Mosaic: Modular Orchestration of Specialised AI Components
تقترح الورقة البحثية بنية MOSAIC، وهي بنية نمطية تستبدل النماذج اللغوية الرائدة المكلفة بتسلسل هرمي صارم من منطق التنسيق المبرمج مسبقاً والمكونات المتخصصة الأصغر حجماً لتحقيق دقة مماثلة بتكلفة استدلال أقل بكثير من خلال آليات مثل استبدال مقياس النموذج، والإنهاء المبكر، والحل الجزئي التراكمي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
لقد هيمنت فكرة واحدة قوية على عالم الذكاء الاصطناعي مؤخرًا، وهي: جعل النماذج أكبر حجمًا. فمن خلال إضافة المزيد والمزيد من "الخلايا العصبية" الرقمية، نجح الباحثون في إنشاء أنظمة قادرة على الإجابة على أي سؤال تقريبًا، من كتابة الشعر إلى حل مسائل الفيزياء المعقدة. هذه الأنظمة الضخمة، التي غالبًا ما تُسمى "نماذج الطليعة" (frontier models)، تتمتع بقدرات هائلة، لكنها تأتي مع ثمن باهظ؛ إذ يتطلب تشغيلها قدرًا هائلًا من قوة الحوسبة والطاقة، مما يجعل استخدامها مكلفًا لكل مهمة، مهما كانت بسيطة. وقد دفع هذا العلماء إلى طرح سؤال جوهري: هل من الضروري دائمًا استخدام المحرك الأكثر قوة المتاح، أم يمكن لمجموعة من الأدوات الأصغر والأكثر تخصصًا، التي تعمل وفق خطة ذكية، أن تؤدي المهمة نفسها بجزء بسيط من التكلفة؟
اقترح باحث يدعى نبيل إسلام طريقة جديدة للإجابة على هذا السؤال، موضحًا إياها في تقرير بعنوان "MOSAIC". وبدلاً من الاعتماد على عقل واحد عملاق لحل كل مشكلة، يقترح نظام MOSAIC بناء نظام يتم فيه تقسيم الاستعلام إلى قطع أصغر وتمريرها إلى خبراء مختلفين وأصغر حجمًا. الفكرة الجوهرية هي أن النموذج الضخم متعدد الأغراض يشبه "السكين السويسري": يمكنه فعل كل شيء، لكنه ثقيل وغير فعال إذا كنت تحتاج فقط لقص قطعة من الخيط. يقترح MOSAIC استخدام مقص مخصص لتلك المهمة المحددة، ولكن فقط إذا قرر "مدير ذكي" أولاً أن المقص هو الأداة المناسبة. والتقرير لا يقدم منتجًا نهائيًا تم اختباره بالفعل في العالم الحقيقي، بل يقدم مخططًا تفصيليًا ومجموعة من الفرضيات حول كيفية عمل مثل هذا النظام، مجادلًا بأنه سيكون أكثر كفاءة بكثير من الطرق الحالية مع الحفاظ على دقة عالية.
يُبنى نظام MOSAIC على تسلسل هرمي صارم، وهو طريقة منمقة للقول بأن لديه سلسلة قيادة واضحة. في القمة تمامًا يوجد "نموذج الطليعة" (Frontier Model)، وهو ذكاء اصطناعي ضخم ومتعدد الأغراض يعمل كنقطة اتصال أولية مع المستخدم. عندما يطرح مستخدم سؤالًا، لا يحاول هذا النموذج العلوي حله بمفرده، بل يمرر الطلب إلى طبقة من "المساعدين" (Assistants). هؤلاء المساعدون ليسوا نماذج ذكاء اصطناعي، بل هم قواعد ثابتة وغير قابلة للتغيير كتبها البشر. مهمتهم الوحيدة هي النظر في الطلب وتقرير كيفية تفكيكه. فإذا كان السؤال واسع النطاق، فقد يقوم المساعد العلوي بتقسيمه إلى سؤالين أو ثلاثة أسئلة أصغر وأكثر تحديدًا، ثم يمرر هذه المهام الأصغر إلى المستوى التالي من المساعدين.
تستمر هذه العملية نزولاً في السلسلة. يأخذ المستوى الثاني من المساعدين مجالًا محددًا، مثل الرياضيات أو التاريخ، ويقوم بتفكيك المهمة بشكل أكبر حتى تصل إلى المستوى الثالث. في هذا المستوى السفلي، تكون المهمة محددة وواضحة للغاية بحيث يمكن تسليمها مباشرة إلى "نموذج متخصص" (Specialised Model). هذه نماذج ذكاء اصطناعي صغيرة تم تدريبها على موضوع واحد محدد فقط، مثل الرياضيات البحتة أو نوع معين من البرمجة. ولأنها صغيرة ومركزة، فإن تشغيلها أرخص وأسرع بكثير من النماذج الضخمة. وبمج-بمج تقديم النموذج المتخصص للإجابة، تنتقل النتيجة صعودًا عبر السلسلة، حيث يتحقق المساعدون مما إذا كانت المهمة قد أُنجزت. إذا كانت الإجابة جيدة بما يكفي، يتوقف النظام. وإذا لم تكن كذلك، يحاول مرة أخرى، ولكن ضمن حدود صارمة لضمان عدم وقوع العملية في حلقة مفرغة لا تنتهي.
