حلقة أبحاث OpenAI تبدأ في إغلاق نفسها

ذكر موقع The Information في 21 سبتمبر أن النماذج الداخلية لـ OpenAI أتمتت إلى حد كبير خط أنابيب التدريب الخاص بالنماذج التجريبية الجديدة، بما في ذلك كتابة شيفرة نواة GPU وتحسين شيفرة التدريب. وكان التفصيل الأبرز هو كيفية بدء العمل. يمنح أحد الباحثين النظام مثالاً واحداً على تحسين ينبغي السعي إليه، ثم يقضي الذكاء الاصطناعي أسابيع في تنفيذ واختبار تحسينات مشابهة بمفرده.

أما التفصيل الثاني فكان أغرب. فقد بدأ عدة وكلاء ذكاء اصطناعي داخليين في التعاون على مسائل دون وجود إنسان في الحلقة. والأمثلة التي جرى الإبلاغ عنها، والتي كانت تستغرق سنوات من الهندسة، تُنجز الآن في نحو أسبوع.

إذا كان هذا الوصف دقيقاً، فالجزء المثير ليس أن الذكاء الاصطناعي يستطيع كتابة شيفرة النواة؛ فالنماذج تفعل ذلك منذ فترة. الجزء المثير هو اتجاه الحلقة. فعندما يساعد الذكاء الاصطناعي في جعل النموذج التالي أسرع، ويساعد ذلك النموذج الأسرع في صنع الذي يليه، يتراكم التحسن داخل عملية البحث بدلاً من أن يظل عند الطبقة المواجهة للمستخدم.

لماذا يختلف هذا عن كتابة الشيفرة

أتمتة حلقة التدريب ليست مثل أتمتة مهمة برمجية، والفرق يستحق بياناً دقيقاً. فكتابة ميزة لتطبيق لها هدف معروف: الميزة تعمل أو لا تعمل. أما تحسين جولة تدريب فله هدف مفتوح. على النظام أن يجد تغييرات تجعل التدريب أسرع أو أرخص دون إضعاف النموذج، وعليه أن يفعل ذلك داخل فضاء بحث تكون معظم تغييراته فيه للأسوأ.

يشير سير العمل المذكور إلى أن الجزء الصعب قد جرى تضييقه. فالإنسان يقدّم مثالاً جيداً واحداً على تحسين، وهو ما يحدد شكل المشكلة. ثم يُكرّر الذكاء الاصطناعي ذلك الشكل في أجزاء أخرى من قاعدة الشيفرة. هذه قدرة حقيقية، وهي أيضاً قدرة محدودة، لأن الإنسان لا يزال هو من يقرر ما يُعد اتجاهاً واعداً.

وعند هذا الحد يصبح الادعاء مثيراً للاهتمام. فتكريس تحسين معروف في أنحاء قاعدة الشيفرة عمل يستطيع نموذج قوي القيام به اليوم. أما اكتشاف تحسين لم يجده أحد فهو مهمة مختلفة، والتقرير لا يزعم حدوث ذلك. ما يصفه هو إزالة فئة كبيرة من العمل الماهر من خط أنابيب التدريب، وهذا ليس نفس ما يعنيه أن يُحسّن الخط نفسه، حتى لو اختلط الأمران عند الحواف.

أما الادعاء الخاص بتعاون الوكلاء المتعددين فمن الصعب تقييمه. فعمل الوكلاء معاً دون بشر يبدو قفزة نوعية، لكنه قد يعني أيضاً أن وكلاء يتبادلون مخرجات منظمة فيما بينهم داخل سير عمل صممه إنسان. وكلاهما متسق مع التقرير. والفجوة بينهما هي الفرق بين نوع جديد من مؤسسات البحث ونص برمجي طويل للأتمتة.

حجة التكرار، بصياغة صادقة

التحسين الذاتي التكراري هو فكرة أن الذكاء القادر على تحسين نفسه يصبح أسرع في تحسين نفسه، وهو ما ينتج منحنى يبدو مستوياً ثم لا يبقى كذلك. والفكرة موجودة منذ أن كتب إ. ج. غود عن انفجار الذكاء عام 1965، وظلّت في معظمها نظرية لأن الحلقة كانت تنكسر. فالنموذج الذي يكتب شيفرة مفيد. أما النموذج الذي يحسّن العملية التي تنتج النموذج التالي فشيء آخر.

ما يجعل الوضع المذكور جديراً بالانتباه هو أن للحلقة مسطرة قياس طبيعية. فكفاءة التدريب سهلة القياس الكمي. وإذا كان العمل التدريبي المدعوم بالذكاء الاصطناعي يضغط فعلاً جهداً هندسياً استمر سنوات في أسبوع، فسيظهر ذلك في وتيرة إصدار OpenAI لنماذج جديدة وفي مقدار القدرة الحاسوبية التي يستهلكها كل واحد منها. فحلقة بحث أُغلقت حقاً تنتج إيقاعاً قابلاً للملاحظة، وحلقة بحث لم تُغلق تنتج دورة صحفية.

