يون تشونغ، من معقل أُوفي-سي
QbitAI | الحساب العام
من النماذج العامة إلى الذكاء الشخصي، تشير المنافسة في الذكاء الاصطناعي نحوالتعلم طويل الأمد والقدرات الحصريةورسمها كمخزون متراكم.
تستكشف شركة تونغ يان لينغ جي فكرة الذكاء الشخصي (Personal AI) القائم على التعلم المعلماتي والتطور المستمر، لتمكين الأفراد والمؤسسات من تراكم أصول ذكاء خاصة بهم تدريجيا أثناء استخدام الذكاء الاصطناعي.
خلال السنوات الماضية، تجاوزت النماذج الكبيرة حدود قدراتها باستمرار، وبدأت المزيد من الشركات في إدخال الذكاء الاصطناعي إلى أعمالها الأساسية مثل البحث والتطوير والاستثمار البحثي والتشغيل عبر واجهات API وقواعد المعرفة والوكلاء (Agent).
لكن مع طول الوقت الذي يشارك فيه الذكاء الاصطناعي في العمل الفعلي، بدأت مشكلة جديدة تظهر:هل تُستدعى الخبرات العملية الضخمة التي تنتجها الشركات يوميا من قِبل النموذج مؤقتا فحسب، أم يمكنها أن تتراكم تدريجيا لتصبح قدرات ذكاء اصطناعي خاصة بها؟
بدأت شركات التكنولوجيا العالمية في استكشاف هذا الاتجاه.
حسّنت OpenAI الذاكرة طويلة الأمد في ChatGPT عبر Dreaming، بما يمكّنها من تركيب التفاعلات التاريخية وفهم تفضيلات المستخدم وسياق المشاريع واحتياجاته طويلة الأمد بشكل أفضل؛ بينما جمعت Meta عبر منتجها Muse بين الفهم الشخصي والتنفيذ الذاتي، دافعة الوكيل الشخصي (Personal Agent) من الإجابة عن الأسئلة إلى إنجاز المهام الفعلية.
سواء كانت الذاكرة طويلة الأمد أو التنفيذ الاستباقي، فكلاهما يعكس اتجاها يتضح يوما بعد يوم: الذكاء الاصطناعي يتحول من أداة عامة موجهة للجميع إلى خدمة ذكاء طويلة الأمد موجهة لمستخدمين محددين.
يعتقد لي وي، المدير التنفيذي لمنصة الصناعة في معهد بكين للذكاء الاصطناعي العام: "كلما كانت النماذج الأساسية أقوى، كان الدور الذي يمكن للذكاء الشخصي أن يلعبه أكبر. نحن نراهن على تقسيم جديد للعمل تقنيا: النماذج الأساسية المتقدمة توفر قدرات عامة مشتركة، بينما تشكل النماذج الشخصية، من خلال التفاعل طويل الأمد والتعلم المستمر بالتطور، قدرات حصرية تلبي احتياجات الجهات المختلفة".
ملاحظة: تعتمد تونغ يان لينغ جي على الخبرة البحثية وموارد التحويل الصناعي لنظام معهد بكين للذكاء الاصطناعي العام (BIGAI)، وتتخصص في تطوير نماذج حصرية ذاتية التطور المستمر (Personal AI) للشركات والأفراد. ومن خلال تدريب النماذج الشخصية والتعلم المستمر وتحسين القدرة الحاسوبية الأساسية، تدفع في ترسيخ المعرفة المتخصصة والخبرة العملية كقدرات ذكاء حصرية قابلة للتطور المستدام.
مع تحول التخصيص إلى محور اهتمام مشترك في القطاع، بدأ الاستكشاف التقني يمتد إلى داخل النموذج نفسه.
إلى جانب تذكر معلومات المستخدم، هل يمكن للذكاء الاصطناعي أن يتعلم فعلا الخبرات التي كوّنها الأفراد والمؤسسات عبر الزمن؟ وهل يمكن تحديث هذه القدرات باستمرار مع الاستخدام، والاحتفاظ بها بعد تغيير النموذج الأساسي؟ ومع استمرار نمو عدد النماذج الحصرية، كيف يمكن ضبط تكاليف التدريب والتشغيل؟
ركزت تونغ يان لينغ جي اتجاهها التقني علىالذكاء الشخصي ذي التحسين الذاتي التكراري (Recursive Self-Improving Personal AI)محاولةً تقديم حلول منهجية للمسائل أعلاه.
