إنفيديا للتو أثبتت أن الهيكل الداعم، وليس نموذج الذكاء الاصطناعي، هو البطل الحقيقي

درجة 100% على أحد أصعب معايير الذكاء الاصطناعي — والنموذج بالكاد يستحق الفضل. نشرت إنفيديا أحدث أبحاثها بهدوء يوم الجمعة، لكن آثارها مدوية: البنية التحتية التي تبنيها حول نموذج الذكاء الاصطناعي أهم من النموذج نفسه، خاصة عندما تكون المهمة معقدة وطويلة الأمد. إذا كنت مطورًا أو مؤسسًا في آسيا لا تزال مهتمًا باختيار نموذج الأساس المناسب، فهذا البحث يطرح تحديًا مباشرًا لهذا الاتجاه.

ما الذي حدث

نشرت إنفيديا أبحاثًا جديدة تُظهر أن Claude Opus 5، عندما يتم دمجه في هيكل داعم مخصص، حقق درجة 100% على معيار ARC-AGI-3 — وهو معيار تفاعلي للاستدلال أصبح مقياسًا ذا معنى لقدرة الذكاء الاصطناعي متعدد الأغراض. بدون الهيكل الداعم، حقق Opus 5 نسبة 30%، وهي لا تزال أعلى نتيجة بين جميع النماذج المختبرة. لم يتم سد الفجوة بين 30% و100% بتبديل نموذج أفضل. تم سدها ببناء بنية تحتية أفضل حول نفس النموذج.

الهيكل الداعم الذي بنته إنفيديا — يُسمى AVO — يتضمن مكونين حاسمين: نظام إدارة الذاكرة المصمم للتعامل مع السياق طويل الأمد دون تدهور، ومكون "المشرف" الذي يعمل كرئيس، يبقي الوكيل على المسار الصحيح ويمنعه من الانجراف نحو حلقات استدلال غير ذات صلة. وفقًا لتقرير TechCrunch، قال عادل الحلاق، نائب رئيس المنتجات في وحدة الذكاء الاصطناعي بإنفيديا، بوضوح: "إنه النموذج. إنها البنية التحتية حول النموذج، التي نسميها الهيكل الداعم، أي مجموعة الأدوات التي يستخدمها. إنها بيئة التشغيل والمهارات والمكتبات المرتبطة التي نمنحها إمكانية الوصول إليها."

يركز البحث بشكل خاص على المهام طويلة الأفق — العمل الذي يتطلب ربط العديد من القرارات معًا، أحيانًا على مدى أيام، لإنتاج مخرجات مكتملة. هذا يختلف بشكل أساسي عن تبادل سؤال وجواب واحد. جعل الذكاء الاصطناعي ينفذ المهام طويلة الأفق بشكل موثوق دون الانجراف هو أحد أصعب المشاكل المفتوحة في أبحاث الذكاء الاصطناعي الوكيل. يشير اكتشاف إنفيديا إلى أن الإجابة ليست نموذجًا أذكى — بل هيكل داعم أذكى.

هذا تحول ذو معنى في كيفية تفكير الصناعة بشأن تصميم أنظمة الذكاء الاصطناعي. النموذج هو الدماغ. الهيكل الداعم هو الجهاز العصبي والانضباط والذاكرة. تحتاج إلى جميع الثلاثة.

لماذا يهم ذلك لآسيا

لدى نظام المطورين والشركات الناشئة في آسيا علاقة محددة مع نماذج الأساس تجعل هذا البحث ذا صلة خاصة. عبر جنوب شرق آسيا والهند واليابان وكوريا الجنوبية والصين، معظم الفرق لا تبني نماذج أساس — بل تبني فوقها. كان السؤال الاستراتيجي دائمًا: أي نموذج نستخدم؟ يعيد بحث إنفيديا صياغة هذا السؤال كأولوية ثانوية.

لن يأتي الميزة التنافسية الحقيقية في سباق الذكاء الاصطناعي في آسيا من الوصول الحصري إلى GPT-5 أو Claude Opus 6. سيأتي من الفرق التي تبني هياكل داعمة أفضل — معماريات ذاكرة أفضل، تنسيق أدوات أفضل، منطق مشرف أفضل — فوق أي نموذج متاح لهم. هذه لعبة يمكن لمطوري آسيا أن يفوزوا بها، لأنها مشكلة هندسية وتصميم منتج، وليست مشكلة ميزانية حوسبة.

فكر في الواقع العملي لمؤسس في جاكرتا أو بنغالور أو مدينة هوشي منه يبني منتج سير عمل مدعوم بالذكاء الاصطناعي. أنت لا تدرب نموذج حدودي خاص بك. أنت تستدعي واجهة برمجية. يصبح السؤال: ماذا تبني حول استدعاء واجهة برمجية؟ كيف تتعامل مع السياق عبر مهمة متعددة الأيام؟ كيف تمنع الوكيل من الانحراف عن المسار عندما يواجه حالة غير متوقعة؟ هذه مشاكل الهيكل الداعم، وهي قابلة للحل بهندسة قوية.

