معركة الموديلات المئة في مجال الذكاء الاصطناعي: من مشكلة أكاديمية إلى مشكلة هندسية
في الشهر الماضي، اندلعت حرب "الحيوانات" في صناعة الذكاء الاصطناعي.
من ناحية، هناك نموذج Llama الذي أطلقته Meta، والذي يحظى بشعبية كبيرة في مجتمع المطورين بسبب طبيعته مفتوحة المصدر. من ناحية أخرى، يوجد نموذج كبير يسمى Falcon. في مايو، تم إصدار Falcon-40B، الذي تفوق على Llama ليعتلي قمة قائمة LLM مفتوحة المصدر.
تم إعداد هذه القائمة من قبل مجتمع النماذج المفتوحة المصدر، وتقدم مجموعة من المعايير لقياس قدرة LLM وتصنيفها. القائمة تتكون بشكل أساسي من Llama وFalcon يتبادلان الصدارة. بعد إطلاق Llama 2، استعاد عائلة Llama بعض النقاط؛ بحلول بداية سبتمبر، أصدرت Falcon النسخة 180B، محققة مرة أخرى تصنيفًا أعلى.
المثير للاهتمام هو أن مطوري Falcon هم من معهد الابتكار التكنولوجي في أبوظبي، عاصمة الإمارات العربية المتحدة. وأكدت الإمارات أن مشاركتها في هذا المجال تهدف إلى إحداث ثورة في اللاعبين الرئيسيين.
اليوم، دخلت مجال الذكاء الاصطناعي مرحلة "فوضى جماعية": الدول والشركات ذات القدرة المالية، جميعها تعمل على بناء نماذج لغوية ضخمة خاصة بها. فقط في دائرة الدول الخليجية، هناك أكثر من لاعب واحد. في أغسطس، اشترت المملكة العربية السعودية أكثر من 3000 شريحة H100 للجامعات المحلية، لاستخدامها في تدريب LLM.
إن هذا الوضع المتنوع في صناعة الذكاء الاصطناعي يعود الفضل فيه إلى ورقة بحثية نشرتها جوجل في عام 2017 بعنوان "Attention Is All You Need". هذه الورقة قدمت خوارزمية Transformer، التي أصبحت المحرك الرئيسي لهذه الموجة الحالية من الذكاء الاصطناعي. جميع النماذج الكبيرة الحالية، بما في ذلك سلسلة GPT التي صدمت العالم، تستند إلى أساس Transformer.
ظهور Transformers أبطأ بشكل كبير من سرعة الابتكار في خوارزميات المستوى الأساسي في الأوساط الأكاديمية. أصبحت عناصر الهندسة مثل هندسة البيانات، وحجم القوة الحاسوبية، وبنية النموذج عوامل مهمة في المنافسة في مجال الذكاء الاصطناعي. يمكن لأي شركة تقنية تمتلك مستوى معين من القدرات التقنية تطوير نماذج كبيرة.
ومع ذلك، فإن سهولة الدخول لا تعني أن الجميع يمكن أن يصبحوا عمالقة في عصر الذكاء الاصطناعي. تكمن القوة التنافسية الأساسية للنماذج الكبيرة المفتوحة في مجتمع المطورين النشط. أصبحت سلسلة Llama من Meta معياراً للنماذج اللغوية المفتوحة، حيث تم تطوير العديد من النماذج بناءً عليها.
في الوقت نفسه، لا يزال الفارق في الأداء واضحًا. في أحدث اختبار لـ AgentBench، حصل GPT-4 على 4.41 نقطة متفوقًا بفارق كبير، بينما كانت نتائج نماذج LLM مفتوحة المصدر الأخرى تدور حول 1 نقطة. يعود هذا الفارق إلى خبرة فرق العلماء الرائدة والتراكم الطويل للبحث.
بالإضافة إلى التحديات التقنية، فإن الربحية تمثل أيضًا مشكلة كبيرة. حاليًا، تواجه معظم شركات الذكاء الاصطناعي مشكلة عدم التوازن الشديد بين التكاليف والإيرادات. يُقدّر أن الشركات التكنولوجية العالمية ستستثمر سنويًا 200 مليار دولار في بنية النماذج الكبيرة، في حين من المتوقع أن تكون الإيرادات فقط 75 مليار دولار، مما يخلق فجوة كبيرة.
بشكل عام، يشهد مجال الذكاء الاصطناعي تحولًا من كونها مسائل أكاديمية إلى مسائل هندسية. على الرغم من انخفاض عتبة الدخول، لا تزال قيمة الابتكار والنجاح التجاري تواجه العديد من التحديات. قد يعتمد الفائزون في المستقبل ليس فقط على النماذج نفسها، ولكن أيضًا على تحقيق اختراقات في سيناريوهات التطبيق، وبناء النظم البيئية، ونماذج الأعمال.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
دخلت صناعة الذكاء الاصطناعي في معركة النماذج المئة، حيث انخفضت عوائق التكنولوجيا لكن التحديات التجارية لا تزال قائمة.
