كيف تُمكّن الوكلاء الذكيون من إنشاء نماذج مخصصة بتكلفة ضئيلة

في الأسبوع الماضي، احتاج مطوِّر إلى مُعيد صياغة أوامر (prompt rewriter) خفيف الوزن لنموذج Qwen-Image 2.1. النموذج الرسمي بحجم 9 مليارات معامل يتطلب 20 جيجابايت من ذاكرة الفيديو وآلاف الرموز للتفكير. لم يكن هناك نسخة مصغّرة مناسبة على المنصة. بدلاً من انتظار إصدار جديد أو استئجار عنقود GPU، وصف المهمة لوكيل ML Intern — وهو وكيل مستقل يخطط، يحدّد الميزانية، يدرب، يقيّم، وينشر النماذج على أجهزة Hugging Face. في اليوم التالي، كان نموذج 0.8 مليار جاهزًا: يعمل على المعالج المركزي، يطابق مخرجات النموذج الكبير بنسبة 99.7%، ويستخدم ربع الرموز. إجمالي تكلفة الحوسبة، بما في ذلك تصنيف 8,797 مثالًا بالنموذج الكبير: 16 دولارًا أمريكيًا.

خلال الأيام التالية، أنتج نفس سير العمل خمسة نماذج عامة أخرى — كل منها بدأ كرسالة دردشة وانتهى كمنتج مُصدّر مع بطاقة تقييم. يفرض الوكيل ميزانية ابتدائية بصفر دولار، يطلب موافقة قبل أي حوسبة مدفوعة، يشغّل اختبار دخان (مثل 50 خطوة تدريب مع فحص تغيّر الأوزان)، ويحدّ الإنفاق بسقف يحدّده المستخدم. تحوّل هذه الحمايات التجريب من قرار إنفاق رأسمالي إلى قرار تشغيلي.

أنماط توجيهية تجعل التكاليف قابلة للتنبؤ

تطوّرت توجيهات المؤلف من 450 إلى 2,000 كلمة عبر ستة مشاريع. برز هيكل ثابت: هدف بسطر واحد، قسم Verified facts, do not re-derive يثبّت إصدارات مجموعة البيانات، نقاط تفتيش النموذج الأساسي، والخصائص المعروفة للمدرب حتى ينفق الوكيل الميزانية على التدريب لا على إعادة الاكتشاف، خط أساس إلزامي (zero-shot) لقياس المكسب الفعلي، اختبار دخان مع فحص نجاح/فشل آلي، وسقف تكلفة صارم مع بوابة موافقة صريحة. عند إغفال سطر الميزانية، يقترح الوكيل خططًا متدرجة وينتظر الاختيار.

لماذا هذا مهم للبنية التحتية للـ GPU / الذكاء الاصطناعي: هذا النمط يعكس قانون التوسّع التقليدي. بدلاً من توفير عناقيد A100/H100 لأشهر لتدريب نماذج كبيرة أو ضبطها، يمكن للفرق الآن تشغيل نماذج مخصصة دون المليار معامل عند الطلب — غالبًا على مثيلات CPU فقط — بدولارات لا بآلاف الدولارات. لمزودي السحابة مثل AiGpu، يوسع هذا السوق القابل للعنونة من بضع عمليات تدريب كبيرة إلى تيار عالي الحجم ومنخفض الهامش من مهام التكثيف (distillation)، LoRA، والكمّية (quantization) التي تبقي الاستخدام مرتفعًا وتخفض حاجز الدخول لخبراء المجال الذين يفتقرون لعمق هندسة التعلم الآلي.

النماذج الستة المنشورة تشمل مصنّف أمراض الحمضيات الذي يضاعف دقة Qwen3.5-2B ثلاث مرات، و LoRA لزاوية الكاميرا لتوليد صور شفافة، ومستخرج مخرجات منظمة — كلها درّبت، قُيّمت، ونُشرت دون أن يشغّل المؤلف أي سكريبت تدريب يدويًا. مع نضج مصانع النماذج الموجهة بالوكلاء، تتحوّل اقتصاديات الوحدة للذكاء الاصطناعي المخصص نحو استدلال سلعي (commodity inference)، مما يجعل النماذج المتخصصة روتينية في التوفير مثل صور الحاويات (container images).