هناك أيضًا بُعد تكلفة مهم جدًا في آسيا. النماذج الأصغر ذات الهياكل الداعمة الممتازة يمكنها أن تتفوق على النماذج الأكبر والأكثر تكلفة التي تعمل بدونها. بالنسبة للشركات الناشئة التي تعمل بميزانيات سحابية محدودة — وهي معظم الشركات الناشئة في المنطقة — هذا ليس مجرد رؤية معمارية، بل هي استراتيجية مالية. بناء هيكل داعم رائع، وستتمكن من استخدام نموذج أخف. تدعم نتيجة المعيار هذا تجريبيًا.

لطالما تنافست تكنولوجيا آسيا ببناء أنظمة أذكى على مكونات متاحة. يصادق هذا البحث على هذا النهج على المستوى المعماري للذكاء الاصطناعي.

ماذا يعني هذا للمطورين

إذا كنت تبني أنظمة وكيل اليوم، فإن بحث إنفيديا يعطيك إطارًا ملموسًا للتفكير في مكان استثمار جهودك الهندسية. توقف عن التعامل مع النموذج كصندوق أسود إما أن يعمل أو لا يعمل. ابدأ بمعاملة الهيكل الداعم كسطح هندسي أساسي.

إليك ما يحتاج الهيكل الداعم من الدرجة الإنتاجية إلى التعامل معه، بناءً على نتائج إنفيديا:

• إدارة الذاكرة: تتراكم المهام طويلة الأفق السياق بسرعة. بدون معمارية ذاكرة صريحة — تحديد ما يجب الاحتفاظ به وما يجب ضغطه وما يجب التخلص منه — ينخفض السياق الفعلي للنموذج بمرور الوقت، وينهار الأداء. هذه ليست مشكلة نموذج. إنها مشكلة أنظمة.
• منطق المشرف: يتضمن الهيكل الداعم لإنفيديا مكون مشرف يراقب تقدم الوكيل ويتدخل عندما ينجرف. فكر في هذا كوكيل فوقي خفيف الوزن وظيفته الوحيدة هي إبقاء الوكيل الأساسي صادقًا. تنفيذ هذا لا يتطلب نموذج حدودي ثانٍ — نموذج أصغر وأرخص يمكنه لعب دور المشرف بفعالية.
• تنسيق الأدوات: أي أدوات يمكن للوكيل استدعاؤها، بأي ترتيب، مع أي منطق معالجة أخطاء — هذا إقليم الهيكل الداعم. تنسيق الأدوات المصمم بشكل سيء هو أحد أكثر أنماط الفشل شيوعًا في نشرات الوكيل الإنتاجية.
• حلقات التغذية الراجعة: يحتاج الهيكل الداعم إلى إعادة النتائج إلى النموذج بطريقة منظمة، وليس فقط تفريغ المخرجات الخام. تشكل طريقة تنسيق هذه التغذية الراجعة قرار النموذج التالي بشكل كبير.

من الناحية العملية، هذا يعني أن مراجعة البنية الخاصة بك لا يجب أن تبدأ بـ "أي نموذج؟" يجب أن تبدأ بـ "كيف يتعامل هيكلنا الداعم مع الذاكرة والإشراف واستدعاءات الأدوات والتغذية الراجعة؟" أجب عن هذه الأسئلة الأربعة بشكل جيد، واختيار النموذج يصبح تحسينًا ثانويًا.

بالنسبة للفرق التي تبني على MonstarX، هذا يرسم مباشرة إلى كيفية تصميم المنصة — النموذج الأساسي هو طبقة واحدة، لكن الموصلات ومنطق التنسيق وبيئة التشغيل حولها هي حيث يعيش التمايز الحقيقي. بحث إنفيديا هو في الأساس تصديق على فلسفة المنصة على النموذج التي تحركت نحوها التطوير الأصلي للذكاء الاصطناعي الجاد على مدى آخر 18 شهرًا.

نقطة بداية عملية واحدة: قيّم تطبيقات الوكيل الحالية وحدد المكان الذي يتم فيه فقدان السياق عبر الخطوات. هذا هو دائمًا تقريبًا أول نمط فشل في المهام طويلة الأفق، وهو بالكامل مشكلة الهيكل الداعم. أصلح طبقة الذاكرة قبل أن تفكر في ترقية النموذج.

النقاط الرئيسية

بحث AVO من إنفيديا هو حجة نظيفة وقائمة على تجريبيات لشيء اشتبه به مهندسو الذكاء الاصطناعي ذوو الخبرة منذ فترة: الهيكل الداعم هو المنتج. النموذج هو البنية التحتية. إليك ما يجب أن تأخذه معك:

• اختيار النموذج هو نقطة انطلاق، وليس استراتيجية. انتقل Claude Opus 5 من 30% إلى 100% على ARC-AGI-3 بنفس الأوزان وهيكل داعم أفضل. الفرق بين النماذج حقيقي، لكن الفرق بين الهياكل الداعمة أكبر للعمل طويل الأفق.
• معمارية الذاكرة غير قابلة للتفاوض لأنظمة الوكيل. إذا كان وكيلك يقوم بتشغيل مهام تمتد لأكثر من بضع دقائق أو أكثر من حفنة من استدعاءات الأدوات، فأنت بحاجة إلى طبقة إدارة ذاكرة صريحة.