DeepSeek تكشف عن نهج ثوري لاستدلال الذكاء الاصطناعي
أعلنت شركة DeepSeek المتخصصة في الذكاء الاصطناعي بالتعاون مع باحثي جامعة تسينغهاوا عن طريقة جديدة لتحسين استدلال نماذج اللغة (LLMs)، تُعزز من توافق النتائج مع تفضيلات البشر.
تفاصيل الخبر
يتمثل هذا النهج في دمج نمذجة المكافأة التوليدية (Generative Reward Modelling – GRM) مع ضبط النقد الذاتي المبني على المبادئ (Self-Principled Critique Tuning). يهدف هذا الجمع إلى توجيه النماذج نحو تحقيق نتائج أفضل وأسرع عند الإجابة عن الاستفسارات العامة.
- قامت DeepSeek بتطوير طريقة متطورة تجمع بين تقنيتين رئيسيتين:
- نمذجة المكافأة التوليدية (GRM): تساعد على توجيه النموذج لتحقيق مخرجات تتماشى مع تفضيلات وآراء البشر.
- ضبط النقد الذاتي المبني على المبادئ: يُحسن من دقة الاستدلال عن طريق تقديم تقييم ذاتي للمخرجات وتعديلها وفقًا لمعايير محددة.
- النتيجة هي نموذج DeepSeek-GRM الذي تفوقت به التجارب على الأساليب الحالية وحقق أداءً تنافسيًا مع نماذج المكافأة العامة الرائدة.
- تنوي DeepSeek جعل نماذج GRM مفتوحة المصدر، رغم عدم تحديد موعد للإصدار، مما يشير إلى حرص الشركة على دعم مجتمع البحث العلمي.
- يأتي هذا الإعلان وسط توقعات واسعة لإصدار الجيل التالي من نموذجها الشهير DeepSeek-R1، حيث تشير بعض التقارير إلى إمكانية صدور نسخة R2 في الفترة القادمة، رغم أن الشركة لم تؤكد ذلك رسميًا.
الأهداف المستقبلية
يطمح فريق DeepSeek إلى تطوير الاستدلال لدى النماذج بشكل يُسهم في تحسين سرعة وكفاءة الإجابات وتقديم مخرجات أكثر توافقًا مع احتياجات المستخدمين. ومن بين الأهداف المحددة:
- تحسين سرعة ودقة الاستدلال: الاستمرار في تطوير تقنيات الجمع بين GRM وضبط النقد الذاتي لتقصير زمن الاستجابة وتحقيق نتائج أكثر دقة.
- دعم البحث المفتوح: العمل على إصدار النماذج مفتوحة المصدر ليتمكن الباحثون والمطورون من استخدامها وتعديلها وفقًا لاحتياجاتهم.
- توسيع مجال التطبيق: تطبيق المنهج الجديد في مجالات متعددة، مثل الترجمة الآلية، وتوليد المحتوى، والتفاعل مع المستخدمين بشكل يتجاوز مجرد الإجابة على الأسئلة.
- تعزيز التكامل مع الأنظمة القائمة: العمل على دمج النهج الجديد مع الأنظمة القائمة لتوفير حلول مخصصة للشركات والمؤسسات في مختلف الصناعات.
يمثل هذا النهج الثوري الذي أعلنت عنه DeepSeek خطوة مهمة نحو تحسين قدرات استدلال النماذج الذكية، مما يعزز من توافق مخرجاتها مع توقعات المستخدمين ويفتح آفاقًا جديدة في تطبيقات الذكاء الاصطناعي.
