طورت شركة علي بابا تقنية تدريب رائدة للذكاء الاصطناعي تحت اسم 'ZeroSearch'، تتيح هذه التقنية لنماذج اللغة الكبيرة (LLMs) اكتساب قدرات بحث متقدمة من خلال المحاكاة، ممّا يغنيها عن الحاجة إلى واجهات برمجة التطبيقات (APIs) المكلفة لمحركات البحث التجارية. يقلل هذا الابتكار بشكل كبير من تكاليف التدريب ويتيح تحكمًا أفضل في كيفية تعلم أنظمة الذكاء الاصطناعي لعملية استرجاع المعلومات.
تعتمد ZeroSearch على إطار عمل للتعلم المعزز يحفز نماذج اللغة الكبيرة (LLMs) على تطوير مهارات البحث بشكل مستقل، دون الحاجة إلى التفاعل المباشر مع محركات البحث الحقيقية. من خلال محاكاة بيئة البحث، تتغلب ZeroSearch على التحديات المتعلقة بجودة نتائج البحث غير المتوقعة والتكاليف الباهظة لواجهات برمجة التطبيقات (API) المرتبطة بتدريب مساعدي الذكاء الاصطناعي الذين يبحثون عن المعلومات بشكل مستقل. أظهرت التجارب أن ZeroSearch قادرة على تحقيق أداء يضاهي، بل ويتفوق أحيانًا، على أداء النماذج المدربة باستخدام محركات البحث الحقيقية، مع تقليل تكاليف التدريب بنسبة تصل إلى 88%.
النقاط الرئيسية
- تتيح ZeroSearch لنماذج اللغة الكبيرة (LLMs) تطوير قدرات البحث من خلال المحاكاة، مما يقلل الاعتماد على محركات البحث الخارجية.
- تخفض هذه التقنية بشكل كبير من تكاليف التدريب عن طريق الاستغناء عن الحاجة إلى مكالمات واجهة برمجة التطبيقات (API) باهظة الثمن لمحركات البحث التجارية.
- توفر ZeroSearch للمطورين تحكمًا أكبر في عملية التدريب من خلال تمكينهم من إدارة جودة المعلومات التي يتعرض لها الذكاء الاصطناعي.
- حقق نموذج استرجاع ذو 7 مليارات معلمة مدرب باستخدام ZeroSearch أداءً مماثلاً لأداء محرك بحث Google، بينما تفوق عليه نموذج ذو 14 مليار معلمة.
- الكود ومجموعات البيانات والنماذج المدربة مسبقًا متاحة على GitHub و Hugging Face، مما يجعل هذا النهج متاحًا للباحثين والشركات الأخرى.
في جملة واحدة
تمكن تقنية ZeroSearch من علي بابا الذكاء الاصطناعي من تعلم قدرات البحث من خلال المحاكاة الذاتية، مما يقلل بشكل كبير من تكاليف التدريب والاعتماد على محركات البحث الخارجية. يمكن لهذا التطور أن يسهم في إضفاء طابع ديمقراطي على تطوير الذكاء الاصطناعي وتغيير اقتصاديات تدريب الذكاء الاصطناعي.
المصادر: 1