كل فريق هندسي بنى يوماً خط أنابيب ثابتاً باستخدام LangChain يعرف المشكلة جيداً: ما إن يتغير توزيع الاستفسارات حتى يبدأ كل شيء بالتصدع. وهذا التغيير حتمي. هذا بالضبط ما أرادت Sakana AI معالجته.
فكرة تُعيد تعريف التنسيق بين النماذج
طوّر باحثو Sakana AI نموذجاً بحجم 7 مليارات معامل، مهمته الوحيدة ليست الإجابة على الأسئلة، بل تقرير من يُجيب. هذا النموذج الصغير يعمل كموجّه ذكي، يُحلل طبيعة كل طلب ثم يختار في الوقت الفعلي بين نماذج كبرى كـ Claude Sonnet وGemini 2.5 Pro وغيرها، بناءً على نقاط قوة كل نموذج وتكلفته وسياق المهمة. تجدر الإشارة إلى أن الورقة البحثية الأصلية لـ Sakana AI تُشير إلى نماذج متاحة فعلياً وقت نشر البحث، وليس بالضرورة إصدارات مستقبلية.
التدريب على القرار لا على المعرفة
ما يُميز هذا النهج هو أن النموذج لم يُدرَّب ليكون موسوعياً، بل ليكون استراتيجياً. استخدمت Sakana تقنيات التعزيز التكيفي لتعليم النموذج متى يُفوّض ومتى يجمع، ومتى يكتفي بنموذج واحد بدلاً من استدعاء ثلاثة. النتيجة نظام يتكيف مع تحولات الاستفسارات بدلاً من الانكسار أمامها.
الأداء مقابل التكلفة، معادلة مختلفة
في الاختبارات، أثبت النظام أنه يُحقق أداءً يُضاهي استخدام النماذج الكبيرة دائماً، لكن بتكلفة أقل بكثير. التوجيه الذكي يعني أن الطلبات البسيطة لا تذهب إلى نماذج ضخمة دون داعٍ، والطلبات المعقدة لا تُسلَّم لنموذج متوسط غير مؤهل لها. التوازن هنا ليس يدوياً، بل مُتعلَّم.
وماذا يعني هذا لك؟
إن كنت تبني تطبيقات ذكاء اصطناعي أو تُدير بنية تحتية للنماذج، فهذا يعني أن حقبة الخطوط الثابتة قد تقترب من نهايتها. بدلاً من تحديد يدوياً أي نموذج يُعالج أي نوع من الطلبات، يمكن لطبقة تنسيق متعلمة أن تتكيف تلقائياً مع قاعدة مستخدميك المتطورة. للفرق العربية التي تبني في بيئات متعددة اللغات، هذا مهم بشكل خاص، إذ تتفاوت قدرات النماذج الكبرى في العربية تفاوتاً واضحاً، وطبقة توجيه ذكية قد تُعوّض هذا الفارق تلقائياً.
نحو تنسيق ذاتي التطور
تطرح تجربة Sakana سؤالاً أعمق: هل مستقبل بناء التطبيقات بالذكاء الاصطناعي هو تصميم طبقة تنسيق ذكية، أكثر من اختيار النموذج الأفضل؟ النموذج الصغير الذي يعرف كيف يُوزع العمل قد يكون أقيم من النموذج الكبير الذي يُحاول فعل كل شيء بمفرده.
المصدر: ورقة Sakana AI البحثية الأصلية، متاحة على: https://arxiv.org/abs/2506.05800
