وفقًا لتحليل جديد صادر عن مؤسسة "إيبوك AI" البحثية، يبدو أن التقدم السريع في نماذج الذكاء الاصطناعي المعتمدة على الاستدلال قد يواجه تباطؤًا واضحًا خلال فترة قريبة، ربما خلال عام واحد فقط.
هذه النماذج، وعلى رأسها نموذج "o3" المطوّر من قبل شركة OpenAI، قدمت نتائج ملحوظة في اختبارات الذكاء الاصطناعي الأخيرة، وخصوصًا في المهام المتعلقة بالرياضيات والبرمجة.
ويعود الفارق الرئيسي في أدائها إلى قدرتها على استهلاك كم أكبر من القدرة الحاسوبية لحل المسائل المعقدة.
لكن هذا التفوق يقابله بطء واضح في تنفيذ المهام مقارنة بالنماذج التقليدية.
آلية تطوير النماذج القائمة على الاستدلال
عادة ما يتم بناء هذا النوع من النماذج من خلال مرحلتين.
تبدأ المرحلة الأولى بتدريب النموذج التقليدي على بيانات ضخمة.
وفي المرحلة الثانية يتم استخدام ما يُعرف بـ"التعلّم المعزز" لمنح النموذج تغذية راجعة تساعده على تحسين أدائه في مواجهة المسائل الصعبة.
وحتى الآن، لم تُستخدم كميات ضخمة من القدرة الحاسوبية خلال هذه المرحلة الثانية.
لكن الوضع بدأ يتغير، إذ أكدت OpenAI أنها استخدمت قدرة حاسوبية تعادل عشرة أضعاف ما استخدمته في تدريب النموذج السابق "o1"، ويرجح أن الجزء الأكبر منها تم توجيهه لمرحلة التعلّم المعزز.
في هذا السياق، كشف الباحث في OpenAI دان روبرتس أن الخطط المستقبلية للشركة تضع التعلّم المعزز في مقدمة الأولويات، بل إن استخدام القدرة الحاسوبية فيه قد يتجاوز ما يُستخدم خلال تدريب النموذج الأولي.
ورغم هذه الاندفاعة نحو تعزيز أداء النماذج عبر استهلاك قدرة حاسوبية أكبر، يشير تحليل "إيبوك AI" إلى وجود حدود لا يمكن تجاوزها بسهولة.
وتلك الحدود لا ترتبط فقط بالجانب التقني، بل تشمل أيضًا التكاليف الباهظة المرتبطة بالبحث والتطوير.
ويوضح "جوش يو"، المحلل لدى المؤسسة وصاحب التقرير، أن أداء النماذج التقليدية يتضاعف سنويًا، في حين أن التحسّن الناتج عن التعلّم المعزز يتضاعف بمعدلات أسرع، تصل إلى عشرة أضعاف كل ثلاثة إلى خمسة أشهر.
رغم ذلك، من المتوقع أن يتلاقى معدل التحسن في نماذج الاستدلال مع المسار العام لنماذج الذكاء الاصطناعي بحلول عام 2026.
العوائق الاقتصادية والتشغيلية تهدد مواصلة التقدم
من ناحية أخرى، تعتبر التكاليف التشغيلية العالية من أبرز التحديات.
وقد يشكل استمرار الحاجة إلى استثمارات كبيرة في الأبحاث عائقًا أمام توسّع هذه النماذج مستقبلًا.
فإذا لم تتوفر موارد كافية لدعم مراحل التجريب والتحسين، قد يصبح من الصعب مواصلة هذا المسار التقدمي.
وأضاف "يو" أن النمو السريع في القدرة الحاسوبية عنصر أساسي في تحسين أداء نماذج الاستدلال، ما يجعل من الضروري مراقبة هذا العامل عن كثب في الفترة المقبلة.
قلق متزايد داخل الصناعة
يشير التقرير أيضًا إلى أن التباطؤ المحتمل قد يثير قلقًا واسعًا في أوساط صناعة الذكاء الاصطناعي، خاصة في ظل الاستثمارات الضخمة التي تم ضخها بالفعل في هذا المجال.
كما أظهرت أبحاث سابقة أن هذه النماذج، رغم قدراتها العالية، تُظهر ميولًا إلى "الهلوسة" أو إنتاج إجابات غير دقيقة أكثر من بعض النماذج التقليدية.
في الختام، لا ينفي التحليل الصادر عن "إيبوك AI" التقدّم الكبير الذي حققته نماذج الاستدلال، لكنه يُسلّط الضوء على تحديات جوهرية قد تحد من قدرتها على الاستمرار بنفس الوتيرة.
وقد يضع ذلك صناعة الذكاء الاصطناعي أمام اختبار حقيقي: كيف يمكن الحفاظ على الابتكار مع التحكم في التكاليف، دون التضحية بجودة النماذج؟
