معركة "المئة نموذج" في مجال الذكاء الاصطناعي: مشكلات الهندسة تحل محل الخوارزمية الابتكارية
في الشهر الماضي، اندلعت "حرب الحيوانات" في عالم الذكاء الاصطناعي. أحد الأطراف هو نموذج Llama الذي أطلقته Meta، والذي يحظى بشعبية كبيرة بين المطورين بسبب طبيعته المفتوحة المصدر. الطرف الآخر هو نموذج Falcon الكبير، الذي تصدر قائمة LLM المفتوحة المصدر بعد صدوره في مايو.
من المثير للاهتمام أن مطوري Falcon هم من معهد الابتكار التكنولوجي في الإمارات. بعد إصدار النسخة 180B، تم اختيار وزير الذكاء الاصطناعي الإماراتي ضمن قائمة أكثر 100 شخصية تأثيرًا في مجال الذكاء الاصطناعي في مجلة تايم.
في الوقت الحاضر، تقوم الدول والشركات ذات القوة المالية بإنشاء نماذج لغوية كبيرة خاصة بها. هناك أكثر من لاعب واحد فقط في دول الخليج، حيث قامت السعودية مؤخرًا بشراء أكثر من 3000 شريحة H100 للجامعات المحلية لتدريب LLM.
خلف هذه "حرب النماذج المئة" تكمن فضيلة الخوارزمية Transformer. في عام 2017، أعلنت جوجل عن الخوارزمية Transformer في ورقة "الانتباه هو كل ما تحتاجه"، مما أصبح نقطة الانطلاق لهذه الموجة الحالية من الذكاء الاصطناعي. جميع النماذج الكبيرة التي تلت ذلك، بما في ذلك سلسلة GPT، تم بناؤها على أساس الخوارزمية Transformer.
حل الTransformer مشكلة صعوبة فهم السياق التي واجهتها الشبكات العصبية المبكرة، مما عزز بشكل كبير كفاءة التدريب ودفع الذكاء الاصطناعي إلى عصر النماذج الكبيرة. لقد حولت النماذج الكبيرة من بحث نظري إلى مشكلة هندسية بحتة - طالما أن هناك بيانات كافية، وقوة حسابية، وبنية نموذجية، يمكن لأي شركة تمتلك القدرة الفنية بناء نموذج كبير.
هذا أدى أيضًا إلى تباطؤ سرعة الابتكار في الخوارزمية الأساسية في الأوساط الأكاديمية، وأصبحت عناصر الهندسة مثل البيانات، وقوة الحوسبة، وهيكل النموذج، وما إلى ذلك، هي المفتاح في المنافسة على الذكاء الاصطناعي. وتشير بعض التحليلات إلى أنه حتى قدرة GPT-4 التنافسية تأتي في الغالب من الحلول الهندسية، وإذا تم فتح المصدر، يمكن للمنافسين نسخها بسرعة.
ومع ذلك، فإن سهولة الدخول لا تعني أن الجميع يمكن أن يصبحوا عمالقة في عصر الذكاء الاصطناعي. أصبحت سلسلة Llama من Meta بمثابة البوصلة لنماذج اللغة المفتوحة المصدر، ولديها مجتمع كبير من المطورين. ومن حيث الأداء، لا يزال GPT-4 بعيدًا عن المنافسة، بينما تجد النماذج الأخرى صعوبة في مجاراته.
تتمثل القوة التنافسية الأساسية للنموذج الكبير في بناء النظام البيئي أو القدرة على الاستدلال الخالص، وليس فقط في حجم المعلمات. مع تزايد نشاط المجتمع المفتوح المصدر، قد تتقارب أداءات نماذج اللغة الكبيرة المختلفة.
التحدي الأكبر هو نموذج الربح. باستثناء عدد قليل من الاستثناءات، تواجه معظم مزودي النماذج الكبيرة مشكلة عدم التوازن الشديد بين التكاليف والإيرادات. أصبحت تكلفة القدرة الحاسوبية العالية عائقًا أمام تطور الصناعة، ولم تتمكن شركات البرمجيات بعد من العثور على طريقة ربح واضحة بعد تحمل تكاليف ضخمة.
مع تزايد حدة المنافسة المتماثلة وزيادة نماذج المصادر المفتوحة، قد يواجه مقدمو النماذج الكبيرة ضغوطًا أكبر. في المستقبل، قد لا تكمن القيمة الحقيقية في النموذج نفسه، بل في سيناريوهات تطبيقه وقدرته على تحقيق الربح.
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.
تسجيلات الإعجاب 13
أعجبني
13
6
مشاركة
تعليق
0/400
rugpull_survivor
· منذ 3 س
يا ، الأثرياء السعوديون ينفقون الأموال بشكل جنوني
شاهد النسخة الأصليةرد0
SingleForYears
· 08-04 09:52
المبتدئين لا يفهمون هذه النماذج الكبيرة
شاهد النسخة الأصليةرد0
OnChainDetective
· 08-04 09:43
السعودية تقوم بتخزين الرقائق بشكل ضخم... هل الأموال الكبيرة التي رصدتها من الإمارات لها علاقة حقًا؟ مصدر الأموال وراء ذلك يستحق التعمق في التحليل.
