OpenAI تضع معظم أبحاثها في نماذج لم تُبنَ بعد
تكرّس OpenAI الغالبية العظمى من قدراتها البحثية لنماذج لم يتم بناؤها بعد. ويقدّر بوريس باور، رئيس الأبحاث التطبيقية في الشركة، هذه النسبة بـ80 إلى 90 بالمئة من إجمالي الجهد البحثي الموجّه نحو GPT-7 وGPT-8 والأجيال التي تليهما. والمنطق واضح ومباشر: فهناك حيث تعتقد الشركة أن "معظم القيمة" ستُخلَق في نهاية المطاف.
هذا الإفصاح، الذي جاء خلال جلسة في Fellows Forum، يعيد تأطير الطريقة التي ينبغي للغرباء أن يقرأوا بها التدفق المنتظم لإصدارات النماذج في منتصف الدورة. فتلك التحديثات منتجات حقيقية يستخدمها العملاء كل يوم، لكنها ليست حيث يتركّز اهتمام الشركة البحثي.
ويشير تأطير باور إلى مؤسسة تتعامل مع كل جيل مرقّم باعتباره تحوّلًا في المنصة وليس مجرد تكرار للمنتج — تغيّرًا جذريًا يعيد ضبط الافتراضات حول ما يمكن أن تفعله التقنية ومن أين ستأتي العوائد.
وحجم هذا الالتزام غير معتاد حتى بمعايير مختبرات الذكاء الاصطناعي المتقدمة. فتخصيص الأغلبية الواضحة من الموارد البحثية لأنظمة تفصلها عدة أجيال عن الإطلاق ينطوي على اعتقاد بأن أكبر المكاسب الاقتصادية ومكاسب القدرات لا يمكن تحقيقها عبر تحسين ما هو موجود بالفعل.
التحديثات التدريجية رهان قصير الأجل عن قصد
بين الأجيال الكبرى، تطلق OpenAI تحسينات أصغر. وأشار باور إلى الانتقال من GPT-5.1 إلى GPT-5.2 كمثال تمثيلي. ويعتمد هذا النوع من العمل بشكل كبير على بيانات تدريب متخصصة — مجموعات بيانات موجّهة تصقل سلوك النموذج في مجالات محددة دون تغيير النهج الأساسي.
وقال باور إن هذه الإصدارات التدريجية تُعتبر داخليًا "قصيرة النظر للغاية". وهذا ليس انتقادًا بقدر ما هو إقرار بالاستراتيجية: فالشركة تعلم أنها ليست اللعبة الطويلة، ومع ذلك تطلقها.
والمبرر هو السرعة. فالتحديثات المتكررة تتيح لـOpenAI التكرار وجمع الإشارات والتعلّم بشكل أسرع في الحاضر، حتى وإن كان هذا النهج لن يحمل الشركة إلى حيث تريد على المدى الطويل. وبعبارة أخرى، تساعد الرهانات قصيرة الأجل في تمويل التعلّم الذي يغذّي الرهانات طويلة الأجل.
- معظم القدرات البحثية: موجّهة نحو GPT-7 وGPT-8 وما بعدهما.
- تحديثات منتصف الدورة: مدفوعة ببيانات تدريب متخصصة.
- النظرة الداخلية: هذه التحديثات مفيدة، لكنها ضيقة استراتيجيًا.
- العائد طويل الأجل: يُتوقع أن يأتي مع أجيال جديدة من النماذج.
القفزة الحقيقية تأتي مع جيل جديد
وصف باور القفزة الجيلية بأنها اللحظة التي "يعمل فيها كل شيء آخر بشكل أفضل بكثير". فالقدرات التي كانت هشة أو جزئية في جيل واحد تميل إلى التماسك في الجيل التالي، ما ينتج مكاسب لا يمكن لأي قدر من الضبط الدقيق على النموذج السابق أن يحاكيها.
والتمييز هنا بين صقل نموذج في مهام ضيقة ورفع السقف في كل شيء دفعة واحدة. فبيانات التدريب المتخصصة يمكن أن تحسّن طريقة تعامل النموذج مع فئات معينة من الطلبات؛ أما الجيل الجديد فيمكن أن يحسّن طريقة استدلاله واتباعه للتعليمات وتعاطيه مع الغموض على جميع الأصعدة.
