تتعامل شركة Preferred Networks اليابانية (PFN) مع تطوير نموذجها اللغوي PLaMo من الصفر باعتباره وسيلة للسيطرة على القرارات الأساسية في بناء النموذج، وليس مجرد محاولة لمنافسة النماذج الأمريكية والصينية في مؤشرات الأداء. ووفقاً ل田中大輔، رئيس قسم تطوير النماذج اللغوية الكبيرة في الشركة، فإن أهمية النهج تكمن في أن PFN تشارك بصورة مباشرة في تحديد التصميم والبيانات وآليات المعالجة منذ البداية.
جاء ذلك في مقابلة مع 田中大輔 وムジビヤ・アディヤン، رئيس قسم تخطيط النماذج اللغوية الكبيرة والمسؤول عن PreferredAI، ضمن نقاش حول حدود وصف نماذج الذكاء الاصطناعي بأنها «محلية». فالمصطلح لا يحمل تعريفاً موحداً؛ إذ تعتمد بعض الشركات على نماذج مفتوحة طورتها جهات خارجية ثم تضيف إليها تدريباً يركز على اللغة اليابانية أو مجالات محددة، بينما اختارت PFN بناء PLaMo وفق أسلوب «التطوير الكامل من الصفر» (Full Scratch).
التحكم في البيانات يرفع قابلية التفسير
تربط PFN بين التطوير الذاتي وبين القدرة على تحمل مسؤولية أوضح تجاه العملاء. ففي كثير من النماذج المفتوحة، لا يتاح سوى جزء من المعلومات، مثل المعلمات التي تؤثر في المخرجات، بينما تظل بيانات التدريب وأساليب التطوير غير معلنة بالكامل. وعندما يُعاد تدريب نموذج مفتوح على بيانات إضافية، يصبح تحديد مصدر سلوك معين أو مشكلة في المخرجات أكثر صعوبة.
أما في حالة PLaMo، فتقول الشركة إنها تستطيع اختيار مجموعات البيانات المستخدمة في التدريب ومعرفة خصائصها بدرجة أكبر. وتكتسب هذه النقطة أهمية خاصة لدى الشركات التي تتعامل مع الملكية الفكرية وتحتاج إلى الإجابة عن أسئلة تتعلق باحتمال وجود بيانات تنتهك حقوق الطبع والنشر ضمن مواد التدريب. كما ترى PFN أن امتلاك معرفة بمراحل التدريب يساعدها على التحقيق في أسباب الأخطاء، حتى مع بقاء بعض جوانب النماذج التوليدية عصية على التفسير الكامل.
ويضرب 田中 مثالاً بالهلوسة: إذا قدم PLaMo إجابة غير صحيحة، فقد تتمكن الشركة من ربط المشكلة بجزء محدد من مجموعة البيانات والعمل على تصحيحه. أما في نموذج مبني فوق نموذج مفتوح، فقد لا يكون تحديد السبب ممكناً دائماً.
تصميم موجه للغة اليابانية
لا تقتصر فائدة التطوير من الصفر، بحسب PFN، على الشفافية. فقد صممت الشركة PLaMo مع مراعاة المعرفة المرتبطة بالثقافة والخصائص اليابانية، وطورت محللاً لغوياً خاصاً بها، يعرف باسم Tokenizer، لتحويل النص إلى وحدات يمكن للنموذج معالجتها.
وتقول PFN إن هذا المحلل يستهلك عند معالجة اليابانية كمية من الرموز تقل بنحو 20 إلى 30% مقارنة بمحللات نماذج خارجية. ويؤثر عدد الرموز في كفاءة المعالجة وتكلفتها، لذلك ترى الشركة أن تحسين هذه النقطة يمكن أن يمنح النماذج المحلية ميزة عملية، حتى عندما تواجه منافسة من نماذج ذات قدرات عامة مرتفعة.
كما يتيح امتلاك دورة التدريب كاملة إعداد مجموعات بيانات مرتبطة بأهداف محددة. وهذا قد يساعد عند بناء نماذج متخصصة في مجالات مثل القطاع المالي، إذ يصبح من الأسهل تحديد نوع البيانات المطلوب لتعزيز أداء بعينه.