بالاستناد إلى الموارد البحثية والصناعية لنظام معهد بكين للذكاء الاصطناعي العام، اخترت الشركة البناء فوق النماذج العامة الحالية، عبر معلمات شخصية خفيفة الوزن تحمل القدرات الحصرية لكل جهة، مع دمج آلية تعلم مستمر وتقنيات جدولة القدرة الحاسوبية، ليتمكن النموذج من التكيف مع المستخدم باستمرار خلال الاستخدام طويل الأمد.
هدف هذه المنظومة التقنية هو تمكين الأفراد والمشاريع والشركات من بناء تدريجيا ذكاء حصري يناسب احتياجاتها ويتطور باستمرار، دون الحاجة إلى تدريب نماذج عامة كاملة لكل منها على حدة.
من الذاكرة طويلة الأمد إلى تعلم النموذج: التخصيص يدخل طبقة المعلمات
عند استخدام نفس وكيل البرمجة (Coding Agent)، قد تختلف النتائج التي تحصل عليها فرق التطوير المختلفة اختلافا واضحا.
إن أي نظام برمجي ناضج له مبادئ معمارية ومعايير تقنية وقيود تاريخية خاصة به، ويعرف المهندسون المخضرمون أي الوحدات لا يجوز تعديلها بسهولة، كما يدركون متى يجب إعطاء الأولوية للاستقرار بدلا من الحل الأمثل تقنيا.
جزء من هذه الخبرات مسجل في الوثائق، لكن معظمها منفصل في تعديلات الشيفرة طويلة الأمد ومناقشات الحلول وممارسات المشاريع.
توجد حالات مماثلة في مجالات الاستثمار البحثي المالي والتشغيل المؤسسي وغيرها. فالنماذج العامة تستطيع تحليل السوق وفهم العمليات التجارية، لكن التفضيلات المخاطرية وعادات اتخاذ القرار وأساليب العمل التي كوّنتها الفرق المختلفة عبر الزمن تحتاج عادة إلى تعاون مستمر حتى يتم التمكن منها تدريجيا.
حاليا، يعتمد الذكاء الاصطناعي بشكل أساسي على آليات مثل Prompt وRAG وMemory وSkill للتكيف مع السيناريوهات المحددة. فهي تتولى على التوالي قيود التعليمات واسترجاع المعرفة وحفظ الحالة وإعادة استخدام القدرات، وأصبحت مكونات مهمة في تطبيقات الشركات للنماذج الكبيرة. غير أن هذه الآليات تنظم المعلومات أساسا خارج النموذج، ولمعلمات النموذج نفسها لا تتغير عادة نتيجة تفاعل تجاري واحد.
عندما يمتد الاحتياج إلى التخصيص من الحصول على المعلومات إلى أنماط السلوك طويلة الأمد، يوفر التعلم المعلماتي خيارا تقنيا آخر.
تعتمد تونغ يان لينغ جي معمارية تجمع بين نموذج أساسي مشترك (Base Model) ومعلمات شخصية (Personal Parameters).توفر النماذج الأساسية معرفة عامة وقدرات استدلال، بينما تقوم الأفراد والمشاريع والشركات المختلفة بتكييف المعاملات من خلال Personal LoRA خفيفة الوزن، لتدمج التفضيلات المهنية الموثقة والخصائص السلوكية تدريجياً في النموذج.
وفي المقابل مع النماذج الصناعية التقليدية التي تعالج أساساً فجوات القدرات بين القطاعات المختلفة، يركز هذا المسار بشكل أكبر على الاختلافات بين المستخدمين المختلفين داخل القطاع نفسه وفي المهمة نفسها. فعلى سبيل المثال، في تطوير البرمجيات على سبيل المثال، قد يحتاج مشروعان إلى معايير هندسية مختلفة تماماً؛ وكذلك في أبحاث الاستثمار، تتبع الفرق المختلفة معايير تقييم وضوابط مخاطر خاصة بها.
وهذا لا يعني أن قواعد المعرفة والذاكرة طويلة الأمد ستفقد قيمتها. فالمعرفة الديناميكية لا تزال بحاجة إلى استرجاع، وحالة المهام لا تزال بحاجة إلى تسجيل، في حين يمكن تحويل أنماط السلوك التي تتكرر في الممارسة طويلة الأمد وتكون مستقرة نسبياً إلى قدرات ذات معاملات من خلال التدريب.