وهذا الديناميكي يحمل تكلفة تشغيلية غير معتادة. فبعد كل خطوة صعود، يتعيّن على OpenAI أن تعيد تعلّم أين تستثمر لتحقيق مكاسب سريعة. فالتقنيات التي كانت تنتج مكاسب ذات مغزى قد تصبح زائدة عن الحاجة عندما يتحسّن النموذج الأساسي من تلقاء نفسه — هدف متحرك يجبر الشركة على إعادة بناء دليلها مع كل جيل.
التهيئة الأولية، لا جودة النموذج، هي عنق الزجاجة
ولعل الجزء الأكثر أهمية في رواية باور يتعلق بما يراه العقبة الأساسية أمام مساعدات الذكاء الاصطناعي اليوم. فهي ليست جودة النماذج، بل التهيئة الأولية.
وقال إن معظم مستخدمي ChatGPT لا يعرفون ما يمكنهم فعله فعليًا بالذكاء الاصطناعي. والفجوة ليست في القدرة بل في الاكتشاف: فالنماذج قادرة بالفعل على التعامل مع مجموعة واسعة من المهام التي لا يفكر كثير من المستخدمين في تجربتها. وسدّ هذه الفجوة مشكلة تصميم ومنتج بقدر ما هي مشكلة بحثية.
وهذا ادعاء جدير بالملاحظة من شخص يقع عمله قريبًا من الحدود البحثية. فهو يشير إلى أن العامل المحدّد للقيمة في العالم الحقيقي يتعلق أقل بمدى ذكاء النموذج التالي وأكثر بمدى قدرة الناس على معرفة ما يطلبونه منه. فنظام أكثر قدرة لا يستفيد منه المستخدمون استفادة كاملة يقدّم أقل من إمكاناته.
ووصفة باور للنماذج المستقبلية هي أن تصبح أفضل في إبراز ما هو ممكن وفي توقّع ما يحتاجه المستخدم قبل أن يطلبه. وهذا يشير نحو مساعدات تقترح إجراءات وتوصي بمسارات عمل وتقلّل عبء معرفة من أين تبدأ.
كيف يغيّر كل جيل تجربة المستخدم
رسم باور تطور سهولة الاستخدام عبر نماذج OpenAI الأخيرة بمصطلحات ملموسة:
- GPT-4 تطلّب صياغة أوامر دقيقة — كان على المستخدمين تعلّم حرفة الطلب.
- GPT-5 أصبح أسهل في التعامل، لكنه ظل يتطلب قدرًا كبيرًا من التغذية الراجعة للبقاء على المسار.
- GPT-6 يتصرف أشبه بزميل كفؤ: يمكنك تسليمه هدفًا وتركه يعمل.
والمسار الذي يصفه هو تحوّل من إعطاء التعليمات لأداة إلى التفويض لمتعاون. وكل خطوة تقلّل مقدار الخبرة المطلوبة من المستخدم، وهو ما ينبغي أن يوسّع بدوره من يمكنه استخلاص القيمة من النظام.
ما يقوله هذا عن منطق خارطة طريق OpenAI
وبأخذها مجتمعة، ترسم تعليقات باور استراتيجية ذات مسارين. مسار يحافظ على تنافسية المنتج الحالي عبر تحديثات متكررة مدفوعة بالبيانات. ومسار آخر — حيث يتدفق معظم ميزانية البحث — يستهدف إعادة ضبط جيلية تجعل تحسينات المسار السابق عتيقة.
وهذا التقسيم يفسّر أيضًا لماذا تتعامل الشركة مع كل جيل جديد باعتباره الحدث الحاسم. فإذا كانت أكبر المكاسب تأتي من إعادة الضبط لا من الصقل، فينبغي أن تتبع أولويات البحث إعادة الضبط، حتى عندما تكون الإصدارات الوسيطة هي ما يستخدمه العملاء فعليًا اليوم.
والسؤال غير المحسوم هو ذاك الذي أثاره باور نفسه: هل يمكن للقيمة المبنية بالفعل في نماذج اليوم أن تصل إلى الأشخاص الذين لا يستخدمونها جيدًا بعد. وبحسب روايته هو، هذا أقل ارتباطًا بجعل النماذج أكثر ذكاءً وأكثر ارتباطًا بجعلها مفهومة للجميع.
وفي الوقت الحالي، تبدو الشركة مرتاحة لهذه المقايضة. فستواصل إطلاق التحديثات الصغيرة بينما تراهن بمعظم أبحاثها على الأجيال التي لم تصل بعد.
هذا المقال مبني على تقرير لـThe Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com
