيدًا بكثير من مجرد تحليل المشاعر، مما يفتح الباب لفرص غير محدودة في استخدامات تحليل البيانات على كميات هائلة من البيانات النصية والوسائط المخزنة في مستودعات البيانات، البحيرات الرقمية، أو الأرشيفات. ينطبق نفس المنطق على التدريب، حيث يجعل انخفاض تكلفة تدريب نماذج LLM عمليات التخصيص والتدريب الأولي اقتصاديًا أكثر لمجموعة أكبر من العملاء.
الحاجة الي إلي ابتكارات مثل DeepSeek
وكشف الدكتور رامي أننا بحاجة الي مزيد من الابتكارات مثل ابتكار ديب سيك DeepSeek ، التي تخفض تكلفة استدلال نماذج الذكاء الاصطناعي بشكل أكبر. التكلفة الحالية لتشغيل النماذج اللغوية الكبيرة تشكل حاجزًا رئيسيًا أمام عالم واسع من حالات الاستخدام الواعدة. يجب أن يكون تسعير الرموز بعدد المليارات بدلاً من الملايين. ومع انخفاض الأسعار، سنشهد انفجارًا في الطرق التي تُستخدم بها هذه النماذج. قم ببنائها، اجعلها ميسورة التكلفة، وسيأتي الناس بأعداد هائلة.
مجالات بحثية ممكنة لتطوير نماذج الذكاء الاصطناعي التوليدي
في سياق متصل أكد شاهين أن هناك مجالات بحثية ممكنة لتطوير نماذج ذكاء اصطناعي توليدي جديدة وتحسين الكفاءة ودروس المستفادة من deepseek مع العلم انه منذ اسبوع deepseek api لا يعمل ابدا ، مشيرًا الي أن تلك المجالات يمكن تلخيصها في العناصر التالية :
1 – تحسين كفاءة الاستدلال والتدريب :
تطوير بنى نماذج جديدة تعتمد على تقنيات أقل استهلاكًا للطاقة ، و استكشاف استخدام شبكات الانتباه الفعالة Efficient Transformers لتقليل عدد العمليات الحسابية ، بالاضافة الي تحسين استراتيجيات التقليم (Pruning) وتكميم النماذج Quantization لتقليل حجم النموذج مع الحفاظ على الأداء.
2- تعزيز كفاءة استهلاك الموارد
تطوير طرق جديدة لضغط النماذج دون التأثير على دقة النتائج ، من خلال البحث في استخدام الحوسبة العصبية Neuromorphic Computing لتقليد طريقة عمل الدماغ البشري وتقليل الاستهلاك الطاقي ، و استكشاف الذكاء الاصطناعي منخفض الطاقة (Low-Power AI) لتشغيل النماذج على أجهزة محدودة الموارد مثل الهواتف المحمولة وإنترنت الأشياء.
3 – النماذج الهجينة Hybrid Models
الجمع بين التعلم العميق والطرق الإحصائية لتحسين الكفاءة وتقليل الحاجة إلى بيانات ضخمة ، مع دمج التعلم التعزيزي Reinforcement Learning مع النماذج التوليدية لتحسين القدرة على اتخاذ القرارات ، مع تطوير نماذج قائمة على الموجّهات العصبية Neurosymbolic AI للجمع بين الفهم العميق للبيانات والتفكير المنطقي.
4- تقنيات الذاكرة الفعالة Efficient Memory Management
استكشاف آليات التذكر الانتقائي (Selective Memory) لتخزين البيانات الضرورية فقط وتقليل الحاجة إلى عمليات حسابية متكررة ، من خلال استخدام التخزين المؤقت الذكي (Smart Caching) لتسريع عمليات الاستدلال.
5- التعلم المستمر Continual Learning وتقليل الحاجة إلى البيانات الضخمة
تطوير طرق جديدة لتعليم النماذج بدون الحاجة إلى إعادة التدريب المتكرر Few-shot أو Zero-shot learning ، من خلال استكشاف طرق التعلم المتكيف (Adaptive Learning) التي تجعل النماذج تتكيف مع البيانات الجديدة دون فقدان المعرفة السابقة.
تحسين تقنيات النقل المعرفي (Transfer Learning) لجعل النماذج قادرة على التعلم من كميات صغيرة من البيانات.
6- تقنيات معالجة اللغة الطبيعية NLP المتطورة
تحسين طرق ضغط البيانات النصية لاستخدام أقل عدد من التوكنات مع الحفاظ على المعنى الكامل ، مع تطوير نماذج تعتمد على التوليد العكسي Inverse Generation لتحليل البيانات بطريقة أكثر كفاءة ، علاوة علي دراسة تأثير الهياكل النحوية العميقة Deep Syntax Parsing في تقليل استهلاك الموارد الحسابية.
7- تعزيز الأمن والخصوصية في النماذج التوليدية
تطوير تقنيات التدريب الفيدرالي Federated Learning لحماية البيانات أثناء التدريب، والبحث في نماذج الخصوصية التفاضلية Differential Privacy AI للحفاظ على سرية البيانات أثناء التعلم والاستدلال ، مع تحسين مقاومة النماذج للهجمات الضارة مثل هجمات التسميم والتلاعب بالبيانات.
8 – الذكاء الاصطناعي الكمومي Quantum AI
استكشاف استخدام الخوارزميات الكمومية في تدريب وتشغيل نماذج الذكاء الاصطناعي التوليدي بكفاءة أعلى ، و البحث في كيفية تقليل استهلاك الطاقة من خلال الحوسبة الكمومية لحل مشكلات تعلم الآلة المعقدة.
وانتهي شاهيم الي أن الذكاء الاصطناعي التوليدي لايزال في مراحله الأولى، ومع تقدم الأبحاث في هذه المجالات، يمكننا تقليل التكاليف التشغيلية وزيادة عدد التطبيقات الممكنة. الابتكار في هذه الاتجاهات سيجعل الذكاء الاصطناعي أكثر كفاءة، وأقل تكلفة، وأكثر انتشارًا في مختلف الصناعات.
