أظهرت دراسة أجرتها جوجل أن نماذج الذكاء الاصطناعي الأصغر حجماً تتفوق على النماذج الأكبر حجماً من حيث الكفاءة

وسط كل الدراسات التي سعت إلى تنظيم مجال الذكاء الاصطناعي، وتناولت مسألة ما إذا كانت هناك نقطة تتفوق فيها نماذج الذكاء الاصطناعي الأصغر حجمًا على النماذج الأكبر في الفعالية، حسمت دراسة مشتركة بين جوجل للأبحاث وجامعة جونز هوبكنز الجدل لصالحها. فقد أظهرت الدراسة أن النماذج الأصغر حجمًا، في مجال توليد الصور، تميل إلى الأداء بشكل أفضل من نظيراتها الأكبر. في الثاني من مايو، كشفت الدراسة التي قادها كانغفو مي وتشنغتشونغ تو عن خصائص التوسع لنماذج الانتشار الكامن. واكتشف الباحثان أن تغييرات دقة الصورة الناتجة لا تُحدث تغييرات جوهرية، إلا أن زيادة حجم النموذج قد تؤدي إلى تحسينات كبيرة. 

إعادة النظر في كفاءة نماذج الذكاء الاصطناعي

استخدمت الدراسات نماذج بيانات خطية (LDMs) تتراوح بين 39 مليونًا و5 مليارات مُعامل، مع تنوع في المهام، بما في ذلك تحويل النصوص إلى صور، وتحسين دقة الصور، وتحسين دقة الصور المُوجّهة حسب الموضوع. خضع المشاركون لعمليات تدريب وتقييم دقيقة ومُحكمة. وقد أثبتت الدراسات أن النماذج الأصغر حجمًا تُحقق أداءً ممتازًا، حتى وإن لم تكن أكبر من النماذج المُقارنة، مما يُشير إلى أنه عندما تكون القدرة الحاسوبية محدودة، يُمكن للنماذج الأصغر أن تتفوق على النماذج الأكبر.

أظهرت الاستكشافات التي أجريت في هذه الدراسة أنها معقدة. أول ما تجدر الإشارة إليه هو أن النماذج الصغيرة ذات أداء عالٍ، وتعطي كفاءة أخذ عينات مماثلة أو عالية عبر جميع أنواع أجهزة أخذ العينات الانتشارية، وحتى بعد إجراء عملية تقطير النموذج. 

تُفسر هذه المتانة أن حجم شريحة النماذج الأقل كفاءة جزء لا يتجزأ من مزاياها، وليس نتيجة مباشرة لخوارزمية أو طريقة التدريب. ومع ذلك، فهي تُقر أيضًا بأن النماذج الأكبر حجمًا قد تكون مفيدة للغرض نفسه، لا سيما في الحالات التي لا تظهر فيها مشاكل تخصيص الموارد (مثل القدرة الحاسوبية)، لأنها قادرة على إنشاء صور بتفاصيل أدق.

النتائج الرئيسية والآثار المترتبة عليها

لا تُحدث هذه الاكتشافات ثورةً في المجال التكنولوجي الحالي فحسب، بل لها أيضًا آثارٌ بالغة الأهمية على تطوير الذكاء الاصطناعي. فهي تُسهم بشكلٍ كبير في تطوير أنظمة الذكاء الاصطناعي، مما يُتيح توليد صورٍ أكثر سهولةً وفعاليةً وكفاءةً في استخدام الموارد، وبقدراتٍ عالية الأداء. ويكتسب هذا أهميةً خاصة في عصرٍ يشهد دعوةً مُلحةً لتطوير الذكاء الاصطناعي بانفتاحٍ وسهولةٍ في الوصول، بحيث يُقدم للمطورين، وفي النهاية، للمستخدمين.

يتماشى هذا مع اتجاه معين لمجتمع الذكاء الاصطناعي السائد في الوقت الحاضر، وهذا يوفر دليلاً على تفوق النماذج الأصغر مثل LLaMa و Falcon مقارنة بالبقية في مختلف المهام. 

إنّ التوجه نحو استخدام البرمجيات مفتوحة المصدر، التي تتميز بكفاءتها من حيث السرعة وتوفير الطاقة، سيرفع مستوى الديمقراطية في عالم الذكاء الاصطناعي، إذ سيمكن النظام من العمل دون الحاجة إلى أنظمة حاسوبية متطورة. إنّ تداعيات هذا النوع من الدراسات مذهلة حقاً، وقد تُحدث تغييراً جذرياً في كيفية تطبيق الذكاء الاصطناعي في التقنيات اليومية، وتُتيح حلولاً متطورة في هذا المجال لمزيد من المستخدمين.

تحول في النموذج

لقد أدت الدراسات البحثية التي أجرتها جوجل ريسيرش وجامعة جونز هوبكنز إلى خلق نقطة حاسمة في تطوير الذكاء الاصطناعي، حيث أنها تشكك في مناهج تطوير الذكاء الاصطناعي الحالية وتوجه الممارسين إلى نشر عمليات ذكاء اصطناعي أرخص وأكثر ملاءمة للبيئة. 

ينتقل مجتمع الذكاء الاصطناعي إلى مجال أبحاث النماذج الصغيرة، وهذا البحث لا يلخص كل الفهم الحالي للمنظور فحسب، بل يوفر أيضًا مجالًا للابتكارات الإبداعية فيما يتعلق بكفاءة وأداء وجدوى إنشاء أنظمة الذكاء الاصطناعي.

لا يقتصر هذا التطور على كونه تحولاً في نموذج تطوير تكنولوجيا الذكاء الاصطناعي فحسب، بل هو أيضاً توجهٌ من جانب الصناعة نحو الشمولية وسهولة الوصول إلى هذه التكنولوجيا. ومن بين مزايا تزايد حضور الذكاء الاصطناعي، يُعدّ إنشاء نماذج قابلة للتطبيق على عددٍ كبير من الأجهزة، والتي تتميز بالكفاءة والدقة، أحد أهم العوامل التي ستُتيح للذكاء الاصطناعي نطاقاً أوسع من التطبيقات بمجرد طرح هذه النماذج في السوق. 

تكمن حداثة هذه الدراسة في خصائص توسيع نطاق النموذج التي تُدخل في الحسبان المفاضلات بين حجم النموذج وأدائه، مما يجعلها بحثًا رائدًا يُبشر بمستقبل أكثر كفاءة وسهولة في الوصول إليه في مجال الذكاء الاصطناعي.