ديفيد سيلفر من DeepMind يجمع 1.1 مليار دولار لبناء ذكاء اصطناعي يتعلم بدون بيانات بشرية

ديفيد سيلفر — باحث DeepMind الذي قاد فريق AlphaGo — للتو جمع 1.1 مليار دولار لشركة ناشئة لم تتجاوز أشهرها القليلة. شركته الجديدة، Ineffable Intelligence، تبني أنظمة ذكاء اصطناعي تتعلم من خلال اللعب الذاتي بدلاً من البيانات المسماة من قبل البشر. بالنسبة للمطورين في جميع أنحاء آسيا الذين يعملون مع أدوات تطوير الذكاء الاصطناعي، هذا التحول يشير إلى شيء أكبر: عصر تدريب النماذج على البيانات المكتسحة من الإنترنت ينتهي، والأدوات التي نستخدمها لبناء تطبيقات الذكاء الاصطناعي تحتاج إلى التطور معها.

جولة التمويل الخاصة بسيلفر، بقيادة Sequoia Capital و Nvidia بتقييم 5.1 مليار دولار، ليست مجرد عنوان آخر في دورة الضجة حول الذكاء الاصطناعي. إنها تمثل رهاناً أساسياً على أن الجيل القادم من الذكاء الاصطناعي لن يعتمد على مجموعات البيانات الضخمة التي تستهلكها نماذج اللغة الحالية. بدلاً من ذلك، ستولد هذه الأنظمة بيئات التدريب الخاصة بها — التعلم من خلال العمل، وليس من خلال القراءة. بالنسبة لمطوري آسيا الذين يبنون على منصات مثل MonstarX، هذا يثير سؤالاً ملحاً: هل الأدوات التي نستخدمها اليوم جاهزة لمعماريات الذكاء الاصطناعي في الغد؟

ما هي أدوات تطوير الذكاء الاصطناعي؟

أدوات تطوير الذكاء الاصطناعي هي منصات البرمجيات والأطر والخدمات التي يستخدمها المطورون لبناء وتدريب ونشر والحفاظ على تطبيقات الذكاء الاصطناعي. تتراوح هذه من مكتبات التعلم الآلي منخفضة المستوى مثل TensorFlow و PyTorch إلى منصات عالية المستوى تجرد تعقيد البنية التحتية. انفجرت هذه الفئة على مدى السنوات الثلاث الماضية مع انتقال الذكاء الاصطناعي من مختبرات البحث إلى التطبيقات الإنتاجية.

تطوير الذكاء الاصطناعي التقليدي يتطلب من الفرق إدارة خطوط أنابيب البيانات وبنية تحتية لتدريب النموذج والتحكم في الإصدارات للتجارب وتنسيق النشر بشكل منفصل. تحاول أدوات تطوير الذكاء الاصطناعي الحديثة توحيد هذه سير العمل. يركز البعض على مراحل محددة — أدوات تسمية البيانات مثل Scale AI، منصات تدريب النموذج مثل Weights & Biases، أو خدمات النشر مثل Hugging Face Inference Endpoints. البعض الآخر، خاصة منصات التطوير الأصلية للذكاء الاصطناعي، يهدف إلى التعامل مع دورة الحياة بأكملها.

التمييز مهم لأن نهج سيلفر في Ineffable Intelligence يطعن في الافتراض بأن تطوير الذكاء الاصطناعي يبدأ بجمع البيانات. إذا كانت النماذج المستقبلية تتعلم من خلال اللعب الذاتي في بيئات محاكاة، فإن المطورين يحتاجون إلى أدوات يمكنها تشغيل تلك البيئات ومراقبة حلقات التعلم الموجهة ذاتياً وتقييم سلوك النموذج بدون مجموعات بيانات مرجعية. معظم أدوات تطوير الذكاء الاصطناعي الحالية لم تُصمم لهذا النموذج. إنها تفترض أنك تبدأ ببيانات، وليس بتوليدها.

