في جملة واحدة
في BayLearn، شدّد قادة المجال على الانتقال من التحجيم بالقوة الغاشمة إلى مقاربات متخصصة، تفاعلية، ومفتوحة المصدر. يشير المستقبل القريب إلى الحوسبة المسرَّعة، وتعلّم فعّال من حيث البيانات، وروبوتات عامة عملية.
التفاصيل
في ندوة تعلّم الآلة لمنطقة الخليج (BayLearn)، عرض قادة من Nvidia وApple وGoogle DeepMind وStanford كيف ينتقل الذكاء الاصطناعي (AI) من التدريب بالقوة الغاشمة إلى أنظمة أكثر كفاءة وتفاعلية وعملية. سلّطت Nvidia الضوء على Nemotron—مجموعتها مفتوحة المصدر من النماذج متعددة الوسائط، ومجموعات البيانات، وأدوات التدريب، وخوارزميات الدقة، وبرمجيات التحجيم—بوصفها حجر الزاوية في الحوسبة المسرَّعة (Accelerated Computing) التي تتجاوز الرقائق بكثير. وتبرهن مساهمات المصدر المفتوح من شركات مثل Meta وAlibaba وDeepSeek على أن الأدوات المشتركة تُسرّع تطوير الذكاء الاصطناعي. ومن جانبها، تطرح Apple MLX—إطار عمل لتعلّم الآلة مُحسّن لسيليكون آبل (Apple silicon)—وتشير تقارير إلى احتمال إضافة دعم CUDA كواجهة خلفية (back-end) بما يسهّل نقل النماذج ويخفض التكلفة عبر مختلف العتاد.
يجادل كريستوفر مانينغ من Stanford بأن القفزات الكبرى المقبلة تتطلب ذكاءً اصطناعيًا يتعلّم عبر التفاعل ويحقق التعميم المنهجي (Systematic generalization)—أي مزج الأجزاء المعروفة لبناء معانٍ جديدة—بدلًا من الاتكال على تكبير مجموعات البيانات بلا حدود. وقدّمت Google DeepMind تجسيدًا واقعيًا لهذا الاتجاه عبر نماذج Gemini Robotics 1.5 وE.R. 1.5، التي تضيف قدرات الاستدلال (Reasoning) بحيث تتمكن الروبوتات من اتخاذ قرارات استنادًا إلى تعليمات باللغة الطبيعية وأداء طيف أوسع من المهام. وكما قال إد تشي من DeepMind، يتركّز الاهتمام في المدى القريب على روبوتات عامة «جيدة بما يكفي» تساعد بشكل موثوق في الأعمال اليومية، فيما يواصل المجال تقدّمه السريع والتحوّلي.
النقاط الرئيسية
- يشكّل مكدّس Nemotron محور استراتيجية الحوسبة المسرَّعة لدى Nvidia، إذ يجمع نماذج وبيانات وأدوات تدريب مفتوحة المصدر لتوسيع نطاق الذكاء الاصطناعي بكفاءة.
- أتاح التعاون في المصدر المفتوح—من Meta وAlibaba وDeepSeek—انتشار مجموعات بيانات Nemotron على نطاق واسع في مجتمع الباحثين والمطوّرين.
- يهدف MLX من Apple إلى مواءمة تعلّم الآلة مع سيليكون آبل، وتشير تقارير إلى احتمال إضافة دعم CUDA كواجهة خلفية لتوسيع خيارات النشر عبر مختلف العتاد.
- يدعو كريستوفر مانينغ من Stanford إلى التحوّل نحو التعلّم التفاعلي والتعميم المنهجي لجعل النماذج أكفأ في استخدام البيانات وأقدر على التكيّف.
- تضيف نماذج Google DeepMind: Gemini Robotics 1.5 وE.R. 1.5 قدرات الاستدلال إلى الروبوتات، مع إعطاء الأولوية لقدرات عملية «جيدة بما يكفي» للأغراض العامة بدلًا من الضجيج حول الذكاء الاصطناعي العام (AGI).
المصادر: 1