وهم التوسع وصعود منافس صغير
نموذج تكراري بـ27 مليون معامل فقط تفوّق على نماذج بتريليونات المعاملات مثل GPT-4 في اختبار الاستدلال المنطقي ARC-AGI — دليل على أن التوسع (Scaling) ليس الطريق الوحيد نحو الذكاء. النتيجة: يمكن للبنية والاستدلال التكراري وقت الاستدلال (inference) أن يتفوقا على العدد الخام للمعاملات، بجزء يسير من التكلفة الحسابية.
يروي هذا المقال قصة ظهور النماذج التكرارية الصغيرة التي غيّرت قواعد اللعبة.
بينما تكافح النماذج اللغوية الكبيرة (LLMs) مع الألغاز المنطقية التي نسمّيها معايير AGI، ظهرت فكرة جديدة ورائعة ضد «فيروس التوسع» هذا. الفكرة بسيطة: ماذا لو، بدلاً من تكبير دماغ النموذج، سمحنا له بالتفكير قبل الإجابة وتحسين استجابته؟
أدّت هذه الفكرة لخلق نموذج يُدعى HRM (نموذج الاستدلال الهرمي). حقق هذا النموذج بـ27 مليون معامل فقط (مقارنة بتريليون معامل لـGPT-4، أي أكبر بنحو 35,000 مرة) نتيجة مبهرة بلغت 32% في معيار ARC-AGI، متحديًا نماذج متقدمة من OpenAI وAnthropic وGoogle.
كيف يعمل نموذج HRM؟ (سر التفكير البطيء والسريع)
الفرق الجوهري أن النماذج اللغوية العادية تحاول التنبؤ بكل شيء في «تمريرة أمامية» واحدة. هذا يعني أن الجهد الذي تبذله لحساب «1+1» يساوي الجهد لمشكلة معقدة.
لكن نموذج HRM مستوحى من بنية الدماغ البشري. يتكون هذا النموذج من شبكتي محول صغيرتين تعملان بسرعتين مختلفتين:
- شبكة منخفضة المستوى (سريعة): تُجري تغييرات سريعة وتدريجية على «مسودة» ذهنية.
- شبكة عالية المستوى (بطيئة): تحدد الاستراتيجية العامة وتقرر ما إذا كانت الإجابة جاهزة أم تحتاج مزيدًا من التفكير.
بدلاً من الاستجابات الفورية، يفكّر هذا النموذج تكراريًا ويحسّن إجابته عدة مرات حتى يصل للنتيجة الصحيحة.
نموذج TRM: عندما يصبح «الصغير» أصغر!
القصة لا تنتهي هنا. قدّمت باحثة تُدعى Alexia نسخة أكثر تطورًا تُدعى TRM (النموذج التكراري المتناهي الصغر)، تفوّقت حتى على HRM. بإزالة افتراضات بيولوجية غير ضرورية وتحسين طريقة التدريب، حقق هذا النموذج كفاءة أعلى بحجم أصغر 4 مرات من HRM (7 ملايين معامل فقط).
حقق نموذج TRM نتيجة 40% في معيار ARC-AGI، متفوقًا على نماذج قوية مثل Gemini 1.5 Pro ومنافسًا لـGPT-5 كتفًا لكتف.
لماذا كان TRM أكثر نجاحًا؟
بدلاً من محاكاة دماغ الفأر (كما فعل HRM)، ركّز نموذج TRM على فصل وظيفي:
- مساحة لـمسودة التفكير.
- مساحة لـحاوية الإجابة.
بدلاً من افتراض وصوله لـ«توازن» (وهو خطأ ارتكبه HRM)، يتدرب هذا النموذج بالضبط على الحلقات التي ينفّذها. النقطة الأكثر إثارة أنه عندما حاول الباحثون زيادة طبقات النموذج، انخفض أداؤه. في الواقع، منع حجم النموذج الصغير «الإفراط في التخصيص (Overfitting)» على بيانات محدودة وساعده على التعميم بشكل أفضل.
تشبيه لفهم أفضل
تخيّل أنك تطلب من شخصين رسم لوحة معقدة.
الشخص الأول (GPT-4): عبقري يجب أن يكمل اللوحة بـضربة قلم واحدة دون رفع يده عن الورقة. مهما كان عبقريًا، احتمال الخطأ مرتفع.
الشخص الثاني (TRM): رسام عادي، لكن يُسمح له برسم مسودة أولية، والنظر إليها، والمحو، والتصحيح، والعمل على التفاصيل لساعات حتى يرضى عن النتيجة.
في المشكلات المنطقية والمعقدة، غالبًا ما يفوز الرسام الثاني (النموذج التكراري الصغير) لأن لديه فرصة التفكير والتصحيح، حتى لو كان دماغه (معاملاته) أصغر.
الخاتمة: مستقبل الذكاء الاصطناعي تكراري
أثبت هذا البحث أن حل المشكلات المنطقية الصعبة ليس حكرًا على النماذج اللغوية العملاقة. يمكن للنماذج الصغيرة ذات قدرة التفكير التكراري (Recursion) حل مشكلات لا تستطيع النماذج الكبيرة معالجتها بتمريرة معالجة واحدة.
بدلاً من حفظ البيانات، تتعلم هذه النماذج كيفية تحرير لوحة عمل (Canvas) عبر خطوات متعددة حتى تصل للإجابة الصحيحة.
أهم استنتاجات هذا البحث:
- الأكبر ليس دائمًا أفضل - البنية وطريقة التفكير تهمان أكثر من الحجم
- القدرة على المراجعة والتحسين يمكن أن تحل محل مليارات المعاملات
- الاستلهام من الدماغ البشري (التفكير السريع والبطيء) يمكن أن يؤدي لنماذج أكثر كفاءة
- يمكن للنماذج الأصغر التعميم بشكل أفضل وهي أقل عرضة للإفراط في التخصيص
ربما يكمن مستقبل الذكاء الاصطناعي ليس في نماذج بتريليونات المعاملات، بل في نماذج ذكية تعرف كيف «تفكّر».