معركة الموديلات المئة في مجال الذكاء الاصطناعي: من مشكلة أكاديمية إلى مشكلة هندسية
في الشهر الماضي، اندلعت حرب "الحيوانات" في صناعة الذكاء الاصطناعي.
من ناحية، هناك نموذج Llama الذي أطلقته Meta، والذي يحظى بشعبية كبيرة في مجتمع المطورين بسبب طبيعته مفتوحة المصدر. من ناحية أخرى، يوجد نموذج كبير يسمى Falcon. في مايو، تم إصدار Falcon-40B، الذي تفوق على Llama ليعتلي قمة قائمة LLM مفتوحة المصدر.
تم إعداد هذه القائمة من قبل مجتمع النماذج المفتوحة المصدر، وتقدم مجموعة من المعايير لقياس قدرة LLM وتصنيفها. القائمة تتكون بشكل أساسي من Llama وFalcon يتبادلان الصدارة. بعد إطلاق Llama 2، استعاد عائلة Llama بعض النقاط؛ بحلول بداية سبتمبر، أصدرت Falcon النسخة 180B، محققة مرة أخرى تصنيفًا أعلى.
المثير للاهتمام هو أن مطوري Falcon هم من معهد الابتكار التكنولوجي في أبوظبي، عاصمة الإمارات العربية المتحدة. وأكدت الإمارات أن مشاركتها في هذا المجال تهدف إلى إحداث ثورة في اللاعبين الرئيسيين.
اليوم، دخلت مجال الذكاء الاصطناعي مرحلة "فوضى جماعية": الدول والشركات ذات القدرة المالية، جميعها تعمل على بناء نماذج لغوية ضخمة خاصة بها. فقط في دائرة الدول الخليجية، هناك أكثر من لاعب واحد. في أغسطس، اشترت المملكة العربية السعودية أكثر من 3000 شريحة H100 للجامعات المحلية، لاستخدامها في تدريب LLM.
إن هذا الوضع المتنوع في صناعة الذكاء الاصطناعي يعود الفضل فيه إلى ورقة بحثية نشرتها جوجل في عام 2017 بعنوان "Attention Is All You Need". هذه الورقة قدمت خوارزمية Transformer، التي أصبحت المحرك الرئيسي لهذه الموجة الحالية من الذكاء الاصطناعي. جميع النماذج الكبيرة الحالية، بما في ذلك سلسلة GPT التي صدمت العالم، تستند إلى أساس Transformer.
ظهور Transformers أبطأ بشكل كبير من سرعة الابتكار في خوارزميات المستوى الأساسي في الأوساط الأكاديمية. أصبحت عناصر الهندسة مثل هندسة البيانات، وحجم القوة الحاسوبية، وبنية النموذج عوامل مهمة في المنافسة في مجال الذكاء الاصطناعي. يمكن لأي شركة تقنية تمتلك مستوى معين من القدرات التقنية تطوير نماذج كبيرة.
ومع ذلك، فإن سهولة الدخول لا تعني أن الجميع يمكن أن يصبحوا عمالقة في عصر الذكاء الاصطناعي. تكمن القوة التنافسية الأساسية للنماذج الكبيرة المفتوحة في مجتمع المطورين النشط. أصبحت سلسلة Llama من Meta معياراً للنماذج اللغوية المفتوحة، حيث تم تطوير العديد من النماذج بناءً عليها.
في الوقت نفسه، لا يزال الفارق في الأداء واضحًا. في أحدث اختبار لـ AgentBench، حصل GPT-4 على 4.41 نقطة متفوقًا بفارق كبير، بينما كانت نتائج نماذج LLM مفتوحة المصدر الأخرى تدور حول 1 نقطة. يعود هذا الفارق إلى خبرة فرق العلماء الرائدة والتراكم الطويل للبحث.
بالإضافة إلى التحديات التقنية، فإن الربحية تمثل أيضًا مشكلة كبيرة. حاليًا، تواجه معظم شركات الذكاء الاصطناعي مشكلة عدم التوازن الشديد بين التكاليف والإيرادات. يُقدّر أن الشركات التكنولوجية العالمية ستستثمر سنويًا 200 مليار دولار في بنية النماذج الكبيرة، في حين من المتوقع أن تكون الإيرادات فقط 75 مليار دولار، مما يخلق فجوة كبيرة.
بشكل عام، يشهد مجال الذكاء الاصطناعي تحولًا من كونها مسائل أكاديمية إلى مسائل هندسية. على الرغم من انخفاض عتبة الدخول، لا تزال قيمة الابتكار والنجاح التجاري تواجه العديد من التحديات. قد يعتمد الفائزون في المستقبل ليس فقط على النماذج نفسها، ولكن أيضًا على تحقيق اختراقات في سيناريوهات التطبيق، وبناء النظم البيئية، ونماذج الأعمال.