وبذلك يمتد التخصيص تدريجياً من "تمكين النموذج من معرفة المزيد من المعلومات عن المستخدم" إلى "تمكين النموذج من تكوين قدرات تتوافق بشكل أكبر مع احتياجات المستخدم".
وقال شياو نان، الرئيس التنفيذي لشركة Tongyan Lingzhi (通衍灵智): "يتحول احتياج الشركات إلى الذكاء الاصطناعي من اكتساب قدرات عامة إلى تراكم قدرات خاصة. فالخدمات العامة من نوع الذكاء العام نفسه ستحصل عليها عدد متزايد من الشركات، وما يصنع الفارق الحقيقي هو القدرة علىتحويل الأحكام المهنية وأساليب العمل التي تراكمت لدى الشركة على المدى الطويل إلى قدرات داخل النموذجبدلاً من البقاء إلى الأبد عند مستوى 'البحث عن المعلومات'."
والمفتاح لتمكين النموذج من النمو في العمل الفعلي هو بناء آلية تعلم موثوقة
بعد امتلاك المعاملات المخصصة، تبرز تحديات جديدة: كيف يمكن للنموذج أن يستمر في استيعاب الخبرات القيّمة، ويتجنب تراكم الأخطاء أثناء عملية التعلم؟
يولّد الاستخدام اليومي للذكاء الاصطناعي في الشركات كميات كبيرة من الملاحظات. المطورون يقبلون الأكواد أو يعدّلونها، ومندوبو المبيعات يعدّلون استراتيجيات التواصل مع العملاء، ومدراء الاستثمار يصححون الاستنتاجات البحثية، وكل هذه السلوكيات تحمل إشارات تعلم محتملة. لكن الملاحظة الفردية لا تمثل بالضرورة نمطاً طويل الأمد، والحكم الناجح مرة واحدة لا يعني أن الاستراتيجية ذاتها قابلة للتطبيق في جميع السيناريوهات.
إذا استُخدمت سجلات التفاعل في التدريب دون فرز، فقد يعزز النموذج تفضيلات عرضية، بل وقد يضر بقدراته الأصلية. لذلك يتطلب التعلم المستمر بناء آليات قادرة على تحديد الملاحظات الفعالة، وتقييم أثر التحديثات، والتحكم في تغيّرات سلوك النموذج.
طوّرت Tongyan Lingzhi تقنية RSI (التحسين الذاتي التكراري) استجابةً لهذه الحاجة، لبناء إطار تعلم مستمر من خلال التكرار التنسيقي بين النموذج والمقيّم.
في هذا الإطار، تشكّل مسارات المهام الناتجة عن تشغيل الأعمال، والتصحيحات البشرية، والنتائج الفعلية أولاً بيانات تعلم مرشحة، ثم يقوم Evaluator بفرز الملاحظات والحكم عليها وفق معايير التقييم الخاصة بكل مستخدم أو شركة، قبل استخدام العينات الفعالة في التحديث التزايدي لـ Personal LoRA.
يحتاج النموذج المحدَّث بعد ذلك إلى تقييم إضافي يقارن أداءه في المهام بأداء الإصدار الأصلي. لا تدخل الخدمة إلا التحديثات التي تستوفي المتطلبات المحددة مسبقاً، بينما تُعالج النتائج الشاذة عبر آليات ضبط الإصدارات والتراجع.
وفي الوقت نفسه، يمكن استخدام الأثر الفعلي لتحديثات النموذج عكسياً لتحسين Evaluator، بحيث يحسّن النظام تدريجياً طرق فرز بيانات التعلم ومعايير التقييم.
وفي مجال تطوير البرمجيات مثلاً، يمكن للنظام تحليل سجلات مراجعة الأكواد لمعرفة لماذا تُقبل تعديلات معينة أو تُرفض بشكل متكرر، والتحقق عبر المهام اللاحقة مما إذا كان النموذج قد استوعب فعلاً المتطلبات الهندسية ذات الصلة. ومع تراكم الملاحظات الفعالة باستمرار، تتاح للنموذج فرصة التكيف تدريجياً مع أساليب العمل التي شكّلها الفريق على المدى الطويل.