هذا هو الاختبار الذي سأطبقه. ليس ما إذا كان التقرير صحيحاً، بل ما إذا كانت الأشهر الاثنا عشر المقبلة تُظهر إصدارات أسرع للنماذج بتكلفة مشابهة. فإن كانت الحلقة تُغلق، سيتغير إيقاع الإصدارات. وإن لم تكن، فالإعلان ليس سوى ادعاء آخر بقدرة ذات عمر قصير.

لماذا يهم الإيقاع أكثر من الادعاء

هناك سبب للاهتمام بتوقيت هذا التقرير لا بمحتواه فقط. فقد اصطدم تدريب النماذج في الطليعة بجدار، والجدار مصنوع من التكلفة. فجولة تدريب كبيرة واحدة تستهلك اليوم طاقة ورقائق ووقتاً هندسياً بمقياس يصبح فيه تحسّن بنسبة عشرة في المئة أغلى من رقم قياسي جديد في اختبار أداء، لأنه يحدد عدد التجارب التي يستطيع مختبر تحمّل تكلفة إجرائها في الربع التالي.

وهذا يغيّر قيمة الذكاء الاصطناعي الذي يحسّن شيفرة التدريب. فهو ليس خطوة نحو آلة تحسّن نفسها بالمعنى الخيالي العلمي، بل هو مضاعف لأغلى ما يفعله المختبر، والمضاعف على أغلى بند في الميزانية هو مصدر ميزة بحثية. ومختبران بميزانية حاسوبية متساوية لكن بحلقة تدريب أسرع بعشرة في المئة لا يبقيان متعادلين طويلاً.

ومن هذه الزاوية، يتعلق التقرير أقل بالوعي وأكثر بكفاءة رأس المال. فالحلقة التي تهم ليست النموذج الذي يحسّن نفسه، بل النموذج الذي يخفض تكلفة التجربة التالية، ما يتيح للمختبر إجراء عدد أكبر منها، وهذه هي الطريقة العادية التي تتسارع بها أي تقنية.

الجزء الذي لا يستطيع أحد التحقق منه

المشكلة الصادقة مع هذا النوع من التقارير هي التحقق. فلا ورقة بحثية، ولا معيار قياس، ولا تكرار مستقل. الادعاء يأتي من داخل شركة لديها كل الحوافز كي تُصدَّق ولا عليها أي التزام بإظهار عملها. هذا لا يجعله كاذباً، لكنه يعني أن الثقة التي يمكن لأي شخص خارجي أن يوليها محدودة بمصدرها.

وهذا ليس حصراً على OpenAI. فكل مختبر في الطليعة يقدّم اليوم ادعاءات بشأن أتمتة داخلية تقع خارج التقييم العام، والتقارير التي تكشفها تؤدي عملاً مفيداً حتى عندما يتعذر التحقق من الأرقام. والنمط مألوف: تُوصَف قدرة، ويكون الوصف معقولاً، ويصل الدليل، أو لا يصل، في مكان ما على طول الطريق.

وهناك أيضاً سؤال عن الغرض من هذه الأتمتة. قال ألتمان في بودكاست في أوائل سبتمبر إن OpenAI ستبني بالتأكيد روبوتات بشرية، وإن الدماغ هو الجزء الصعب وليس الجسم. فعملية بحثية تتسارع بنفسها وطموح إلى وضع ذلك الذكاء في آلات مادية هما نصفان للأطروحة نفسها. فحلقة التدريب ليست المنتج، بل هي ما يجعل المنتج التالي ممكناً.

ماذا يعني ذلك إن صحّ

افترض أن الإيقاع المذكور حقيقي. الأثر المباشر هو أن مختبراً في الطليعة يستطيع استكشاف أفكار أكثر في وحدة زمنية واحدة، لأن تكلفة اختبار أي تحسين تنخفض. وهذا يرجّح كفة المختبرات التي تملك أصلاً قدرة حاسوبية وبيانات على نطاق واسع، وهي المجموعة نفسها من المختبرات المتصدرة اليوم. إنها ميزة تتراكم لصالح اللاعبين الحاليين، لا ميزة تتيح لفريق أصغر أن يلحق بهم.

الأثر غير المباشر يقع على وظائف البحث. فالعمل الذي يصفه التقرير، أي كتابة النوى وضبط شيفرة التدريب، هو بالضبط نوع العمل الماهر لكن المحدَّد جيداً الذي تصل إليه الأتمتة أولاً. والذين كانوا يؤدون هذا العمل يتحركون صعوداً نحو تحديد ما يستحق التحسين، وهو الجزء الذي ما زال التقرير يسنده إلى الإنسان.

هذه القراءة أقل إثارة من انفجار ذكاء، لكنها أكثر فائدة للتخطيط. فالخبر المذكور ليس أن OpenAI بنت آلة تحسّن نفسها، بل أن خط أنابيب التدريب استوعب بهدوء الجزء من البحث الذي كان الأسهل تحديداً، وترك الأحكام التقديرية في مكانها.