Practical Principles for AI Cost and Compute Accounting
تقترح هذه الورقة سبعة مبادئ لتصميم معايير محاسبة تكلفة وحوسبة الذكاء الاصطناعي لسد الثغرات التقنية، ومنع التلاعب الاستراتيجي، وضمان التنفيذ التنظيمي المتسق دون تثبيط الحد من المخاطر المسؤول.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
مع تزايد قوة أنظمة الذكاء الاصطناعي، تبحث الحكومات عن وسيلة موثوقة لتحديد الآلات التي تحتاج إلى إشراف صارم وتلك التي لا تحتاجه. ويكمن التحدي في أن هذه الأنظمة معقدة، وغالبًا ما تكون آليات عملها الداخلية مخفية داخل الخوادم الخاصة بشركات التكنولوجيا. ولحل هذه المعضلة، لجأ صانعو السياسات إلى حقيقتين يمكن قياسهما: تكلفة بناء النموذج وكمية القدرة الحوسبية التي يتطلبها التعلم. وتعمل هذه الأرقام كبديل، أو مؤشر، للذكاء الفعلي والقدرة الكامنة للنظام. والمنطق هنا مباشر: إذا كان المشروع يتطلب استثمارًا هائلًا للموارد، فمن المرجح أنه يمتلك قدرات متقدمة قد تشكل مخاطر على المجتمع. وبدأت القوانين في أوروبا والولايات المتحدة في استخدام هذه العتبات لتفعيل اللوائح التنظيمية، بافتراض أن أي مشروع يتجاوز خطًا معينًا من الإنفاق أو القدرة الحوسبية يجب مراقبته عن كثب. ومع ذلك، تجادل ورقة بحثية جديدة من إعداد الباحثين ستيفن كاسبر، ولوك بيلي، وتيم شرير، بأنه بدون قواعد واضحة حول كيفية حساب هذه الموارد، فإن النظام سيكون مليئًا بالثغرات التي يمكن للمطورين الأذكياء استغلالها.
لقد سعى الباحثون إلى إصلاح الغموض التقني الذي يسمح حاليًا للشركات بإخفاء النطاق الحقيقي لأعمالها. فقد حددوا أن المقترحات الحالية غالبًا ما تفشل في مراعاة الرحلة الكاملة لإنشاء النموذج. فعلى سبيل المثال، قد يقوم مطور بتدريب نموذج أصغر وأرخص عن طريق تعليمه محاكاة إجابات نموذج "معلم" أكبر وأغلى ثمنًا. وإذا كانت اللوائح تحصي فقط الخطوة النهائية، فسيتم تجاهل التكلفة الهائلة لتدريب "المعلم" الأصلي، مما يجعل المشروع الجديد يبدو رخيصًا بشكل مخادع. وبالمثل، قد تحاول الشركات تقسيم عملها عبر كيانات قانونية مختلفة أو استخدام أدوات مفتوحة المصدر للالتفاف على الحدود. ولمعالجة هذه القضايا، يقترح المؤلفون سبعة مبادئ عملية لتصميم معايير محاسبية يصعب التلاعب بها وسهلة التنفيذ.
المبدأ الأول والأكثر أهمية هو حساب كل دولار وكل وحدة من القدرة الحوسبية المنفقة منذ بداية المشروع وحتى النظام النهائي. وهذا يعني تضمين العمل المبذول لإعداد البيانات، وتدريب نماذج المعلم المستخدمة في عملية التقطير (distillation)، وحتى التجارب الفاشلة التي تم التخلص منها في الطريق. ويجادل المؤلفون بأن قصر الحساب على مرحلة التدريب النهائية فقط يخلق "ثغرة التقطير"، حيث يتم حجب التكلفة الحقيقية لذكاء النموذج. ومن خلال اشتراط محاسبة كاملة للعمل التحضيري (upstream work)، يمكن للمنظمين رؤية الاستثمار الحقيقي وراء قدرات النظام.