تتضمن هذه الآلية تحديات تقنية مثل النسيان الكارثي، وتلوث الملاحظات، وانحراف النموذج، واستقرار التحديثات. وذكرت Tongyan Lingzhi أن المسار التقني الأساسي لتقنية RSI وبنية المنتج قد أصبحا واضحين، وأن الوحدات المعنية قيد التقدم نحو الهندسة، بينما لا يزال حلقة الأتمتة الكاملة في مرحلة البحث والتطوير المستمر.
وقال كبير موظفي التقنية في Tongyan Lingzhi Chu Bingbing إنهم في عملية التدريب لا يأخذون على الإطلاق ما يضغط فيه المستخدم زر "الرفض" ويستخدمه فوراً لتدريب النموذج؛ فالـ Evaluator الذي أدخلوه يحكم أولاً ما إذا كانت هذه الملاحظة ذات قيمة تعلمية، فالملاحظة الواحدة مجرد إشارة، والأنماط المتكررة هي ما قد يتحول فعلاً إلى تعلم. وبعد تحديث النموذج يُعاد تشغيله على الدفعة نفسها من المهام مقارنةً بالإصدار القديم؛ فإذا تأكد التحسّن دخل الخدمة، وإذا حدث تدهور تم التراجع، بما يضمن أمان التطور وكفاءته.
وعلى المدى الطويل، إذا استطاع النموذج أن يتعلم بثبات في الأعمال الحقيقية، فستتاح للشركات فرصة تقليل أعمال الإعداد المتكررة والتدريب المركزي، بحيث تتحدّث قدرات الذكاء الاصطناعي تدريجياً مع تطور الأعمال.
التوجه بالنماذج المخصصة إلى التوسع، وتكلفة موارد الحوسبة واقع لا يمكن تجاهله
تواجه التجارة في النماذج الشخصية قيداً واقعياً آخر: التكلفة.
إذا احتاجت شركة في المستقبل إلى صيانة معاملات نموذجية مختلفة لمئات المناصب وآلاف الوكلاء، مع دعم التدريب المستمر لهذه النماذج وخدمتها عبر الإنترنت في آن واحد، فإن أسلوب التدريب المستقل والنشر المستقل التقليدي سيترتب عليه نفقات حسابية وإدارية مرتفعة. أما بالنسبة للمنصات التي تخدم أعداداً كبيرة من المستخدمين الأفراد، فتزداد أهمية كفاءة الموارد أكثر فأكثر.
لهذا جعلت Tongyan Lingzhi البنية التحتية للذكاء الاصطناعي مكوّناً مهماً من مكونات الذكاء الاصطناعي الشخصي، مع تحسينات تدور حول التنسيق بين التدريب والاستدلال، وإدارة ذاكرة العرض للمعاملات الشخصية الهائلة العدد.
من بينها، تعالج TIP (التدريب والاستدلال المتوازي) بشكل أساسي مشكلة توزيع الموارد بين التدريب والاستدلال عبر الإنترنت. فعادةً ما تدير البنى التقليدية تدريب النموذج وخدمات الاستدلال بشكل منفصل، لكن التعلم المستمر يعني أن نوعي المهام سيتناوبان باستمرار أثناء تشغيل النموذج.
تحاول Tongyan Lingzhi، عبر تقنيات مثل التدريب والاستدلال المتوازي على البطاقة نفسها وفي الدفعة نفسها، والتراكم غير المتزامن للتدرجات، الاستفادة من القدرة الحاسوبية المتاحة لتنفيذ التدريب التزايدي للمعاملات الشخصية مع ضمان استمرار الخدمة عبر الإنترنت، وتقليل التكاليف الإضافية الناتجة عن مجمّع موارد تدريب مستقل.
أما Paged LoRA فتستهدف مشكلة إدارة ذاكرة العرض عند تشغيل عدد كبير من الـ Adapter بشكل متزامن. فعند التخصيص التقليدي غالباً ما تكون وحدات الذاكرة ثابتة وكبيرة، ومع تغيّر عدد النماذج وتكرار الوصول يسهل أن تحدث حالات عدم كفاية استغلال الموارد وتقلبات في زمن الاستجابة. وتعتمد Paged LoRA آلية إدارة صفحات وربط عند الطلب، تمكّن مختلف نماذج Personal LoRA من مشاركة النموذج الأساسي وذاكرة عرض GPU بمرونة أكبر.
