ارتبط الذكاء الاصطناعي في أذهان كثيرين بنماذج عملاقة تعمل في مراكز بيانات ضخمة وتستهلك قدرًا هائلًا من الطاقة. لكن اتجاهًا موازيًا يكتسب أهمية متزايدة: نماذج أصغر حجمًا، مصممة لتعمل على الهاتف أو الحاسوب المحمول أو حتى الأجهزة المدمجة، وتقدم أداءً جيدًا في مهام محددة دون الحاجة إلى اتصال دائم بالإنترنت.
أهمية هذا الاتجاه للقارئ العربي عملية جدًا: ميزات أسرع في الأجهزة التي يملكها، وبيانات تبقى على جهازه، وتكلفة أقل للشركات الناشئة التي تريد بناء منتجات ذكية دون فواتير سحابية مرتفعة.
ما المقصود بالنموذج الصغير؟
يُقاس حجم النموذج عادة بعدد المعاملات، أي القيم الرقمية التي يتعلمها أثناء التدريب. كلما زاد عددها زادت قدرة النموذج على استيعاب المعرفة والأنماط، لكن زادت معه الذاكرة والطاقة المطلوبة لتشغيله. النموذج الصغير يتنازل عن جزء من الشمولية مقابل الخفة والسرعة، ويُدرَّب أو يُضبط غالبًا ليتقن مجالًا محددًا بدل أن يعرف كل شيء.
وليس الصغر عيبًا بالضرورة؛ فنموذج متخصص في تلخيص الرسائل أو تصنيف الصور قد يؤدي مهمته بكفاءة تقترب من النماذج الكبيرة، بتكلفة أقل بكثير.
ويمكن تشبيه الأمر بالفرق بين موسوعة ضخمة ودليل جيب متخصص: الموسوعة تجيب عن أسئلة أكثر، لكن الدليل أسرع في الوصول وأسهل في الحمل، ويكفي تمامًا إذا كنت تعرف ما تبحث عنه.
كيف تُصغَّر النماذج دون أن تفقد قيمتها؟
يستخدم الباحثون والمهندسون عدة تقنيات معروفة، غالبًا بالجمع بينها:
- التقطير المعرفي: يتعلم نموذج صغير، يُسمى الطالب، من مخرجات نموذج كبير يُسمى المعلم، فيكتسب جزءًا مهمًا من قدراته بحجم أقل.
- التكميم: تخزين أرقام النموذج بدقة أقل، فتنخفض الذاكرة المطلوبة ويزداد التشغيل سرعة، مع تراجع محدود في الجودة إذا طُبق بعناية.
- التقليم: إزالة الأجزاء الأقل تأثيرًا في النموذج بعد التدريب.
- بيانات تدريب أنقى: التركيز على جودة البيانات بدل كميتها يساعد النماذج الصغيرة على التعلم بكفاءة أعلى.
أين تتفوق النماذج الصغيرة؟
| المعيار | نموذج صغير على الجهاز | نموذج كبير في السحابة |
|---|---|---|
| سرعة الاستجابة | فورية غالبًا | تعتمد على الشبكة |
| الخصوصية | البيانات تبقى محليًا | البيانات تُرسل إلى الخوادم |
| العمل دون إنترنت | ممكن | غير ممكن |
| المهام المعقدة والمعرفة الواسعة | محدودة | أقوى بوضوح |
لهذا تتجه كثير من الأنظمة إلى نهج هجين: النموذج المحلي يتولى المهام اليومية الخفيفة، ويُستدعى النموذج السحابي عند الحاجة إلى تحليل أعمق.
ويظهر هذا النهج في الهواتف الحديثة التي تعالج مهام مثل اقتراح الردود وتحسين الصور محليًا، وفي الحواسيب المحمولة الجديدة التي تضم وحدات معالجة عصبية، وفي الأجهزة الصناعية والكاميرات الذكية التي تحتاج إلى قرار فوري دون انتظار الشبكة. كما يتيح لمطوري التطبيقات تقديم ميزات ذكية دون أن ترتفع تكاليف الخوادم مع كل مستخدم جديد.
الحدود التي يجب معرفتها
النماذج الصغيرة أكثر عرضة للخطأ في الأسئلة العامة الواسعة، وقد يكون أداؤها أضعف في اللغات الأقل تمثيلًا في بيانات التدريب، ومنها العربية في بعض الحالات. كما أن تشغيلها يظل مقيدًا بذاكرة الجهاز وقدرة معالجه، فما يعمل بسلاسة على حاسوب حديث قد يكون بطيئًا على جهاز قديم.
السؤال الصحيح ليس أي نموذج أذكى، بل أي نموذج يكفي للمهمة بأقل تكلفة ومخاطرة.
ماذا يعني ذلك للمستخدمين والمطورين؟
للمستخدم العادي، يعني هذا الاتجاه أن ميزات مثل التلخيص والتفريغ الصوتي وتحسين الصور ستصبح أسرع وأقل اعتمادًا على الاتصال. وعند شراء جهاز جديد، تستحق الذاكرة العشوائية ووجود وحدة معالجة عصبية اهتمامًا أكبر من السابق.
أما المطورون والشركات الناشئة، فنرى أن البدء بنموذج صغير متخصص واختباره على بيانات حقيقية خيار أذكى في كثير من الحالات من الاعتماد الكامل على نموذج ضخم. فالكفاءة هنا ليست تنازلًا، بل قرار هندسي يوازن بين الجودة والتكلفة والخصوصية.
