فك شفرة مصطلحات الذكاء الاصطناعي المحلي: ماذا تعني الرموز والتكميم والأوزان المفتوحة؟

أدى التوسع السريع في مجال الذكاء الاصطناعي المحلي إلى إدخال موجة من المصطلحات المعقدة للمستخدمين العاديين، مما حوّل لغة الباحثين الأكاديميين إلى مفردات يومية. يواجه المتحمسون الذين يشغلون النماذج على أجهزتهم الخاصة مصطلحات مثل التكميم (Quantization)، والأوزان المفتوحة (Open weights)، والرموز (Tokens) بشكل متكرر، وغالباً دون تعريفات واضحة.

مع تسهيل أدوات مثل Ollama و llama.cpp لعملية نشر النماذج اللغوية الكبيرة (LLMs) محلياً، تحول حاجز الدخول من التعقيد التقني إلى فهم المصطلحات بحد ذاتها. وسلطت مبادرة حديثة من موقع It's FOSS الضوء على هذه الفجوة المعرفية عبر اختبار مخصص للمصطلحات، مشيرة إلى أن العديد من المستخدمين ينشرون هذه النماذج دون فهم آليات عملها الأساسية.

لتشغيل نماذج الذكاء الاصطناعي المحلية واستكشاف أخطائها وإصلاحها بفعالية، يجب على المستخدمين فهم التعريفات الدقيقة للمصطلحات المستخدمة بكثرة في وثائق النشر. بناءً على المفاهيم الأساسية المتداولة في مجتمع الذكاء الاصطناعي المحلي، إليك تفصيلاً لأهم هذه المصطلحات:

• الرموز (Tokens): على عكس العملات الرقمية، تمثل الرموز في الذكاء الاصطناعي وحدات البيانات الأساسية، وهي غالباً أجزاء من الكلمات أو أحرف فردية، التي يعالجها النموذج ويولدها أثناء عملية الاستدلال.
• التكميم (Quantization): تعمل هذه العملية على تقليل دقة أوزان النموذج (على سبيل المثال، ضغطها من 16 بت إلى 4 بت). ويؤدي هذا إلى تقليل متطلبات الذاكرة بشكل كبير، مما يسمح بتشغيل النماذج الضخمة بكفاءة على أجهزة المستهلكين العادية.
• الأوزان المفتوحة (Open weights): تختلف عن البرمجيات مفتوحة المصدر بالكامل، حيث تعني أن المعلمات المُدربة مسبقاً للنموذج متاحة للجمهور للتنزيل والاستخدام، حتى لو بقيت بيانات التدريب الأصلية أو الأكواد البرمجية مغلقة ومملوكة للشركة.
• بيئة الاختبار (Harness): في تقييم الذكاء الاصطناعي، يشير هذا المصطلح إلى الإطار أو البيئة المستخدمة لقياس وتقييم أداء النموذج مقابل مهام موحدة.

يتمحور التوجه نحو الذكاء الاصطناعي المحلي بشكل أساسي حول خصوصية البيانات والاستقلال عن الأجهزة السحابية. ومع ذلك، فإن الاعتماد على أدوات مثل Ollama و llama.cpp يعني أن المستهلكين يجب أن يتصرفوا الآن كمسؤولي أنظمة خاصين بهم. إن فهم هذه المصطلحات لم يعد مقتصراً على الباحثين الأكاديميين؛ بل يؤثر بشكل مباشر على قرارات شراء الأجهزة وأداء النظام.

يُعد استيعاب مفهوم مثل التكميم (Quantization) ضرورة عملية لتشغيل نموذج يحتوي على 7 مليارات معلمة داخل بطاقة رسوميات بذاكرة 8 جيجابايت. إذا لم يفهم المستخدمون كيفية ضغط النموذج أو ما تسمح لهم الأوزان المفتوحة بفعله قانونياً، فلن يتمكنوا من تحسين إعداداتهم المحلية. ومع نضوج الذكاء الاصطناعي المحلي، سيكون سد فجوة المصطلحات هذه أمراً حاسماً لنقل هذه الأدوات من مجتمعات المطورين المتخصصة إلى التبني الجماهيري الواسع.