في الاختبارات المرحلية المنجزة، استخدمت Tongyan Lingzhi نموذج Qwen2.5-72B-Instruct و8 بطاقات NVIDIA H800 GPU، مع توحيد ميزانية ذاكرة العرض لـ LoRA في وضعي Paged وFlat التقليدي عند 5.79GB. وتحت أحمال اختبار كانت نسبة طلبات LoRA فيها بين 1% و30%، حقق حل Paged ميزة معينة في زمن الاستجابة والأداء في الذيل الطويل.
وأظهرت الاختبارات أيضاً أنه عند ارتفاع نسبة طلبات LoRA إلى 50%، لا يزال التبادل المتكرر للمعاملات داخل وخارج الذاكرة يتسبب في تدهور الأداء. ويواصل الفريق التحسين في اتجاهات مثل التحميل غير المتزامن والجلب المسبق للمعاملات الساخنة، ولا يزال أداء هذه التقنيات في بيئات إنتاج أوسع بحاجة إلى تحقق إضافي.
وأضاف Chu Bingbing أن تكلفة استدلال النماذج الأساسية في تراجع، لكن تكرار استدعاء الوكلاء واحتياجات التدريب الشخصي في نموّ. وفي أنظمة التعلم المستمر، لا يجوز النظر إلى سعر استدلال النموذج مرة واحدة فحسب، بل إلى التكلفة الإجمالية للتدريب والتحديث والخدمة على المدى الطويل؛ ولا يمكن لهذه الخدمات أن تغطي شريحة أوسع من المستخدمين إلا إذا كانت جدواها الاقتصادية معقولة.
بالنسبة لـ Tongyan Lingzhi، يخدم تحسين القدرة الحاسوبية الأساسية التشغيل طويل الأمد للنماذج الشخصية. فمن خلال دفع التعلم المستمر عبر RSI، ثم تحسين كفاءة موارد التدريب والخدمات المتزامنة عبر TIP وPaged LoRA، تأمل الشركة أن تخفض تدريجياً عتبة استخدام النماذج المخصصة، وأن تنقلها من خدمة مخصصة عالية التكلفة إلى تطبيقات عملية أوسع نطاقاً.
والنماذج تتغير وتتبدل، فكيف تتراكم القدرات الذكية وتُحفظ على المدى الطويل؟
مع التغير المستمر في قدرات النماذج الأساسية وأسعارها وطرق نشرها، قد تستخدم الشركات في المستقبل عدة نماذج في آن واحد، وقد تستبدل الأساس التقني وفق احتياجات أعمالها.
وبمجرد أن يشارك الذكاء الاصطناعي بعمق في العمليات اليومية، لم تعد تكاليف تبديل النموذج محصورة في التوافق بين الواجهات والأنظمة. إذ يتعين على الشركات أيضاً أن تأخذ بعين الاعتبار ما إذا كانت بيانات التدريب وعادات العمل والملاحظات البشرية ومعايير التقييم التي راكمتها بجهد كبير عبر الوقت قادرة على مواصلة أداء دورها في بيئة النموذج الجديدة.
تأمل Tongyan Lingzhi من خلال مشاركة النموذج الأساسي وتقسيم القدرات الشخصية إلى طبقات، أن تخفض اعتماد الشركات على مدى طويل على أساس نموذج واحد.
يجدر التوضيح أن بنى النماذج الأساسية وفضاءات معاملاتها ليست متوافقة بطبيعتها، وعادةً لا يمكن إعادة استخدام Personal LoRA مباشرةً عبر النماذج. لكن بيانات الأعمال وعينات التدريب ومسارات المهام وأنظمة التقييم التي راكمتها الشركة يمكن مواصلة استخدامها في تكييف النموذج الجديد وتدريبه، بما يقلل عبء إعادة بناء القدرات المخصصة.
ويمنح هذا التوجه الشركات أيضاً فرصة بناء معايير تقييم خاصة بها، والمقارنة بين النماذج الأساسية المختلفة وفق الأداء الفعلي في الأعمال، بدلاً من الاعتماد الكلي على المؤشرات العامة التي يقدمها موردو النماذج عند الاختيار.
ولا يقل أهمية عن تبديل النموذج مسألة كيفية إدارة البيانات ونتائج النماذج التي تراكمت على المدى الطويل.
