يزعم الخبراء في شركة Nvidia أن نماذج اللغة الصغيرة (SLMs) تشكل مفتاحًا لمستقبل قطاع الذكاء الاصطناعي (AI).
مع ذلك، لا تزال معظم الاستثمارات تُوظَّف في نماذج اللغات الكبيرة (LLMs). إذا استمر هذا الوضع، فقد يتباطأ نمو هذه الصناعة، مما يُؤثِّر سلبًا على الاقتصاد الأمريكي.
ملخص
- ينجذب معظم مستثمري الذكاء الاصطناعي إلى الشركات التي تعمل على المنتجات القائمة على درجة الماجستير في القانون.
- وكلاء إدارة دورة حياة المنتج (SLM) أرخص وغالبًا ما يكونون أكثر كفاءة لمهام محددة من وكلاء إدارة دورة حياة المنتج (LLM).
- تصف شركة Nvidia نماذج SLM بأنها مستقبل الذكاء الاصطناعي وتحث الشركات على العمل مع نماذج أصغر.
ماجستير إدارة الأعمال مقابل ماجستير إدارة الأعمال
يتم تدريب وحدات إدارة دورة الحياة (SLM) على ما يصل إلى 40 مليار معلمة، مما يجعلها متفوقة في مجموعة محدودة من المهام المحددة مع استهلاك موارد أقل بكثير. بمعنى آخر، فهي أقل تكلفة.
برامج الماجستير في القانون باهظة الثمن. في أبريل، صرّح سام ألتمان، الرئيس التنفيذي لشركة OpenAI، بأن منتج شركته الرائد، ChatGPT، يُكلّف OpenAI عشرات الملايين من الدولارات عندما يقول المستخدمون "من فضلك" و"شكرًا لك". وهذا يُشير إلى ارتفاع تكلفة برامج الماجستير في القانون. وهنا تخطف برامج إدارة دورات التعلم الأضواء، إذ لا تتطلب مراكز بيانات باهظة الثمن لإنجاز المهام.
على سبيل المثال، يمكن لـ SLMs أن تعمل كروبوتات محادثة لدعم العملاء ولا تحتاج إلى تعلم الكثير حول مجموعة متنوعة من المواضيع.
وفقًا لورقة بحثية من Nvidia صدرت في يونيو، فإن وكلاء SLM هم مستقبل الذكاء الاصطناعي، وليس وكلاء LLM:
"… نماذج اللغة الصغيرة (SLMs) قوية بما فيه الكفاية، وأكثر ملاءمة بطبيعتها، وأكثر اقتصادا بالضرورة للعديد من الاستدعاءات في الأنظمة الوكيلة، وبالتالي فهي مستقبل الذكاء الاصطناعي الوكيل."
يُساعد مُدربو نماذج التعلم العميق (LLMs) أيضًا في تدريب مُدربو نماذج التعلم العميق (SLMs) حتى لا يضطروا إلى استيعاب جميع البيانات من الصفر. يتعلمون من النماذج الكبيرة بكفاءة وسرعة، ويصبحون قادرين تقريبًا على حل مهام مُحددة دون الحاجة إلى إنفاق الكثير من الموارد.
يتم تدريب أصغر نماذج اللغة على مليار معلمة ويمكن تشغيلها على وحدات المعالجة المركزية العادية.
لا تحتاج الشركات إلى بشر افتراضيين ذوي معرفة موسوعية، بل تحتاج إلى أدوات تُنجز مهامًا محددة بسرعة ودقة.
لهذا السبب، يُعدّ وكلاء إدارة دورة حياة المنتج (SLM) منخفضي التكلفة استثمارات أكثر ربحية بكثير من وكلاء إدارة دورة حياة المنتج (LLM). والجدير بالذكر أن GPT-5 يستخدم نماذج متعددة ، بما في ذلك نماذج صغيرة، بناءً على مهام محددة.
ماذا يحدث إذا تعرض قطاع الذكاء الاصطناعي لانتكاسة؟
تتزايد استفادة شركات العملات المشفرة والبلوك تشين من شهادات الماجستير في القانون (LLM) لتبسيط عملياتها وتعزيز عملية اتخاذ القرارات. تستخدم منصات التمويل اللامركزي (DeFi) مثل Zignaly شهادات الماجستير في القانون لتلخيص الصفقات وإدارة رؤى الاستثمار الاجتماعي، بينما تستخدمها شركات البنية التحتية مثل Platonic وNetwork3 لدعم المطورين وتحسين سير العمل على السلسلة.
وتقوم شركات التداول أيضًا بدمج LLMs مع أدوات الذكاء الاصطناعي الأخرى للحصول على معلومات السوق والتحليلات التنبؤية.
لكن أكبر المشاريع هي جيميني من جوجل، وGPT من OpenAI، وكلود من Anthropic، وGrok من xAI. كلٌّ منها يتطلب مراكز بيانات ضخمة (كميات كبيرة من الكهرباء) ورأس مال ضخمًا.
جمع قطاع الذكاء الاصطناعي في الولايات المتحدة 109 مليارات دولار من الاستثمارات في عام 2024 وحده. هذا العام، أنفقت شركات الذكاء الاصطناعي الأمريكية 400 مليار دولار على البنية التحتية. في أغسطس، أفادت التقارير أن شركة OpenAI تسعى لبيع أسهمها بقيمة 500 مليار دولار. ووفقًا لأندرو شيتس من مورغان ستانلي، قد تنفق شركات الذكاء الاصطناعي 3 تريليونات دولار على مراكز البيانات بحلول عام 2029.
وبحسب شركة IDC للأبحاث، فإنه بحلول عام 2030، فإن كل دولار يتم إنفاقه على حلول الأعمال القائمة على الذكاء الاصطناعي سيضيف 4.6 مليار دولار إلى الاقتصاد العالمي.
ومع ذلك، لا تزال هناك مشكلة قائمة. إذا لم تُبنَ مراكز بيانات كافية، فقد يؤثر ذلك بشكل كبير على الاقتصاد ويُبعد كبار المستثمرين. بمجرد أن يُخفِّض المستثمرون استثماراتهم في شركات الذكاء الاصطناعي، سينخفض الإنفاق.
قد يكون تباطؤ شركات الذكاء الاصطناعي التي تستخدم برامج إدارة التعلم الآلي ناجمًا عن عوامل مثل إمدادات الكهرباء المضطربة، وأسعار الفائدة المرتفعة، والحرب التجارية، والطلب المتزايد على برامج إدارة التعلم الآلي، من بين أسباب أخرى.
والأسوأ من ذلك، أن البعض يلاحظ أن تضخم مراكز البيانات يُحدث فقاعة، وهي ليست بجمال عصر الدوت كوم الذي ساهم في دفع الإنترنت إلى آفاق جديدة. تكمن مشكلة مراكز البيانات في أنها تستخدم رقاقات ستصبح قديمة في نهاية المطاف.
لن يستغرق الأمر سوى بضع سنوات. لذا، فرغم ارتفاع تكلفة هذه الرقائق، لن يُعاد استخدامها لأغراض أخرى.
كيفية تجنب الانهيار
لتجنب الانهيار، أوصى باحثو Nvidia شركات الذكاء الاصطناعي باختيار استخدام SLM وتعزيز تخصص وكلاء SLM.
ومن شأن هذا النهج أن يساعد على توفير الموارد وزيادة الكفاءة والقدرة التنافسية.
يقترح الباحثون أن إنشاء أنظمة وكلاء معيارية سيساعد في الحفاظ على المرونة واستخدام LLM فقط للتفكير المعقد.
