تخيل أنك تحاول التنبؤ بالطقس للأسبوعين القادمين. أنت تعرف القواعد العامة: نحن في فصل الصيف، لذا من المعتاد أن يكون الجو حاراً، وربما هناك عاصفة قادمة الثلاثاء المقبل. ولكن إذا حاولت تخمين درجة الحرارة بدقة لكل ساعة، فقد يبدأ عقلك في الشرود. قد تنسى أنه من المفترض أن يكون الجو حاراً في شهر يوليو وتتنبأ بالثلوج عن طريق الخطأ، أو قد تصبح مركزاً جداً على تفصيل صغير لسحابة ما فتفقد التركيز على الصورة الكبيرة. هذا هو تحدي التنبؤ بالسلاسل الزمنية (time series forecasting): استخدام البيانات الماضية لتخمين ما سيحدث لاحقاً. لعقود من الزمن، بنى العلماء نماذج حاسوبية للقيام بذلك لكل شيء، من أسواق الأسهم إلى شبكات الكهرباء. ومؤخراً، بدأوا في استخدام نماذج اللغات الكبيرة (LLMs) — وهي نفس نوع الذكاء الاصطناعي الفائق الذي يكتب المقالات ويتحدث معك — للقيام بعملية التخمين هذه. هذه النماذج بارعة في فهم الأنماط، ولكن عندما يُطلب منها التنبؤ بفترة زمنية طويلة، فقد تصاب بالارتباك، أو تصبح مكلفة في التشغيل، أو تبدأ في ابتكار أشكال لا تشبه العالم الحقيقي.

الورقة البحثية التي أوشكت على قراءتها تعالج مشكلة محددة: كيف نجعل هذه النماذج من الذكاء الاصطناعي أفضل في التنبؤات طويلة المدى دون جعلها بطيئة، أو مكلفة، أو عرضة لـ "الانحراف" عن المسار. يقدم المؤلفون طريقة جديدة تسمى SCALER. فكر في الأمر كعملية من خطوتين، حيث يقوم رسام سكيتش سريع وبسيط أولاً برسم الخطوط العريضة لسلسلة جبال، ثم يأتي رسام تفصيلي لإضافة الأشجار والصخور، ولكن فقط ضمن حدود ذلك السكيتش الأصلي. هذا يضمن أن الصورة النهائية ستبدو كجبل، وليس ككتلة عشوائية من اللون الأخضر. اختبر الباحثون طريقتهم على بيانات من العالم الحقيقي ووجدوا أن طريقتهم ليست أكثر دقة فحسب، بل هي أيضاً أسرع وأرخص بكثير من حيل الذكاء الاصطناعي الفاخرة التي تحاول "التفكير بجهد أكبر" عبر تشغيل العديد من التخمينات المختلفة في آن واحد.

المشكلة: عندما يضيع الذكاء الاصطناعي في التفاصيل

التنبؤ بالمستقبل أمر صعب. إذا سألت ذكاءً اصطناعياً قياسياً لتخمين درجة الحرارة خلال الـ 720 ساعة القادمة (30 يوماً)، فإنه غالباً ما يحاول القيام بذلك في قفزة واحدة ضخمة. أحياناً يصيب الاتجاهات الكبرى، ولكن أحياناً أخرى يغفل عن الغابة بسبب التركيز على الأشجار.

مؤخراً، جرب الباحثون نهجاً جديداً يسمى توسيع وقت الاختبار (test-time scaling). تخيل أنك تؤدي اختباراً، وبدلاً من مجرد كتابة إجابتك الأولى، يُسمح لك بالتفكير فيها، وكتابة ثلاث إجابات مختلفة، واختيار الأفضل بينها، ثم إعادة كتابتها لجعلها أفضل. هذا "التفكير البطيء" غالباً ما يجعل الذكاء الاصطناعي أكثر ذكاءً. ومع ذلك، فإن هذا النهج يعاني من عيبين كبيرين في السلاسل الزمنية:

1. إنه مكلف: تشغيل الذكاء الاصطناعي عدة مرات لاختيار الإجابة الأفضل يتطلب الكثير من قوة الحاسوب والوقت.
2. يصبح فوضوياً: إذا استمر الذكاء الاصطناعي في تعديل الإجابة مراراً وتكراراً، فقد يغير شكل التنبؤ بالكامل عن طريق الخطأ. قد يبدأ في التنبؤ بخط مستقيم بينما البيانات الحقيقية عبارة عن موجة، أو العكس. وهذا ما يسمى عدم التطابق في الشكل العالمي (global-shape mismatch).

الحل: SCALER (استراتيجية السكيتش والتحسين)

يقترح المؤلفون SCALER، وهو اختصار لـ إطار عمل التدرج من الخشن إلى الناعم (Coarse-to-fine Scaling framework). بدلاً من مطالبة الذكاء الاصطناعي بتخمين المستقبل كله دفعة واحدة أو تشغيل مليون تخمين مختلف، يقوم SCALER بتقسيم المهمة إلى مرحلتين متميزتين وفعالتين.

المرحلة 1: السكيتش السريع (التنبؤ بالشكل الخشن)
أولاً، يقوم نموذج ذكاء اصطناعي صغير وخفيف الوزن (فكر فيه كرسام سكيتش سريع وبسيط) بالنظر إلى البيانات الماضية ويرسم صورة خشنة ومنخفضة الدقة للمستقبل. هو لا يهتم بكل تفصيل صغير؛ بل يلتقط الأشياء الكبيرة فقط: الاتجاه العام (هل هو صاعد أم هابط؟)، الموسمية (هل يكرر نمطاً ما؟)، والشكل العام.

