الذكاء المتخصص يتفوق على النماذج العامة لدى Bridgewater
كشفت أبحاث مشتركة بين Thinking Machines Lab وBridgewater أن نماذج الذكاء الاصطناعي المتخصصة يمكن أن تتفوق على النماذج الرائدة العامة في مهام محددة، خاصة في تحليل الأخبار واتخاذ قرارات استثمارية، مع تكلفة أقل بكثير من النماذج المتقدمة التقليدية.
تفاصيل الخبر
أجرت المؤسستان Thinking Machines Lab وBridgewater اختبارًا على نماذج ذكاء اصطناعي بهدف تقييم قدرتها على تصفية المعلومات المهمة داخل بيئة عمل استثمارية، وهي مهمة تعتمد على دقة الحكم البشري في الأساس.
وتتضمن أبرز النتائج:
- تم اختبار نماذج مثل GPT وClaude وGemini على مهام تشمل تحليل رسائل البريد، الأخبار، والتقارير المالية.
- حققت النماذج العامة متوسط دقة يقارب 50% فقط في هذه المهام.
- عندما استخدم فريق Bridgewater تعليمات (prompts) مصممة من قبل المستثمرين أنفسهم، ارتفع الأداء إلى حوالي 75%، لكنه بقي أقل من المستوى المطلوب للاستخدام اليومي الموثوق (حوالي 80%).
- عند تدريب نموذج مفتوح المصدر Qwen3-235B باستخدام بيانات خبراء عبر منصة TML Tinker، ارتفع الأداء إلى 84.7%.
- هذا النموذج المتخصص حقق الأداء الأعلى بتكلفة أقل بحوالي 13.8 مرة مقارنة بالنماذج الرائدة.
- المشروع قادته Mira Murati عبر Thinking Machines Lab، مع التركيز على فكرة “تحسين الذكاء الاصطناعي عبر خبرة الخبراء أنفسهم”.
- تخطط Bridgewater لتوسيع استخدام هذه النماذج في مهام تحليلية واستثمارية أكثر تخصصًا داخل الشركة.
الأهداف المستقبلية
تشير هذه النتائج من Thinking Machines Lab وBridgewater إلى تحول مهم في طريقة بناء أنظمة الذكاء الاصطناعي داخل المؤسسات، حيث لا يتم الاعتماد على النماذج العامة فقط، بل على نماذج مصممة خصيصًا لكل مجال.
ومن أبرز الأهداف المستقبلية:
- تطوير نماذج ذكاء اصطناعي مخصصة لكل قطاع (استثمار، قانون، صحة، وغيرها).
- تحسين دقة اتخاذ القرار داخل المؤسسات المالية عبر تدريب النماذج على خبرة بشرية مباشرة.
- تقليل التكاليف التشغيلية مقارنة باستخدام النماذج العامة الكبيرة.
- تعزيز مفهوم “الذكاء الاصطناعي المتخصص بدل العام” داخل الشركات.
- توسيع استخدام منصات تدريب مخصصة مثل TML Tinker لتسريع تطوير النماذج.
- رفع مستوى الاعتماد على الذكاء الاصطناعي في المهام اليومية دون فقدان الدقة البشرية.
- دمج الخبرة البشرية مع التعلم الآلي بشكل أعمق في بيئات العمل الاحترافية.
تظهر هذه الدراسة أن مستقبل الذكاء الاصطناعي في المؤسسات قد لا يعتمد فقط على النماذج العملاقة، بل على نماذج أصغر وأكثر تخصصًا مصممة لتفهم سياق العمل بدقة أعلى وتكلفة أقل، مما قد يعيد تشكيل طريقة استخدام الذكاء الاصطناعي داخل الشركات.