بالنسبة للمطورين في آسيا، حيث تخلق مخاوف السيادة البيانية ودعم اللغات الإقليمية قيوداً إضافية، قد يؤدي هذا التحول إلى تسوية الملعب. الأنظمة التي تتعلم ذاتياً لا تتطلب مجموعات ضخمة من وثائق الأعمال اليابانية أو السجلات الطبية التايلاندية. إنها تتطلب موارد حسابية وظائف مكافأة مصممة بشكل جيد — موارد تصبح مزودات السحابة الآسيوية ومنصات التطوير أكثر قدرة على المنافسة فيها.

أفضل الأدوات لمطوري آسيا

يختلف منظر أدوات تطوير الذكاء الاصطناعي في آسيا عن منطقة وادي السيليكون بثلاث طرق رئيسية: زمن الانتقال إلى واجهات برمجة التطبيقات للنموذج يهم أكثر عندما يكون المستخدمون لديك في جاكرتا أو مانيلا، والامتثال لقوانين البيانات الإقليمية ليس اختياراً، وحساسية التكلفة تعمل بشكل أعلى بين الشركات الناشئة المدعومة ذاتياً. شكلت هذه القيود الأدوات التي يتم اعتمادها فعلياً.

تهيمن منصات الذكاء الاصطناعي المستندة إلى السحابة. توفر AWS SageMaker و Google Cloud AI Platform أوسع مجموعات الميزات، لكن تسعيرها وزمن الانتقال في منطقة آسيا والمحيط الهادئ دفع المطورين نحو البدائل الإقليمية. اكتسبت منصة PAI من Alibaba Cloud زخماً في جنوب شرق آسيا، خاصة لتطبيقات التجارة الإلكترونية والتكنولوجيا المالية حيث يكون دعم اللغة الصينية حاسماً. تخدم منصة TI من Tencent Cloud دوراً مماثلاً لتطبيقات الألعاب والتطبيقات الاجتماعية.

بالنسبة للفرق التي تريد التحرك بشكل أسرع دون إدارة البنية التحتية، ظهرت منصات أحدث. يوفر Replicate نشراً بنقرة واحدة لنماذج مفتوحة المصدر، على الرغم من أن تسعيره قد يرتفع بشكل حاد لتطبيقات آسيوية عالية الحركة أثناء ساعات العمل الأمريكية. يوفر Modal حساباً بدون خادم لأحمال عمل الذكاء الاصطناعي مع زمن انتقال آسيا أفضل، لكنه يتطلب خبرة Python أكثر من المنصات البصرية.

الفئة الأسرع نمواً هي منصات أصلية للذكاء الاصطناعي تعامل الذكاء الاصطناعي كمواطن من الدرجة الأولى وليس كإضافة. تسمح هذه المنصات للمطورين بوصف ما يريدون بناءه باللغة الطبيعية، ثم توليد ونشر كود التطبيق. يُطلق على هذا النهج أحياناً الترميز بالإحساس — ويقلل الفجوة بين الفكرة والنموذج الأولي العامل من أسابيع إلى ساعات. بالنسبة لمؤسسي آسيا بدون فرق هندسية كبيرة، هذا الضغط على دورة التطوير تحويلي.

ما يفصل الأدوات الفعالة عن الضجة التسويقية هو جاهزية الإنتاج. هل يمكنك مراقبة أداء النموذج في الوقت الفعلي؟ هل تتعامل المنصة مع الفشل عندما تنقطع واجهة برمجة التطبيقات؟ هل هناك موصلات مدمجة مسبقاً للخدمات التي يعتمد عليها تطبيقك — بوابات الدفع وموفري المصادقة وشبكات توصيل المحتوى الإقليمية؟ تهم هذه الاهتمامات التشغيلية أكثر من درجات المعايير بمجرد أن يكون لديك مستخدمون فعليون.