• لماذا يساعد هذا: من خلال تثبيت هذا "الصورة الكبيرة" أولاً، يضمن النظام أن التنبؤ النهائي لن ينحرف نحو العبث. الأمر يشبه رسم الخطوط العريوانت لبيت قبل محاولة طلاء النوافذ.

المرحلة 2: التلوين التفصيلي (التحسين بخطوات ثابتة)
بعد ذلك، يتولى نموذج اللغة الكبير (LLM) القوي والمؤثر (الرسام التفصيلي) زمام الأمور. لكنه لا يبدأ من الصفر؛ بل ينظر إلى السكيتش الخشن من المرحلة الأولى وإلى البيانات الماضية، ثم يضيف التفاصيل. والأهم من ذلك، أنه يفعل ذلك في عدد ثابت من الخطوات.

• بدلاً من التخمين عشوائياً واختيار الأفضل (وهو أمر بطيء ومكلف)، يضيف SCALE التفاصيل بترتيب محدد: أولاً التفاصيل متوسطة الحجم، ثم التفاصيل الصغيرة جداً.
• في كل خطوة، يكون الذكاء الاصطناعي "مرتكزاً" على السكيتش الخشن الأصلي. هذا يمنعه من تغيير شكل البيت بالخطأ أثناء طلاء النوافذ.
• ولأن الخطوات ثابتة والذكاء الاصطناعي يحتاج فقط لملء الفجوات الصغيرة (البواقي/residuals) بدلاً من إعادة تخمين الشيء بأكمله، فإنه يستهلك طاقة حاسوبية أقل بكثير.

ماذا وجدوا: أسرع، أرخص، وأذكى

اختبر الباحثون SCALER على مجموعة متنوعة من البيانات من العالم الحقيقي، بما في ذلك استهلاك الكهرباء، تدفق حركة المرور، أنماط الطقس، وحتى اتجاهات الإنفلونزا. وقارنوه بنماذج ذكاء اصطناعي قوية أخرى وبمنهجيات "التفكير البطيء" التي تحاول توليد العديد من المرشحات.

إليك ما تظهره الأرقام:

• الدقة: تفوق SCALER باستمرار على النماذج الأخرى. في التوقعات طويلة المدى (التنبؤ بـ 720 ساعة للأمام)، ارتكب أخطاء أقل من المنافسين. على سبيل المثال، في مجموعة بيانات ETTh1، حقق متوسط خطأ تربيعي (MSE) قدره 0.376، متفوقاً على أفضل طريقة تالية التي سجلت 0.403.
• السرعة والتكلفة: هنا يتألق SCALER حقاً. وجد المؤلفون أن طريقتهم أسرع بنحو 7 مرات من طرق توسيع وقت الاختبار القياسية. فبينما قد تستغرق الطرق الأخرى وقتاً طويلاً لتوليد واختيار التخمين الأفضل، يتبع SCALER خطته الثابتة ببساطة.
• الاستقرار: عندما أصبح أفق التنبؤ طويلاً جداً (يصل إلى 2160 ساعة)، بدأت النماذج الأخرى في الفشل، وبدت تنبؤاتها لا تشبه البيانات الحقيقية على الإطلاق. ومع ذلك، ظل SCALER مستقراً؛ فقد حافظ "السكيتش الخشن" المرتكز على منع الذكاء الاصطناعي من الضياع، حتى عند النظر بعيداً في المستقبل.

لماذا يهم هذا الأمر

تجادل الورقة البحثية بأننا لسنا بحاجة لجعل الذكاء الاصطناعي "يفكر بجهد أكبر" عبر تشغيله ألف مرة للحصول على نتائج أفضل. بدلاً من ذلك، يمكننا جعله "يفكر بذكاء أكبر" عبر إعطائه هيكلاً واضحاً. من خلال الفصل بين "الصورة الكبيرة" و"التفاصيل الدقيقة"، يتمكن SCALER من الحفاظ على الشكل العالمي للتنبؤ مع الاستمرار في التقاط التقلبات الصغيرة والمهمة.

كما اختبر المؤلفون مدى فعالية ذلك مع أحجام مختلفة من "أدمغة" الذكاء الاصطناعي. ووجدوا أنه حتى مع النماذج الأصغر، كانت الطريقة تعمل بشكل جيد، ولكن استخدام نموذج أكبر (مثل LLaMA-7B) أعطى أفضل النتائج. كما تحققوا مما إذا كانت الطريقة تعمل مع بيانات لم يسبق له رؤيتها (التنبؤ الصفري/zero-shot forecasting)، وقد أدت أداءً أفضل من الطرق الأخرى التي تتطلب إعادة تدريب لكل مجموعة بيانات جديدة.

باختصار، يقترح SCALER أن سر التنبؤ بالمستقبل ليس مجرد إلقاء المزيد من قوة الحوسبة على المشكلة. بل يتعلق بامتلاك خطة: ارسم الخطوط العريضة أولاً، ثم املأ التفاصيل، ولا تنسَ النظر إلى الصورة الكبيرة أثناء التلوين. يوفر هذا النهج طريقة للحصول على توقعات طويلة المدى عالية الدقة دون استنزاف الميزانية أو قدرات الحاسوب.