معركة النماذج المئة للذكاء الاصطناعي: ظهور مفتوح المصدر والخوارزمية الابتكارية تتنازل لصالح الممارسة الهندسية
معركة "المئة نموذج" في مجال الذكاء الاصطناعي: مشكلات الهندسة تحل محل الخوارزمية الابتكارية
في الشهر الماضي، اندلعت "حرب الحيوانات" في عالم الذكاء الاصطناعي. أحد الأطراف هو نموذج Llama الذي أطلقته Meta، والذي يحظى بشعبية كبيرة بين المطورين بسبب طبيعته المفتوحة المصدر. الطرف الآخر هو نموذج Falcon الكبير، الذي تصدر قائمة LLM المفتوحة المصدر بعد صدوره في مايو.
من المثير للاهتمام أن مطوري Falcon هم من معهد الابتكار التكنولوجي في الإمارات. بعد إصدار النسخة 180B، تم اختيار وزير الذكاء الاصطناعي الإماراتي ضمن قائمة أكثر 100 شخصية تأثيرًا في مجال الذكاء الاصطناعي في مجلة تايم.
في الوقت الحاضر، تقوم الدول والشركات ذات القوة المالية بإنشاء نماذج لغوية كبيرة خاصة بها. هناك أكثر من لاعب واحد فقط في دول الخليج، حيث قامت السعودية مؤخرًا بشراء أكثر من 3000 شريحة H100 للجامعات المحلية لتدريب LLM.
خلف هذه "حرب النماذج المئة" تكمن فضيلة الخوارزمية Transformer. في عام 2017، أعلنت جوجل عن الخوارزمية Transformer في ورقة "الانتباه هو كل ما تحتاجه"، مما أصبح نقطة الانطلاق لهذه الموجة الحالية من الذكاء الاصطناعي. جميع النماذج الكبيرة التي تلت ذلك، بما في ذلك سلسلة GPT، تم بناؤها على أساس الخوارزمية Transformer.
حل الTransformer مشكلة صعوبة فهم السياق التي واجهتها الشبكات العصبية المبكرة، مما عزز بشكل كبير كفاءة التدريب ودفع الذكاء الاصطناعي إلى عصر النماذج الكبيرة. لقد حولت النماذج الكبيرة من بحث نظري إلى مشكلة هندسية بحتة - طالما أن هناك بيانات كافية، وقوة حسابية، وبنية نموذجية، يمكن لأي شركة تمتلك القدرة الفنية بناء نموذج كبير.
هذا أدى أيضًا إلى تباطؤ سرعة الابتكار في الخوارزمية الأساسية في الأوساط الأكاديمية، وأصبحت عناصر الهندسة مثل البيانات، وقوة الحوسبة، وهيكل النموذج، وما إلى ذلك، هي المفتاح في المنافسة على الذكاء الاصطناعي. وتشير بعض التحليلات إلى أنه حتى قدرة GPT-4 التنافسية تأتي في الغالب من الحلول الهندسية، وإذا تم فتح المصدر، يمكن للمنافسين نسخها بسرعة.
ومع ذلك، فإن سهولة الدخول لا تعني أن الجميع يمكن أن يصبحوا عمالقة في عصر الذكاء الاصطناعي. أصبحت سلسلة Llama من Meta بمثابة البوصلة لنماذج اللغة المفتوحة المصدر، ولديها مجتمع كبير من المطورين. ومن حيث الأداء، لا يزال GPT-4 بعيدًا عن المنافسة، بينما تجد النماذج الأخرى صعوبة في مجاراته.
تتمثل القوة التنافسية الأساسية للنموذج الكبير في بناء النظام البيئي أو القدرة على الاستدلال الخالص، وليس فقط في حجم المعلمات. مع تزايد نشاط المجتمع المفتوح المصدر، قد تتقارب أداءات نماذج اللغة الكبيرة المختلفة.
التحدي الأكبر هو نموذج الربح. باستثناء عدد قليل من الاستثناءات، تواجه معظم مزودي النماذج الكبيرة مشكلة عدم التوازن الشديد بين التكاليف والإيرادات. أصبحت تكلفة القدرة الحاسوبية العالية عائقًا أمام تطور الصناعة، ولم تتمكن شركات البرمجيات بعد من العثور على طريقة ربح واضحة بعد تحمل تكاليف ضخمة.
مع تزايد حدة المنافسة المتماثلة وزيادة نماذج المصادر المفتوحة، قد يواجه مقدمو النماذج الكبيرة ضغوطًا أكبر. في المستقبل، قد لا تكمن القيمة الحقيقية في النموذج نفسه، بل في سيناريوهات تطبيقه وقدرته على تحقيق الربح.