في تصميم منتجات Tongyan Lingzhi، يُقسَّم النموذج الأساسي المشترك وبيانات أعمال الشركة والمعاملات الشخصية إلى طبقات مختلفة، بما يوفر أساساً تقنياً لاستخدام البيانات وتكييف النماذج وإدارة النتائج ذات الصلة. أما حقوق البيانات والملكية الفكرية وعزو نتائج النماذج تحديداً فما يزال يتطلب توضيحاً عبر العقود وآليات الترخيص وحوكمة البيانات، فالتقسيم التقني بحد ذاته لا يُنشئ ملكية قانونية تلقائياً.
والإمكانية التي توفرها هذه البنية هي تمكين الشركات، أثناء استخدامها المستمر للذكاء الاصطناعي، من تشكيل بيانات تدريب وأنظمة تقييم وقدرات نماذج شخصية مستقلة نسبياً تدريجياً، ومواصلة الاستفادة من هذه المكتسبات عند ترقية النماذج أو تبديلها في المستقبل.
وينطبق الأمر نفسه على الأفراد. فالبنية المعرفية والخبرة المهنية وتفضيلات العمل التي شكّلها الفرد على المدى الطويل، إذا أمكن حفظها بفعالية ومواصلة استخدامها في تكييف الأنظمة الذكية الجديدة، لن يبقى قيمتها محصورة في منتج واحد أو خدمة واحدة.
يرى شي شياو نان أيضاً أن المؤسسات لا داعي للقلق من أن استبدال نموذج الأساس سيؤدي إلى تصفير ما تم تراكمه. ما يملكه المؤسسة فعلاً هو بيانات الأعمال المتراكمة على المدى الطويل، ومسارات المهام، والملاحظات البشرية، ومنظومة التقييم؛ وهذه الأصول يمكن إعادة ملاءمتها على النموذج الجديد بدلاً من البدء من الصفر. يمكن تبديل النموذج، لكن خبرة المؤسسة لا يجب أن تُصفَّر معه.
من منظور نموذج الأعمال، يطرح الذكاء الاصطناعي الشخصي Personal AI بذلك اتجاهاً جديراً بالانتباه:يمكن أن تتوسع قيمة خدمات الذكاء الاصطناعي من تسليم المهام الفورية إلى تراكم المستخدم للأصول الذكية طويلة الأجل.
من التقدم التقني إلى تقاسم القيمة: ليكن الذكاء في خدمة الإنسان فعلاً
يعيد الذكاء الاصطناعي تعريف طريقة تكوّن المعرفة والقدرة الإنتاجية.
في الماضي، كانت خبرات الفرد تُحفظ بشكل رئيسي في إدراكه وممارساته، بينما كانت القدرات المهنية للمؤسسة موزعة بين الموظفين والأنظمة المؤسسية وأنظمة الأعمال والتعاون التنظيمي. ومع انخراط الذكاء الاصطناعي بعمق متزايد في الإنتاج الاجتماعي والحياة اليومية، تتاح لهذه المعارف والخبرات المتفرقة فرصة التنظيم والتعلّم وإعادة الاستخدام بشكل منهجي.
لكن مع التحسن المستمر في القدرات التقنية، يلزم التفكير في سؤال أعمق:
عندما يواصل المستخدمون تقديم التفاعلات والتصحيحات والملاحظات المهنية، دفعاً لأنظمة الذكاء الاصطناعي تصبح أكثر ذكاءً، فكيف ينبغي أن تعود القيمة طويلة الأجل التي تخلقها هذه الجهود إلى الأفراد والمؤسسات أنفسهم؟
خدمات الذكاء الاصطناعي التقليدية ذات النمط المنصاتي تقدم للمستخدمين قدرات نموذجية فورية بشكل أساسي، وقد يساعد سلوك استخدامهم أيضاً المنصة على تحسين منتجاتها باستمرار. أما ما يستكشفه الذكاء الاصطناعي الشخصي Personal AI فهو تمكين المستخدمين، أثناء حصولهم على الخدمة، من تراكم أصول ذكية حصرية تتشكل من معارفهم وخبراتهم وأحكامهم تدريجياً، بحيث تستمر قيمة الاستخدام طويل الأجل للذكاء الاصطناعي في التراكم.
إن معنى هذا التراكم يتجاوز بكثير تحسين أثر التخصيص.
