يقدم مختبر آلات التفكير التابع لميرا موراتي الحالة الفنية للذكاء الاصطناعي المرتكز على الإنسان والمبني على أوزان نماذج قابلة للتخصيص

نشر Thinking Machines Lab تقريرًا لبناء الذكاء الاصطناعي الذي يوسع الإرادة البشرية والحكم. يتم تدريب معظم الذكاء الاصطناعي المستخدم اليوم في عدد قليل من الأماكن، ثم يتم تجميده. ويجادل التقرير بأن هذا التصميم يستبعد الأشخاص الذين يخدمهم النموذج. وبدلاً من ذلك، يريد الباحثون في مختبر Thinking Machines الذكاء الاصطناعي الذي يتم توزيعه وتخصيصه وتشكيله بواسطة مستخدميه.

مقترح مختبر آلات التفكير

يسمي المختبر أربعة اتجاهات فنية. أولاً، يقوم بتدريب نماذج قوية ذات تفاعل متعدد الوسائط وقابلية للتخصيص. ثانيًا، تقوم ببناء أدوات تتيح للأشخاص ضبط أوزان النماذج وتدريبها بأنفسهم. ثالثًا، تعمل على تطوير واجهات تعمل على توسيع قناة الاتصال بين الإنسان والآلة. رابعًا، ينشر الأبحاث حتى يفهم عدد أكبر من المهندسين كيفية صنع النماذج. تعمل هذه الاتجاهات معًا على نقل المعرفة والمواءمة بشكل أقرب إلى المستخدمين.

لماذا تحتاج المعرفة الموزعة إلى الذكاء الاصطناعي الموزع؟

وتحت هذه الاتجاهات يكمن ادعاء حول المعرفة نفسها. الكثير من المعرفة هي ضمنية ومحلية ويتم تحديثها باستمرار من خلال ردود الفعل. لا يمكن للطاهي الذي يقوم بتنقيح الوصفة أن يكتب هذه المهارة في قاعدة البيانات. ويستشهد التقرير بمايكل بولاني وفريدريش هايك لدعم ذلك. يفشل التخطيط الرئيسي لأن هذه المعرفة خاصة وعابرة وليست نادرة. ولذلك، يرى المختبر أنه يجب توزيع الذكاء الاصطناعي لاستخدام المعرفة الموزعة. إنها تريد أن يساعد الذكاء الاصطناعي المؤسسات على تنمية تلك المعرفة، وليس استخلاصها واستبدالها.

الشطرنج والرياضيات هي الاستثناءات المذكورة. كلاهما لديه أهداف ثابتة ويمكن التعبير عنها وليس لديه معرفة مخفية. لذا فإن اللعب الذاتي والحل المستقل يعملان بشكل جيد هناك. وخارج هذه المجالات المغلقة، يقول التقرير إن الاستخبارات وحدها ليست كافية.

الاختناقات الفنية وأسماءها

وبالنظر إلى هذا الإطار، يعيد التقرير صياغة حدين مألوفين كأهداف هندسية. الأول هو قناة الاتصال: مربع نص صغير وانتظار طويل. هذه هي المشكلة التي تعالجها نماذج التفاعل في المختبر بشكل مباشر. تستقبل هذه النماذج الصوت والفيديو والنص بشكل مستمر، باستخدام دورات دقيقة تبلغ 200 مللي ثانية تقريبًا. الحد الثاني هو التقييم نفسه. تقيس المعايير مثل METR المدة التي يعمل فيها النموذج بمفرده. ويقول التقرير إن هذا يتجاهل ما يحققه البشر والآلات معًا.

الملكية والمحاذاة اللامركزية

وبعيدًا عن الواجهات، يتحول التقرير إلى المكان الذي تعيش فيه القيم. ويحذر من أن سلطة المحاذاة الواحدة تصبح نقطة التقاط واحدة. تعمل المحفزات على تغيير السلوك السطحي، بينما تظل عادات النموذج الأعمق ثابتة. لذلك يرى المختبر أنه يجب ترميز القيم في أوزان النماذج، وليس في المطالبات. هذا هو المكان الذي تصبح فيه Tinker API ملموسة للمهندسين.

يقوم Tinker بضبط النماذج ذات الأوزان المفتوحة مثل Llama وQwen باستخدام LoRA. إنه يكشف عن البدائيات ذات المستوى المنخفض ويتيح لك تصدير أوزان المحولات المحمولة. تتبع الحلقة الخاضعة للإشراف الحد الأدنى النمط الرسمي:

import tinker
from tinker import types

# Reads TINKER_API_KEY from your environment
service_client = tinker.ServiceClient()

# LoRA fine-tuning client for an open-weights base model
training_client = service_client.create_lora_training_client(
    base_model="Qwen/Qwen3-8B", rank=32,
)

for batch in dataset:                     # batch: list[types.Datum]
    fwd_bwd = training_client.forward_backward(batch, "cross_entropy")
    optim = training_client.optim_step(types.AdamParams(learning_rate=1e-4))
    fwd_bwd.result()                      # accumulate gradients
    optim.result()                        # update the weights

# Save the trained LoRA weights, then get a client to use them
sampling_client = training_client.save_weights_and_get_sampling_client(
    name="my-adapter",
)

الذكاء الاصطناعي المجمد المركزي مقابل النهج الموزع

في المحصلة، يتناقض موقف التقرير مع النهج الافتراضي السائد اليوم:

استخدام الحالات مع الأمثلة

ومن الناحية العملية، تنطبق هذه الأفكار على الأعمال الهندسية الخرسانية. على سبيل المثال، يمكن للمستشفى ضبط النموذج وفقًا لبروتوكولاته الخاصة. سيحتفظ بكل من البيانات وأوزان المحول في المنزل. وبالمثل، يمكن لشركة محاماة تكييف نموذج ما مع أسلوب عملها. وستعيد تدريب هذا النموذج كلما تغير التوجيه الداخلي. وفي الوقت نفسه، يمكن لفريق الدعم استخدام التفاعل المباشر لتصحيح مهمة منتصف النموذج. وفي كل حالة، تحتفظ المنظمة بالملكية بدلاً من استئجار نموذج ثابت.

الوجبات السريعة الرئيسية

• يتعامل المقال مع المشاركة البشرية باعتبارها تحديًا تقنيًا، وليس حدًا للقدرة.
• المعرفة المحلية الضمنية هي السبب المعلن لوجوب توزيع الذكاء الاصطناعي نفسه.
• تعمل نماذج التفاعل على توسيع قناة الذكاء الاصطناعي البشري باستخدام مدخلات متعددة الوسائط مستمرة ومتعددة الأدوار.
• يتيح Tinker للفرق تشفير قيمها في أوزان LoRA المحمولة التي يمتلكونها.
• تتوافق إطارات المختبر مع العديد من النماذج المتنوعة المملوكة، وليس مواصفات مركزية واحدة.

مصادر

• مختبر آلات التفكير، “المستقبل الذي يستحق البناء هو الإنسان” (10 يوليو 2026): https://thinkingmachines.ai/blog/the-future-worth-building-is-human/
• مختبر آلات التفكير، “نماذج التفاعل: نهج قابل للتطوير للتعاون بين الإنسان والذكاء الاصطناعي” (مايو 2026): https://thinkingmachines.ai/blog/interaction-models/
• وثائق Tinker (واجهة برمجة التطبيقات Quickstart وTrainingClient): https://tinker-docs.thinkingmachines.ai/
• كوا ويست وآخرون، “الآفاق الزمنية لإنجاز المهام في نماذج الحدود للذكاء الاصطناعي”، METR (2025): https://metr.org/time-horizons/