حيلة تينسنت الجديدة في الذكاء الاصطناعي تتيح للنماذج تعليم نفسها في حلقة
كشفت تينسنت عن تقنية تدريب تسميها Terminal-RSI، تتيح لنموذج لغة كبير تحسين نفسه عبر توليد مسائل تدريبية خاصة به ثم حلها. وصفت الشركة الطريقة بأنها وسيلة لمنح النماذج نوعًا من حلقة التعلم الذاتي الموجه، مما يقلل الاعتماد على بيانات التدريب المكتوبة بشريًا. ويشير الإعلان، الذي أوردته منصة التكنولوجيا TMTPost، إلى تركيز متزايد بين مطوري الذكاء الاصطناعي الصينيين على جعل النماذج أكثر قدرة دون مجرد تغذيتها بمزيد من النصوص.
الفكرة الأساسية هي أن النموذج يمكن أن يعمل كطالب ومعلم في آن واحد. يقترح المهام، ويحاول حلها، ويتحقق من النتائج مقابل مخرجات قابلة للتحقق، ويتعلم من أخطائه. وعلى مدى دورات متكررة، يتحسن أداء النموذج في المهام التي يبتكرها. وتسمي تينسنت ذلك نسخة صغيرة النطاق من التحسين الذاتي التكراري، وهو مفهوم طالما أثار اهتمام باحثي الذكاء الاصطناعي لكنه يظل صعب التنفيذ بشكل موثوق. ويوحي تأطير الشركة بأنها ترى في هذا النهج مسارًا عمليًا لمهارات استدلال أقوى.
تأتي خطوة تينسنت في وقت ينقسم فيه قطاع الذكاء الاصطناعي الصيني إلى معسكرات متمايزة. ركزت DeepSeek، المختبر الواقع في هانغتشو والذي أذهل العالم بنماذجه منخفضة التكلفة، على الكفاءة والإصدارات المفتوحة. أما Kimi، التي طورتها Moonshot AI، فقد رسخت مكانتها في معالجة المستندات ذات السياق الطويل. وتينسنت، عملاق الإنترنت الواقع في شنتشن والمعروف بتطبيق WeChat، تبني عائلة نماذج Hunyuan وتدمج الذكاء الاصطناعي عبر منتجاتها الاستهلاكية والمؤسسية. ويبدو أن عمل Terminal-RSI يهدف إلى سد الفجوة في الاستدلال، حيث كثيرًا ما تفوقت النماذج الأمريكية.
التوقيت جدير بالملاحظة. بدأت DeepSeek مؤخرًا فرض رسوم على البحث عبر الويب في واجهة برمجة التطبيقات الخاصة بها، وهي علامة على أن شركات الذكاء الاصطناعي الصينية تتحرك نحو نماذج أعمال مستدامة بعد فترة من المنافسة السعرية الشرسة. أما بحث تينسنت، في المقابل، فيتعلق بالقدرة وليس بالتكلفة. وإذا استطاعت النماذج تحسين نفسها بإشراف بشري أقل، فقد تتحول اقتصاديات تطوير الذكاء الاصطناعي، مما يجعل الوصول إلى أداء أعلى أرخص وربما يسرع وتيرة الإصدارات.
ومع ذلك، تثير النماذج ذاتية التحسين أسئلة. فالنموذج الذي يولد بيانات تدريبه الخاصة يمكن أن يعزز عيوبه الخاصة، وهي مشكلة تعرف بانهيار النموذج. وتعتمد طريقة تينسنت على مهام ذات إجابات قابلة للتحقق، مما يحد من المجالات التي يمكن أن تعمل فيها. فالكتابة الإبداعية والاستدلال المفتوح والتخطيط في العالم الحقيقي أصعب في التحقق الآلي. ولم تذكر الشركة أي المنتجات أو نماذج Hunyuan المستقبلية ستستخدم هذه التقنية.
السياق الأوسع هو سوق ذكاء اصطناعي صيني أصبح مزدحمًا ومبدعًا في آن واحد. فالشركات الناشئة والعمالقة على حد سواء يجربون أنظمة الوكيل وأدوات البحث والمساعدين الشخصيين. ويتناسب Terminal-RSI من تينسنت مع هذا النمط: تقدم بحثي يمكن أن يتدفق إلى المنتجات، من الخدمات السحابية إلى تطبيقات المستهلكين. وبالنسبة للمراقبين العالميين، فهو تذكير بأن تقدم الصين في الذكاء الاصطناعي لا يتعلق فقط باللحاق بالركب من حيث الحجم الخام، بل أيضًا بإيجاد طرق جديدة لتدريب النماذج ونشرها.
ما سيحدث بعد ذلك يعتمد على النتائج. لم تنشر تينسنت سوى القليل من التفاصيل حول المعايير، وسيكون للتحقق المستقل أهمية. لكن الاتجاه واضح. فالمختبرات الصينية لم تعد تتبع فحسب؛ بل تقدم إجاباتها الخاصة لأصعب مشكلة في الذكاء الاصطناعي، وهي كيفية جعل النماذج أذكى دون نفاد البيانات أو المال.