ميزة السيادة مقابل كلفة التطوير
تضع PFN تطوير PLaMo ضمن سياق أوسع يتعلق بالمخاطر الجيوسياسية واعتماد الذكاء الاصطناعي المتزايد بوصفه بنية تحتية. وأشارت الشركة إلى أن قراراً من الحكومة الأمريكية أدى في يونيو إلى تعليق مؤقت لإتاحة نموذجي Fable 5 وMythos 5 من شركة Anthropic الأمريكية، معتبرة أن مثل هذه التطورات توضح مدى تأثر الخدمات بالقرارات الدولية.
لكن التطوير الكامل ليس الخيار الأرخص أو الأسرع. فهو يحتاج إلى وقت وموارد تدريب أكبر من أسلوب إضافة التدريب إلى نموذج مفتوح، كما قد يجعل اللحاق بأحدث النماذج المفتوحة أصعب من ناحية الأداء. لذلك لا تستبعد PFN استخدام النهجين معاً؛ فقد يكون النموذج المفتوح المعاد تدريبه كافياً في بعض الاستخدامات، وذكرت الشركة وجود حالة استخدام في المجال الطبي.
من PLaMo إلى البنية التحتية المحلية
تقدم PFN نماذجها عبر واجهة برمجة التطبيقات (API) وكذلك في بيئات محلية داخل مقر العميل (On-Premises)، وهو ما يلائم المؤسسات التي تعطي أولوية لإدارة بياناتها. وتريد الشركة تعزيز حضور PLaMo من خلال ربطه بالأدوات الخارجية والتطبيقات الموجودة على الحاسوب، وتطوير قدراته على تنفيذ مهام طويلة بصورة ذاتية والتعامل مع التعليمات اليابانية المعقدة.
وتضم السلسلة نموذج PLaMo 3.0 Prime، الذي تركز الشركة فيه على الجمع بين الأداء الياباني المرتفع والتكلفة المنخفضة، إضافة إلى PLaMo翻訳 المخصص للترجمة. ويقول 田中 إن الهدف هو الوصول إلى نموذج أو خدمة تقدم أفضل كفاءة من حيث التكلفة للمستخدمين اليابانيين، لا الاكتفاء برفع قدرة الاستدلال.
ولا تزال البنية الحسابية نفسها تحدياً. فPFN تستخدم موارد حوسبة داخل اليابان وأخرى خارجها، لأن الموارد المحلية وحدها لا تكفي لمنافسة متطلبات التدريب الحالية. وبالتوازي، تعمل الشركة على تطوير شرائح مخصصة للذكاء الاصطناعي وتطرح تكاملاً رأسياً قد يدعم توطين موارد الحوسبة مستقبلاً.
وفي يوليو، أعلنت PFN تعاونها مع شركة الذكاء الاصطناعي اليابانية Noetra، المدعومة باستثمارات من شركات يابانية كبرى. وسيتولى الرئيس التنفيذي لـPFN، 大輔岡野原، قيادة تطوير النموذج، مع إيفاد 田中 وعدد من المهندسين إلى Noetra. ويستهدف المشروع أولاً بناء نموذج للذكاء الاصطناعي الفيزيائي القادر على تشغيل الروبوتات ذاتياً، باستخدام بنية حوسبة تابعة لمشغلين محليين. ووفق تقدير 田中، قد يظهر نموذج يمكن وصفه بأنه «محلي فعلاً» في وقت مبكر من عام 2027.
ما تكشفه تجربة PFN هو أن «محلية» النموذج ليست حكماً على الأداء وحده. إنها مفاضلة بين السيطرة على البيانات والتصميم، والقدرة على تفسير الأخطاء، وكفاءة اللغة، من جهة، وبين تكلفة التدريب وسرعة الوصول إلى أحدث القدرات، من جهة أخرى. ولهذا تبدو الاستراتيجية العملية للشركة أقرب إلى اختيار مستوى الاستقلال المناسب لكل حالة استخدام، بدلاً من اعتبار التطوير من الصفر حلاً وحيداً.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.