Industry·
ريكيرسيف تراهن على الذكاء الاصطناعي الذي يبني ذكاءً اصطناعياً مع نموذج فلينت الجديد
تضاعف شركة ريكيرسيف الناشئة رهانها على التحسين الذاتي التكراري، مطلقةً نموذج فلينت — الذي تم تدريبه إلى حد كبير بواسطة أنظمة ذكاء اصطناعي أخرى. قد يعيد هذا النهج تشكيل كيفية تخصيص ميزانيات الحوسبة لتطوير النماذج المتقدمة.
كشفت شركة ريكيرسيف (Recursive)، وهي شركة بحثية ناشئة مقرها سان فرانسيسكو، عن فلينت (Flint) — أحدث نماذجها اللغوية الكبيرة الذي تم تطويره عبر خط أنابيب تتولى فيه أنظمة الذكاء الاصطناعي أجزاءً كبيرة من تنسيق البيانات، والبحث عن البنية المثلى، وتحسين التدريب. تجادل الشركة بأن إسناد هذه المهام إلى نماذج قادرة يسرّع دورات التكرار ويقلل من العبء الهندسي البشري الذي عادةً ما يعيق تطوير النماذج المتقدمة.
يُذكر أن عملية تدريب فلينت استهلكت جزءاً صغيراً من ساعات الباحثين المطلوبة للنماذج المماثلة، مع قيام وكلاء آليين باقتراح والتحقق من التغييرات المعمارية في الوقت الفعلي. تدعي ريكيرسيف أن النموذج يضاهي أو يتجاوز المعايير التي حددتها الأنظمة المُهندسة تقليدياً بعدد معلمات مشابه، رغم أن التحقق المستقل لا يزال قيد الانتظار.
لماذا هذا مهم للبنية التحتية للذكاء الاصطناعي / وحدات معالجة الرسوميات
إذا أثبت التحسين الذاتي التكراري موثوقيته على نطاق واسع، فقد تتغير اقتصاديات تدريب النماذج: عدد أقل من المهندسين الخبراء لكل مشروع، لكن طلباً إجمالياً أعلى على الحوسبة محتمل حيث يستكشف البحث الآلي فضاءً أكبر من التكوينات. على مزودي الخدمات السحابية ومشغلي أساطيل وحدات معالجة الرسوميات مراقبة ما إذا كان هذا النموذج يزيد من استهلاك ساعات وحدة معالجة الرسوميات لكل نموذج مع ضغط الوقت التقويمي للنشر.
كما يثير النهج أسئلة حوكمة. قد ينتج البحث المعماري الآلي خيارات تصميم غير شفافة تعقّد عمليات التدقيق والمراجعة الأمنية — اعتبار مهم للمؤسسات التي تنشر نماذج في بيئات منظمة.
- aigpu
- ai gpu
- ai gpu cloud
- aigpu dubai
- recursive self-improvement
- llm training
- ai infrastructure
- model automation
بقلم AiGpu Editorial · إعادة صياغة تحريرية استناداً إلى تقارير عامة (Wired AI)
→ كل المقالات