- ديب سيك تقترح طريقة جديدة لتوسيع نطاق الذكاء الاصطناعي دون الحاجة إلى قوة حوسبة إضافية.
- يرى الباحثون إمكانات كبيرة لكنهم يحذرون من أن المزيد من الاختبارات لا يزال مطلوبًا.
- قد يعيد mHC تشكيل كيفية تدريب نماذج اللغة الكبيرة.
في وقت تكون فيه هناك مشكلات مع التكاليف المتزايدة لتطوير وصيانة الذكاء الاصطناعي وكمية محدودة من الأجهزة المتاحة، قدمت DeepSeek خطة جديدة لتطوير وتوسع الذكاء الاصطناعي (AI).
تعتقد الشركة الناشئة الصينية أنها يمكن أن تنشئ نماذج ذكاء اصطناعي أفضل بشكل كبير دون بالضرورة إضافة المزيد من الرقائق وبالتالي زيادة استهلاك الطاقة. على الرغم من أن مفهوم mHC المقترح قد لفت انتباه كبير من العديد من الباحثين في الموضوع، إلا أنه يعتبر بشكل عام لا يزال في مراحله المبكرة.
سيكون هناك حاجة إلى مزيد من البحث لتحديد فوائد النهج في تطوير أنظمة الذكاء الاصطناعي الأكبر حجمًا. تم إصدار ورقة تقنية تفصيلية لمفهوم mHC الأسبوع الماضي وهي من تأليف ليانغ ونفيانغ، مؤسس DeepSeek ومديره التنفيذي.
DeepSeek يعيد التفكير في تصميم الشبكة لتوسع الذكاء الاصطناعي
واحد من المكونات الرئيسية للعمل هو إعادة تقييم كيفية نقل المعلومات بين الطبقات المختلفة لشبكة عصبية متعددة الطبقات.
تمر كل طبقة في شبكة عصبية شكلًا من أشكال المعلومات المعالجة إلى الطبقة التالية في النموذج، مما يخلق ما تم تسميته بـ «شبكة التعلم المتبقي» (ResNet). طورها كايمينغ هي من أبحاث مايكروسوفت وآخرون قبل حوالي عشر سنوات، وفرت ResNets الأساس الأساسي لعدد من أكثر أنظمة الذكاء الاصطناعي تقدمًا اليوم.
تم تطوير مفهوم بواسطة DeepSeek بعد أن قدمت ByteDance Hyper-Connections في عام 2024. تسمح Hyper-Connections للمعلومات بالسفر عبر مسارات متعددة في الشبكة، بدلاً من مسار رئيسي واحد فقط، مما يمكن أن يزيد من سرعة التعلم وثراء التجربة.
ومع ذلك، في حين أنها يمكن أن تكون مفيدة، يمكن أن تؤدي أيضًا إلى حدوثيات تدريبية مشكوك فيها، حيث تعاني النماذج من عدم استقرار في التدريب أو فشل كامل.
وفقًا لـ سونغ لينكي (جامعة هونغ كونغ للمدينة)، فإن بحث DeepSeek هو تقدم لفكرة موجودة، واستمرار لكيفية نظر DeepSeek إلى عمل الشركات الأخرى، بدلاً من اختراع شيء من الصفر.
يتم مقارنة ResNet بطريق سريع ذي مسار واحد بينما تشبه Hyper-Connections طريقًا سريعًا متعدد المسارات؛ ومع ذلك، حذر سونغ من أن وجود مسارات متعددة دون قواعد مناسبة قد يؤدي إلى المزيد من التصادمات.
يعتقد البروفيسور غو سونغ من جامعة هونغ كونغ للعلوم والتكنولوجيا أن ورقة البحث هذه قد تشير إلى تغيير في سلوك البحث لـ أبحاث الذكاء الاصطناعي. بدلاً من الاستمرار في إجراء تعديلات صغيرة على تصاميم النماذج الحالية، يشعر أن البحث قد يتطور نحو تطوير نماذج جديدة بناءً على التراكيب النظرية.
الباحثون يختبرون mHC لكن يثيرون مخاوف عملية
بينما هناك حماس حول الإنجاز الأخير الذي تم بلوغه في اختبار mHC للتعلم العميق، شدد الخبراء على أن البحث لا يزال غير مكتمل. استخدم الاختبار الذي قدمته DeepSeek فقط أربع مسارات من البيانات عند اختبار النماذج ذات 27 مليار معلمة.
«التي تجارب النماذج حتى 27 مليار معلمة، لكن كيف ستؤدي على النماذج الحدودية اليوم التي هي أكبر بمقدار مرتبة؟»
البروفيسور غو سونغ.
النماذج الذكاء الاصطناعي المتاحة اليوم أكبر وعادة ما تحتوي على مئات المليارات من المعلمات مقارنة بـ 30 مليار معلمة كانت المعيار قبل بضع سنوات فقط.
أعاد غو صدى هذه المشاعر وصرح بأنه لا يمكن لأحد أن يستنتج بعد ما إذا كان mHC سيتمكن من أداء العمل في حدود تقنية الذكاء الاصطناعي. كما صرح بأن البنية التحتية اللازمة لـ mHC للعمل قد تكون متقدمة جدًا للمؤسسات البحثية الأصغر للاستخدام ولشركات لاستخدامها على الأجهزة المحمولة.
وفقًا لـ Cryptopolitan، جاء شعبية DeepSeek من إطلاقهم لنموذج اللغة الكبير DeepSeek V3، والإطلاق اللاحق لنموذج الاستدلال DeepSeek-R1 بعد أسبوعين فقط.
عند مقارنة نتائج النماذج مع منافسيها أثناء اختبارات المعايير، تمكنت كلتا النماذج من الوصول إلى نتائج منافسيها أو تجاوزها على الرغم من أنها تم إصدارها باستخدام جزء فقط من بيانات التدريب المستخدمة للنماذج اللغوية المنافسة الأخرى.
إذا كنت تقرأ هذا، فأنت متقدّم بالفعل. ابق هناك مع نشرتنا الإخبارية.
Enacy Mapakame
إناسي ماباكامي صحفية تتمتع بأكثر من 10 سنوات من الخبرة في مجال الأخبار التجارية والمالية. وهي تغطي أسواق رأس المال والتقنيات الناشئة – مثل الميتافيرس والذكاء الاصطناعي والعملات الرقمية. وتحمل إناسي درجة بكالوريوس الآداب في دراسات الإعلام والمجتمع بتقدير امتياز.
