كسر ChatGPT قلب دييغو ألمايدا. كان ألمايدا باحثًا في OpenAI ساهم في بناء روبوت المحادثة، ثم اخترع التعلّم المعزّز من التغذية الراجعة البشرية (RLHF)، التقنية الأكثر مسؤولية ربما عن عصرنا الحالي من الذكاء الاصطناعي. لكن رغم قدرات هذه التقنية، كان ألمايدا مُحبَطًا.
«لدينا برق في زجاجة، ومع ذلك ليس مفيدًا»، قال ألمايدا لـTechCrunch. «كنت أصارع هذه المشكلة منذ ذلك الحين. استغرقني بعض الوقت للوصول للاستنتاج: المشكلة أننا نُحسّن للّغة البشرية… كنّا جيّدين جدًّا في اللغة البشرية لأربع سنوات، لكنها ليست مفيدة للأتمتة لأن الحواسيب تتحدّث لغة مختلفة».
نموذج Jev: لا نصّ، بل احتمالات
قبل عامين، غادر ألمايدا OpenAI ليؤسّس TypeSafe AI، شركة ناشئة تحاول حلّ هذه المشكلة. هذا الأسبوع، أطلقت الشركة نموذجًا جديدًا قائمًا على بنية المحوّلات (Transformer) اسمه Jev، وهو ليس نموذجًا لغويًا كبيرًا. لا يُخرج نصًّا، بل يُنتج احتمالات، أو ما تسمّيه الشركة «قرارات معايرة» (Calibrated Decisions).
التخلّي عن اللغة يحقّق عدّة أشياء: يجعل النموذج رخيصًا وسريعًا جدًّا، ولأن المستخدمين يحدّدون المخرجات مسبقًا، لا يمكنه الهلوسة. رموز مخرجاته مجّانية، ورموز مُدخلاته تُقاس بالمليار، لا بالمليون.
اهتمام كثيف من المطوّرين
يُبدي المطوّرون اهتمامًا كبيرًا بالمنتج؛ فقدت الشركة مؤقّتًا القدرة على خدمة المستخدمين من واجهتها البرمجية بسبب ارتفاع الطلب الحادّ. يبدو Jev مفيدًا بشكل خاصّ لأتمتة البرمجيات. حتى الآن، يراه مطوّرو البرمجيات طريقة أرخص وأكثر متانة لدمج الذكاء داخل الكود.
على سبيل المثال، قال برانيت شارما، مهندس برمجيات في Vercel، إن شركته كانت تستخدم نموذج ChatGPT Luna 5.6 من OpenAI لتشغيل مصنّف يراجع الأوامر للتحقّق من سلامتها. عندما استبدلت Vercel نموذج Luna بـJev، حصلت على نتائج أسرع بخمسة إلى 18 ضعفًا وبدقّة أعلى.
اختبر مطوّر آخر، نيخيل مودولكار الرئيس التقني في Bryo AI، نموذج Jev مقابل Gemini لتصنيف رسائل البريد الإلكتروني التجارية. في اختباره، كان Gemini أكثر دقّة بقليل، لكنه أغلى بـ10 إلى 20 ضعفًا. ما أثار اهتمام مودولكار أكثر هو درجات الثقة التي يقدّمها Jev — «إنه الوحيد الذي يعيد احتمالًا حقيقيًا ما يجعله مثاليًا لأتمتة سير العمل!».
استخدامات إضافية: مراقبة الوكلاء وتوجيه النماذج
إلى جانب استبدال النماذج اللغوية الكبيرة في حالات معيّنة، يمكن للنموذج الجديد أيضًا أن يعزّزها، ليعمل كتحقّق ذكي من سوء السلوك. استخدام وكلاء لمراقبة وكلاء آخرين يمكن أن يصبح مكلفًا بسرعة، لكن استخدام Jev لهذا الغرض منطقي، وفق ألمايدا، الذي يرى المستخدمين ينشرون Jev لتتبّع مسارات وكلاء النماذج اللغوية الكبيرة ومنع كسر القيود (Jailbreaks).
استخدام آخر محتمل هو توجيه النماذج (Model Routing). التنبّؤ بما إذا كان عبء عمل معيّن يحتاج نموذجًا محدّدًا سيكون مفيدًا، لكن استخدام نموذج لغوي كبير لهذه المهمّة مكلف. تكلفة وسرعة Jev المنخفضتان تجعلان هذا النوع من الفرز الفوري ممكنًا.
ليه ده مهم؟
سُمّي النموذج نسبةً إلى ويليام ستانلي جيفونز، الاقتصادي من القرن التاسع عشر الذي وصفت مفارقته كيف يمكن أن يؤدّي انخفاض تكلفة سلعة ما إلى استخدامها بشكل متزايد. في هذه الحالة، انخفاض تكلفة الذكاء المفترض أن يقود إلى انتشاره الواسع.
«نعتقد أنه سيكون هناك برمجيات ذكية في كل مكان بطريقة انبثاقية وموزّعة… أشبه بالإنترنت المبكّر أكثر ممّا هو أشبه بالتطبيقات العملاقة التي يحاول الناس بناءها الآن»، قال ألمايدا. النموذج يطرح فكرة مثيرة: هل الطريق للأمام في الذكاء الاصطناعي هو دائمًا نماذج لغوية أكبر، أم أن هناك مساحة كاملة من المشكلات تُحَلّ أفضل بنماذج لا تتحدّث اللغة أصلًا؟
المصادر: TechCrunch — 2026-09-18
