أبرز النقاط
- ألتمان يتهم جيلاً من الباحثين بتأخير تطور AI لعقد كامل بسبب تشككهم في جدوى التوسّع
- OpenAI تؤكد أن نموذجها دحض حدسيّة رياضية عجز عنها خبراء بشر لسنوات
- رغم التفوق في مهام محددة، تظل LLMs أضعف من البشر في المهام طويلة الأفق التي تتطلب حكماً دقيقاً
في كلمة ألقاها بجامعة ستانفورد، شنّ سام ألتمان، الرئيس التنفيذي لشركة OpenAI، هجوماً مباشراً على المشككين في جدوى توسيع نماذج اللغة الكبيرة (LLMs)، معتبراً أن جيلاً كاملاً من الباحثين أخّر تقدّم الذكاء الاصطناعي لسنوات لأنهم استهانوا بما يمكن أن يحققه التوسّع في الحوسبة والبيانات.
لماذا يعتبر ألتمان الرهان ضد التوسّع خطأً استراتيجياً؟
وجّه ألتمان انتقاداً صريحاً لمن يربطون هويتهم المهنية بموقف نظري ويرفضون التراجع عنه حتى حين تثبت البيانات خطأهم. وأشار تحديداً إلى يان لوكون، كبير علماء الذكاء الاصطناعي في Meta، الذي وصف نماذج LLM بأنها طريق مسدود. غير أن ألتمان يرى أن البيانات الميدانية تدعم بوضوح الاستمرار في التوسّع، وأن الرهان ضد ذلك بات أمراً مضللاً.
هل تجاوزت LLMs الذكاء البشري فعلاً؟
يدّعي ألتمان أن نماذج اللغة الكبيرة تفوّقت على البشر في مجالات بعينها. وضرب مثلاً بنموذج أطلقته OpenAI مؤخراً تمكّن من دحض حدسيّة رياضية ظلت تستعصي على خبراء لسنوات طويلة. هذا الإنجاز، وفق ألتمان، يثبت أن LLMs قادرة على توليد معرفة جديدة لا مجرد استرجاع ما تعلمته.
لكنه أقرّ بحدود واضحة: في المهام طويلة الأفق التي تتطلب حكماً دقيقاً واتخاذ قرارات معقدة، لا تزال هذه النماذج أضعف بكثير من البشر. هذا الاعتراف يُعيد التوازن للنقاش ويمنع الانزلاق نحو مبالغات تسويقية.
ما موقف Anthropic من هذا الجدل؟
أشار ألتمان إلى أن داريو أمودي، الرئيس التنفيذي لشركة Anthropic المنافسة، أدلى بتصريحات مشابهة مؤخراً تدعم فرضية التوسّع. هذا التقارب بين قطبَي الصناعة يشير إلى إجماع متنامٍ داخل الشركات الرائدة، رغم استمرار الأصوات الأكاديمية المعارضة.
- النماذج العالمية (World Models) تظل ضرورية لتطبيقات الروبوتات
- البيانات التجريبية تدعم استمرار التوسّع وليس التوقف عنده
- المشككون على منصات التواصل لا يزعجون ألتمان رغم سنوات من توقعاتهم بفشل OpenAI
رأي Logicity
النقاش بين ألتمان ولوكون ليس أكاديمياً فحسب، بل يُعيد تشكيل أولويات الاستثمار. الشركات الخليجية الساعية لبناء قدرات AI داخلية — سواء عبر حلول OpenAI أو Anthropic أو البدائل مفتوحة المصدر مثل Llama من Meta — ستجد نفسها أمام خيارين: الالتزام بنماذج مغلقة متطورة بتكلفة اشتراك مرتفعة (GPT-4 Turbo يبدأ من 0.01 دولار لكل ألف رمز إدخال)، أو الاستثمار في بنية تحتية محلية لتشغيل نماذج مفتوحة. الرهان على التوسّع يعني أن الفجوة بين النموذجين ستتسع لا تضيق.
ماذا يعني هذا لفِرق المنتجات في المنطقة؟
إذا صحّت فرضية ألتمان، فإن فِرق المنتجات التي تؤجّل دمج LLMs بحجة انتظار نضج التقنية قد تجد نفسها متأخرة بسنوات. المسار الأكثر واقعية هو البدء الآن بتجارب محدودة النطاق، مع بناء معمارية مرنة تسمح بالانتقال بين مزودين مختلفين حين تتغير موازين القوة.
الأسئلة الشائعة
ما المقصود بتوسيع نماذج اللغة الكبيرة (LLM Scaling)؟
يعني زيادة حجم النموذج من حيث عدد المعاملات وكمية بيانات التدريب والحوسبة المستخدمة، بهدف تحسين الأداء في مهام متنوعة.
لماذا يعارض يان لوكون نماذج LLM؟
يرى لوكون أن هذه النماذج لا تفهم العالم فعلياً وتفتقر لنماذج داخلية للواقع، ما يجعلها غير قادرة على التعميم الحقيقي خارج بيانات التدريب.
هل يمكن للشركات الخليجية الاستفادة من هذا الجدل؟
نعم، فهم موقف كل مزوّد يساعد في اتخاذ قرارات شراء أو بناء أذكى، خاصة مع توسّع مناطق السحابة في السعودية والإمارات.
ما الفرق بين OpenAI وAnthropic؟
كلاهما يركز على نماذج لغوية كبيرة، لكن Anthropic تُعطي أولوية أعلى لأبحاث السلامة وتُقدّم نموذج Claude كبديل لـ ChatGPT.
هل تحتاج مساعدة في التطبيق؟
إذا كنت تخطط لدمج نماذج LLM في منتجك أو تحتاج استشارة حول اختيار المزوّد الأنسب لسوقك، تواصل مع فريق Logicity للحصول على تحليل مخصص.
عمر حسن
كاتب تقني وابتكار
أُنتِج هذا المقال بمساعدة الذكاء الاصطناعي وراجعه فريق التحرير في لوجيسيتي. اعرف المزيد في سياسة التحرير.