بالنسبة إلىالفرديمكن للخبرة المهنية أن تتحول تدريجياً إلى قدرة رقمية قابلة للاستخدام طويل الأجل، تساعده على مواصلة ما تراكم لديه عبر أدوات وبيئات عمل مختلفة.
وبالنسبة إلىالمؤسسةتتاح الفرصة لحفظ طرق العمل والمعرفة التنظيمية المتشكلة على المدى الطويل ونقلها عبر نماذج حصرية، ما يقلل مخاطر فقدان الخبرات الأساسية مع تنقل الكوادر أو تغيّر التقنيات.
وعندما تكون هذه القدرات قابلة لإعادة الملاءمة بين نماذج أساس مختلفة، سيحصل الأفراد والمؤسسات أيضاً على مساحة أوسع من الخيارات التقنية، فيمكنهم تقييم النماذج وتبنّيها واستبدالها وفق احتياجاتهم، ما يقلل الاعتماد طويل الأجل على منصة واحدة.
قد لا تحتاج المؤسسة إلى إعادة تدريب نموذج لغوي عام خاص بها، لكن ينبغي أن تتاح لها الفرصة لتملك تدريجياً مجموعة من القدرات الذكية ملكاً لها.
وهذا يجسّد ما يدعو إليه تونغ يان لينغ تشي من "ذكاء شخصي إنسادي المحور". ففي نظرهم، ينبغي أن يمنح تطور الذكاء الاصطناعي المستخدمين قدرة أكبر على تقرير مصيرهم، وأن تُحترم معارف وخبرات وأحكام الأفراد والمؤسسات المتراكمة على المدى الطويل وتُحفظ وتُواصل، وأن تعمّ القيمة التي يخلقها التقدم التقني على المستخدمين على نحو أوسع.
وأخيراً، تحدث لي وي قائلاً إن الشمول في الذكاء الاصطناعي لا ينبغي أن يعني فقط تمكين عدد أكبر من الناس من استخدام النماذج المتقدمة، بل ينبغي أن يعني أيضاً تمكين عدد أكبر منهم من تراكم قدراتهم وتطويرها بمساعدة الذكاء الاصطناعي. إن جعل ثمار التقدم التقني تتحول أكثر إلى نمو الإنسان وابتكار المؤسسات ورفع الإنتاجية الاجتماعية هو ما يفهمه تونغ يان لينغ تشي بالإنسادية.
بالاستناد إلى التراكم البحثي لمنظومة معهد بكين للذكاء الاصطناعي العام، يعمل تونغ يان لينغ تشي على ترجمة هذه الفكرة إلى التعلّم المعلمي، والتطور المستمر، وبنية الحوسبة التحتية.
لا تزال التقنيات ذات الصلة بحاجة إلى بحث وتطوير مستمرين وتحقق صناعي، لكن القيمة طويلة الأجل التي تشير إليها تحمل معنى اجتماعياً أوسع: أن تصبح قدرات الذكاء الاصطناعي المتقدمة تدريجياً سنداً دائماً لتطور الفرد ونمو المؤسسات ورفع الإنتاجية الاجتماعية.
ومن منظور أبعد مدى، لا ينبغي أن يكون الذكاء الاصطناعي مجرد نظام يمتص المعرفة البشرية باستمرار ويرفع قدراته ذاتياً، بل ينبغي أيضاً أن يصبح بنية تحتية مهمة تساعد الإنسان على تراكم المعرفة ونقل الخبرة وتوسيع القدرات.
عندما يصبح الذكاء العام تدريجياً قدرة أساسية متاحة على نطاق واسع في المجتمع، فإن ما يستحق التطلّع إليه فعلاً هو أن يتمكن كل فرد وكل مؤسسة من بناء تراكمه طويل الأجل في ظل التقدم التقني، ومن امتلاك مساحة لاختيار هذه القدرات وتطويرها.
لا ينبغي أن يصبح الذكاء الاصطناعي أذكى فقط بفضل مشاركة الإنسان، بل ينبغي أيضاً أن يمتلك الإنسان قدرات أكبر بفضل انتشار الذكاء الاصطناعي. لا ينبغي أن تتراكم ثمار التقدم التقني في النماذج والمنصات فحسب، بل ينبغي أن تتراكم كقوة دائمة لنمو الفرد وتطور المؤسسات وتقدم المجتمع.
* نُشر هذا المقال بتصريح من كوانتزي واي، والآراء تعود لمؤلفها الأصلي وحده.