بايدو تكشف عن الجيل الجديد من إيرني 5.1 وتعلن عن تطورات ثورية في الذكاء الاصطناعي

في سباق الذكاء الاصطناعي، لم يعد السؤال من يملك نموذجاً أكبر، بل من يستطيع تحقيق أداء أفضل بأقل تكلفة. هذا التحول الصامت في قواعد اللعبة كان محور إعلان بايدو الأخير عن نموذجها Ernie 5.1، الذي يأتي برسالة واضحة: الكفاءة قد تتفوق على التضخم العددي في عدد المعاملات.

بايدو كشفت أن Ernie 5.1 يقلّص عدد المعاملات الكلية إلى نحو ثلث ما كان عليه في Ernie 5.0، الذي بلغ 2.4 تريليون معامل، ويخفض المعاملات النشطة إلى النصف تقريباً. ورغم هذا التقليص الكبير، تدّعي الشركة تحقيق أداء يقترب من نماذج الصف الأول عالمياً، لكن بكلفة تدريب لا تتجاوز 6% من كلفة النماذج المنافسة في مرحلتها المسبقة.

الفكرة لا تتعلق فقط بتقليل الحجم، بل بإدارة الموارد الحاسوبية بذكاء. فبدلاً من إعادة البناء من الصفر، استخرجت بايدو شبكة فرعية مثالية من مصفوفة النماذج المرنة في الإصدار السابق، محافظةً على المعرفة المتراكمة، ومختصرة آلاف ساعات التدريب على وحدات المعالجة الرسومية.

على منصات القياس العامة مثل LMArena، حلّ النموذج رابعاً عالمياً في فئة البحث، والأول بين النماذج الصينية، وسجّل ترتيباً متقدماً في اختبارات النصوص والمعرفة المتخصصة. كما أشارت الشركة إلى تفوقه في مهام الوكلاء البرمجيين واستخدام الأدوات، واقترابه من أداء النماذج المغلقة في اختبارات معرفية مثل MMLU-Pro وGPQA.

هذه الأرقام لا تكفي وحدها للحسم، لكنها تعكس اتجاهاً واضحاً: لم تعد الشركات الصينية تلاحق الأسماء الغربية عبر تضخيم المعاملات، بل عبر تحسين التدريب اللاحق وتعزيز قدرات الاستدلال.

أحد أبرز عناصر التحديث يكمن في اعتماد “التدريب المرن متعدد الأبعاد” إلى جانب ما تصفه بايدو بالتعلم المعزز غير المتزامن بالكامل. هذا النوع من التعلم يسمح بتحسين قدرات النموذج في التفكير المتسلسل، والاسترجاع من محركات البحث، ودمج محتوى من مصادر متعددة، دون استنزاف موارد ضخمة.

هذا يعكس توجهاً أوسع في الصناعة نحو تحسين النماذج بعد مرحلة التدريب الأساسية، بدلاً من التركيز الحصري على زيادة الحجم. وهو توجه اكتسب زخماً مع ارتفاع تكلفة العتاد الحاسوبي وصعوبة الوصول إلى الرقائق المتقدمة.

إطلاق Ernie 5.1 يأتي في لحظة تتجه فيها شركات الذكاء الاصطناعي الصينية إلى تعظيم الاستفادة من الموارد المحدودة نسبياً مقارنة بمنافسيها في الولايات المتحدة. القيود المفروضة على تصدير الشرائح المتقدمة جعلت الكفاءة مسألة بقاء لا مجرد خيار تقني.

من هنا، يصبح النموذج الجديد أكثر من تحديث تقني؛ إنه مؤشر على استراتيجية كاملة: تحقيق أداء تنافسي عبر تحسين البنية، وضغط المعاملات، والاعتماد على تحسينات التدريب اللاحق، بدلاً من سباق لا ينتهي نحو نماذج أضخم.

إذا تأكدت هذه النتائج في الاستخدام العملي، فقد نشهد تحولاً في طريقة تقييم النماذج اللغوية الكبيرة. الشركات والمؤسسات لا تبحث فقط عن أعلى نتيجة على لوحة قياس، بل عن كلفة تشغيل معقولة واستقرار في الأداء. النماذج الأكثر كفاءة تعني اشتراكات أقل تكلفة، ونشراً أسهل على البنية التحتية السحابية، وربما حتى تشغيل محلي في بعض الحالات.

في النهاية، يكشف Ernie 5.1 أن سباق الذكاء الاصطناعي يمرّ بمرحلة نضج. لم يعد التفاخر بأرقام ضخمة كافياً، بل أصبحت المعادلة أكثر توازناً بين الأداء، واستهلاك الموارد، وقابلية التوسع. وربما تكون الكفاءة، لا الضخامة، هي الفصل التالي في هذه القصة المتسارعة.