أحد أهم ميزات هذا التصميم هو أنه يتجنب الخطأ الشائع المتمثل في ترك الذكاء الاصطناعي يقرر أي أداة يستخدم. في العديد من الأنظمة الأخرى، يعمل نموذج الذكاء الاصطناعي كمدير، حيث يخمن النموذج الصغير الذي يجب استدعاؤه. يجادل تقرير MOSAIC بأن هذا أمر محفوف بالمخاطر لأن مدير الذكاء الاصطناعي قد يرتكب أخطاء أو يصاب بالارتباك. في MOSIC، المدير هو مجموعة من القواعد الثابتة؛ فهو لا "يفكر" أو "يخمن"، بل يتبع ببساطة نصًا مكتوبًا مسبقًا لتفكيك المهمة. وهذا يضمن عدم وقوع النظام في دائرة مغلقة، وهي مشكلة يمكن أن تحدث عندما يتحدث وكلاء الذكاء الاصطناعي مع بعضهم البعض دون حدود واضحة. كما يؤكد التقرير أن النظام يتوقف بمجرد حل المهمة في مستوى أعلى؛ فإذا استطاع المساعد العلوي الإجابة على سؤال بسيط، فإنه لا يضيع الوقت أو المال في استدعاء الطبقات الأعمق والأكثر تكلفة.
يقترح الباحثون ثلاث طرق رئيسية يوفر بها هذا النظام المال. أولًا، يستخدم "استبدال مقياس النموذج" (model-scale substitution)، مما يعني استبدال نموذج ضخم ومكلف بنموذج صغير ورخيص كلما سمحت المهمة بذلك. ثانيًا، يستخدم "الإنهاء المبكر" (early termination)، مما يعني أن النظام يتوقف بمجرد العثور على إجابة جيدة، بدلاً من تشغيل العملية كاملة في كل مرة. ثالثًا، يستخدم "الحل الجزئي التراكمي" (cumulative partial resolution)، حيث يحل كل مستوى من الهيكل جزءًا من اللغز، بحيث لا يتعين على المستوى التالي سوى حل ما تبقى، بدلاً من البدء من البداية. ويشير التقرير إلى أنه إذا عملت هذه الأمور الثلاثة معًا، فقد يضاهي النظام دقة النماذج الضخمة مع استخدام جزء ضئيل من قدرة الحوسبة.
ومع ذلك، فإن المؤلف واضح جدًا بشأن ما لم يفعله بعد. هذا التقرير هو مقترح وليس تقريرًا عن نتائج؛ فلم تُجرَ أي تجارب لإثبات أن النظام يعمل كما هو موصوف. ويذكر الباحثون أن الفكرة برمتها تقوم على فرضية: وهي أن نظامًا من النماذج الصغيرة المتخصصة التي تدار بقواعد ثابتة يمكن أن يكون بدقة نموذج واحد ضخم ومتعدد الأغراض. ويعترفون بأن هذا يعتمد على كون النماذج المتخصصة جيدة جدًا في وظائفها المحددة وأن القواعد الثابتة مصممة بشكل مثالي. فإذا كانت قواعد تفكيك المهام خاطئة، فسيفشل النظام. كما يشيرون إلى أنهم لا يملكون بعد وسيلة لشرح سبب كون النماذج الصغيرة ستكون بنفس دقة النماذج الكبيرة، هم فقط يقترحون أنه إذا تم تدريب النماذج الصغيرة جيدًا، فقد تكون كذلك.
يتناول التقرير أيضًا مصدر قلق شائع في الذكاء الاصطناعي: كيف نعرف ما إذا كان النظام واثقًا في إجابته؟ تحاول العديد من الأنظمة سؤال الذكاء الاصطناعي: "ما مدى تأكدك؟". يجادل مؤلفو MOSIC بأن هذه فكرة سيئة لأن الذكاء الاصطناعي يمكن أن يكون واثقًا جدًا ومع ذلك يكون مخطئًا تمامًا. بدلاً من ذلك، يعتمد نظامهم على الهيكل؛ فهو يتحقق مما إذا كانت المهمة قد تم تفكيكها بالكامل وما إذا كان النموذج المتخصص قد أجرى العملية الحسابية بالفعل. إنه لا يعتمد على "شعور" بالثقة، بل يعتمد على هذا النهج لمنع النظام من تقديم إجابة خاطئة مع شعور زائف باليقين.
يختتم الباحثون بتحديد خطة لاختبار فكرتهم. يقترحون إجراء سلسلة من الاختبارات حيث تتم مقارنة نظام MOSIC مباشرة بنموذج ضخم قياسي. لن يقيسوا فقط عدد المرات التي يحصل فيها النظام على الإجابة الصحيحة، بل أيضًا عدد المرات التي يضطر فيها لاستدعاء النموذج الضخم المكلف، ومدى عمق السلسلة التي اضطر المساعدون للوصول إليها، وكمية قدرة الحوسبة المستخدمة. ويحذرون من أنه إذا تم ضبط النظام ليبدو كفؤًا ولكنه انتهى بتقديم إجابات خاطئة، فستفشل التجربة. الهدف النهائي هو إثبات أن الذكاء لا يجب أن يكون مكلفًا، وأن فريقًا منظمًا جيدًا من الأدوات الصغيرة والمركزة يمكنه القيام بعمل آلة ضخمة متعددة الأغراض. وحتى تُجرى تلك الاختبارات، يظل نظام MOSIC نظرية مقنعة، وخريطة مفصلة لمستقبل محتمل يكون فيه الذكاء الاصطناعي أرخص وأسرع وأكثر كفاءة، ولكنه ليس واقعًا مثبتًا بعد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.