وفي الوقت نفسه، تقترح الورقة البحثية أنه لا ينبغي حساب كل شيء. إذ ينبغي السماح للمطورين باستبعاد تكاليف الموارد المتوفرة مجانًا للجميع، مثل مجموعات البيانات مفتوحة المصدر أو النماذج المدربة مسبقًا والتي تم إصدارها علنًا قبل وقت طويل من بدء المشروع الحالي. وهذا يضمن أن تركز القواعد على الجهد المملوك للشركة، بدلاً من معاقبتها على استخدام الأساس المشترك في هذا المجال. ومع ذلك، يضيف المؤلفون تحفظًا حاسمًا: إذا أصدرت شركة نموذجًا غير مكتمل للجمهور ثم استأنفت العمل عليه بسرعة لإكماله، فإن هذا العمل الأولي يجب أن يُحتسب أيضًا. وهذا يمنع استراتيجية تحاول فيها الشركة "إعادة ضبط" حساباتها من خلال إصدار نموذج لفترة وجيزة قبل مواصلة تطويره في السر.
كما يدرك الإطار التنظيمي أن بعض العمل يتم خصيصًا لجعل الذكاء الاصطناعي أكثر أمانًا، وليس أكثر ذكاءً. فالأنشطة مثل تصفية المحتوى الضار من بيانات التدريب أو اختبار النموذج لضمان رفضه المساعدة في الخطط الإجرامية، يجب أن تُستثنى من حسابات التكلفة. والهدف هو ضمان عدم معاقبة الشركات ماليًا لقيامها بما هو صحيح وتقليل المخاطر على المجتمع. وللتأكد من مشروعية هذه الاستثناءات، يصر المؤلفون على ضرورة تقديم الشركات لتقارير مفصلة ومفصلة البنود. ستعمل هذه التقارير مثل التدقيق المالي، مما يجبر المطورين على شرح ما فعلوه بالضبط، ولماذا فعلوه، وكيف حسبوا أرقامهم، بما في ذلك التقديرات المستخدمة عند عدم توفر بيانات دقيقة.
أخيرًا، تنصح الورقة البحثية بأن تستخدم اللوائح التنظيمية محفزين منفصلين: أحدهما للتكلفة الإجمالية والآخر لإجمالي القدرة الحوسبية. ولأن هذين المقياسين يمكن أحيانًا التلاعب بهما بشكل مستقل — مثل استخدام بيانات رخيصة ولكنها ثقيلة حوسبيًا مقابل بيانات بشرية مكلفة ولكنها فعالة — فإن وجود كلا المقياسين كشبكات أمان يجعل من الصعب جدًا التحايل على النظام. ويؤكد المؤلفون أيضًا أن هذه المعايير لا يمكن أن تكون ثابتة؛ فمع تطور التكنولوجيا وزيادة كفاءتها، يجب تحديث العتبات والقواعد بانتظام، ربما كل بضعة أشهر، لتبقى فعالة. وبدون هذه القدرة على التكيف، فإن القاعدة التي تعمل اليوم قد تصبح عتيقة غدًا، مما يسم يسمح للأنظمة الخطيرة بالتسلل عبر الثغرات لمجرد أن قواعد المحاسبة لم تواكب الابتكار.
يخلص الباحثون إلى أنه رغم عدم وجود نظام محاسبي مثالي، إلا أن هذه المبادئ توفر أساسًا متينًا لإنشاء قواعد تتسم بالشفافية والاتساق وتتماشى مع المصلحة العامة. ومن خلال إغلاق الثغرات التي تسمح بالتلاعب الاستراتيجي وتشجيع إدارة المخاطر المسؤولة، يمكن لهذه الإرشادات أن تساعد الحكومات في الإشراف على أكثر أنظمة الذكاء الاصطناعي تقدمًا دون خنق المطورين الأصغر الذين لا يشكلون نفس المستوى من الخطر. والهدف النهائي هو إنشاء بيئة تنظيمية يكون فيها النطاق الحقيقي لمشروع الذكاء الاصطناعي مرئيًا، مما يضمن حصول الأنظمة الأكثر قوة على الاهتمام الذي تتطلبه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.