GLM-5.3 يساعد Z AI على بناء بنية تحتية للذكاء الاصطناعي
كشفت Z AI أن نموذج GLM-5.3 ساعد في بناء وتحسين البنية التحتية التي تشغّل GLM-5.3-Flash، باستخدام أكثر من 100 ألف مسرّع ذكاء اصطناعي، في تجربة مبكرة على تطوير الأنظمة بمساعدة النماذج نفسها.
تفاصيل الخبر
أوضحت Z AI أن نموذج GLM-5.3 شارك عبر وكيل للبنية التحتية في تطوير نظام الاستدلال الذي يشغّل GLM-5.3-Flash، في تجربة تصفها الشركة بأنها مثال مبكر على ما يمكن أن يبدو عليه التطوير الذاتي للأنظمة المدعومة بالذكاء الاصطناعي.
وشملت عملية بناء النظام مجموعة كبيرة من المهام الهندسية، أبرزها:
- تشغيل النظام على عنقود يضم أكثر من 100 ألف مسرّع ذكاء اصطناعي صيني الصنع.
- تطوير البنية التحتية من الصفر لتشغيل GLM-5.3-Flash في بيئة إنتاجية.
- التعامل مع سعة ذاكرة محدودة ونطاق ترددي محدود، إلى جانب نافذة سياق تصل إلى مليون رمز ودعم الطلبات متعددة الوسائط.
- استخدام Infra Agent مدعوم بـGLM-5.3 للمساعدة في تحليل المشكلات واقتراح التعديلات وتنفيذها واختبارها.
- تطبيق مجموعة من التحسينات، مثل W8A8 quantization وINT8/FP8/BF16 وLayer Split وبنية Encode-Prefill-Decode.
- رفع أداء خدمة النموذج بنحو 3 أضعاف مقارنة بخط الأساس الأولي، وفق Z AI.
- انتقال GLM-5.3-Flash من مرحلة تكييف النموذج الأولية إلى الجاهزية للإنتاج خلال أقل من أسبوعين.
- معالجة أكثر من 62 تريليون رمز خلال ستة أيام بعد اختبار النموذج في استخدامات واقعية على OpenCode وOpenRouter، وفق الشركة.
واعتمد الوكيل على ما تسميه Z AI “التغذية الراجعة الكثيفة”، أي الجمع بين اختبارات الدقة، والسجلات، وتتبع التنفيذ، والاختبارات المصغرة، ومقاييس الأداء الشاملة. ويساعد هذا الأسلوب الوكيل على تحديد سبب المشكلة بدل الاكتفاء بملاحظة انخفاض الأداء.
وتقول Z AI إن التجربة شملت أيضًا اكتشاف أخطاء في الدقة العددية واختناقات في نقل بيانات KV وتحسين بعض النوى البرمجية، مع استخدام التجارب والاختبارات للتحقق من نتائج التعديلات.
الأهداف المستقبلية
ترى Z AI أن هذه التجربة تمثل خطوة مبكرة نحو تطوير أنظمة يمكن للنماذج الذكية المشاركة بصورة أكبر في بنائها وتحسينها، مع استمرار وجود دور أساسي للمهندسين في تحديد الأهداف والقيود ومراجعة التغييرات الحساسة.
ومن أبرز التوجهات التي تشير إليها الشركة:
- تطوير وكلاء قادرين على تنفيذ المزيد من المهام الهندسية بصورة مستقلة.
- بناء حلقات تغذية راجعة أكثر دقة لتوجيه قرارات الوكلاء.
- الاستفادة من الخبرات المكتسبة من عمليات التحسين السابقة في مهام جديدة.
- تحسين كفاءة البنية التحتية وتقليل تكلفة تشغيل النماذج.
- زيادة قدرة النماذج على تحليل مشكلات الأداء والدقة واختبار الحلول.
- مواصلة دراسة مفهوم التحسين الذاتي التكراري (Recursive Self-Improvement).
وتؤكد Z AI أنها لم تصل إلى مرحلة يستطيع فيها النموذج تصميم وتدريب خليفته بصورة مستقلة بالكامل، كما تشير إلى أن تحديد الأهداف ووضع الحدود وتقييم المخاطر ما زالت مسؤوليات بشرية.
توضح تجربة Z AI اتجاهًا جديدًا في تطوير البنية التحتية للذكاء الاصطناعي، حيث لم يقتصر دور GLM-5.3 على تشغيل التطبيقات، بل شارك أيضًا في تحسين النظام الذي يشغله. ومع استمرار تطور الوكلاء، قد تصبح حلقات التغذية الراجعة والتجارب الآلية جزءًا أكثر أهمية من هندسة أنظمة الذكاء الاصطناعي.