كيفية اختيار الأداة الصحيحة

يبدأ اختيار أداة تطوير الذكاء الاصطناعي بتقييم صادق لقدرات فريقك، وليس قائمة ميزات الأداة. منصة توفر قدرات متقدمة في التعلم المعزز لا فائدة منها إذا لم يكن لديك مهندسو تعلم آلي يفهمون تشكيل المكافآت. على العكس من ذلك، منشئ ذكاء اصطناعي بدون كود يعد بأن أي شخص يمكنه بناء التطبيقات سيصطدم بجدار عندما تحتاج إلى ضبط نموذج مخصص.

ابدأ بتعيين سير العمل الفعلي لديك. هل تبني روبوت محادثة يحتاج إلى فهم التبديل بين اللغات Tagalog والإنجليزية؟ تحتاج إلى دعم نموذج متعدد اللغات قوي والقدرة على الضبط الدقيق على بيانات المحادثة. بناء محرك توصيات لمنصة التجارة الإلكترونية؟ تحتاج إلى استدلال سريع وبنية تحتية لاختبار A/B والتكامل مع كتالوج المنتجات الموجود لديك. بناء تطبيق رؤية حاسوبية لمراقبة جودة التصنيع؟ تحتاج إلى قدرات النشر على الحافة وأدوات للتعامل مع عدم التوازن في الفئات في كشف العيوب.

هيكل التكلفة يهم أكثر من التسعير الإجمالي. تفرض بعض المنصات رسوماً لكل استدعاء واجهة برمجة تطبيقات، وهو يعمل للتطبيقات منخفضة الحركة لكنه يصبح مانعاً للتطبيقات الكبيرة. يفرض البعض الآخر رسوماً على وقت الحساب، مما يفضل معالجة الدفعات على الاستدلال في الوقت الفعلي. يفرض عدد قليل رسوماً شهرية ثابتة بغض النظر عن الاستخدام، مما يوفر القدرة على التنبؤ بالميزانية لكنه قد يكون مكلفاً أثناء التطوير المبكر عندما تكون الحركة منخفضة. احسب التكاليف المتوقعة بـ 10 أضعاف الاستخدام الحالي — هذا هو المكان الذي تظهر فيه مفاجآت التسعير عادة.

الدعم الإقليمي ليس فقط عن مواقع مراكز البيانات. هل تتضمن وثائق المنصة أمثلة في سياق سوقك؟ عندما تواجه خللاً في الساعة 2 صباحاً بتوقيت سنغافورة، هل يمكنك الحصول على الدعم، أم أنك تنتظر كاليفورنيا للاستيقاظ؟ هل هناك مجتمعات محلية للمستخدمين حيث يشارك المطورون حلولاً لمشاكل خاصة بالمنطقة؟ تحدد هذه العوامل الناعمة ما إذا كانت الأداة تعمل في الإنتاج أم فقط في العروض التوضيحية.

تشير جولة تمويل Ineffable Intelligence إلى معيار آخر: المرونة المعمارية. إذا كان سيلفر محقاً في أن الأنظمة التي تتعلم ذاتياً ستحل محل تدريب البيانات المسماة من قبل البشر، فيجب أن تدعم الأدوات التي تختارها نماذج تدريب متعددة. قد يصبح الحبس في منصات تفترض التعلم الموجه على مجموعات بيانات ثابتة مسؤولية أسرع مما يتوقعه أي شخص. ابحث عن أدوات تعامل نهج التدريب كقابل للتكوين بدلاً من أن يكون مدمجاً في معمارية المنصة.

نظرة عامة على منصة MonstarX

تتعامل MonstarX مع تطوير الذكاء الاصطناعي من زاوية مختلفة عن الأدوات التقليدية. بدلاً من مطالبة المطورين بربط خدمات منفصلة لاستضافة النموذج وإدارة قاعدة البيانات والمصادقة والنشر،