مع تدفق الكثير من الأموال على الشركات الناشئة في مجال الذكاء الاصطناعي، فقد حان الوقت لأن تكون باحثًا في الذكاء الاصطناعي ولديك فكرة لتختبرها. وإذا كانت الفكرة جديدة بما فيه الكفاية، فقد يكون من الأسهل الحصول على الموارد التي تحتاجها كشركة مستقلة بدلاً من الحصول عليها داخل أحد المختبرات الكبيرة.
هذه هي قصة Inception، وهي شركة ناشئة تعمل على تطوير نماذج الذكاء الاصطناعي القائمة على الانتشار والتي جمعت للتو 50 مليون دولار من التمويل الأولي بقيادة Menlo Ventures. قدم أندرو إنج وأندريج كارباثي تمويلًا ملائكيًا إضافيًا.
قائد المشروع هو البروفيسور في جامعة ستانفورد ستيفانو إرمون، الذي تركز أبحاثه على نماذج الانتشار، التي تولد مخرجات من خلال التحسين التكراري، وليس من كلمة بكلمة. تعمل هذه النماذج على تشغيل أنظمة الذكاء الاصطناعي القائمة على الصور مثل Stable Diffusion وMidjourney وSora. بعد أن عمل على هذه الأنظمة قبل أن يجعلها طفرة الذكاء الاصطناعي مثيرة، يستخدم Ermon Inception لتطبيق نفس النماذج على نطاق أوسع من المهام.
إلى جانب التمويل، أصدرت الشركة نسخة جديدة من نموذج Mercury الخاص بها، المصمم لتطوير البرمجيات. لقد تم بالفعل دمج Mercury في عدد من أدوات التطوير، بما في ذلك ProxyAI وBuildglare وKilo Code. والأهم من ذلك، يقول إيرمون إن نهج الانتشار سيساعد نماذج Inception على الحفاظ على اثنين من أهم المقاييس: زمن الاستجابة (زمن الاستجابة) وحساب التكلفة.
يقول إرمون: “إن برامج الماجستير في القانون القائمة على الانتشار أسرع بكثير وأكثر كفاءة مما يبنيه أي شخص آخر اليوم”. “إنه مجرد نهج مختلف تمامًا حيث يوجد الكثير من الابتكارات التي لا يزال من الممكن طرحها على الطاولة.”
يتطلب فهم الفرق الفني القليل من الخلفية. تختلف نماذج الانتشار هيكليًا عن نماذج الانحدار التلقائي، التي تهيمن على خدمات الذكاء الاصطناعي القائمة على النصوص. تعمل نماذج الانحدار التلقائي مثل GPT-5 وGemini بشكل تسلسلي، وتتنبأ بكل كلمة أو جزء من الكلمة التالية بناءً على المادة التي تمت معالجتها مسبقًا. تتخذ نماذج الانتشار، المدربة على توليد الصور، نهجًا أكثر شمولية، حيث تقوم بتعديل البنية العامة للاستجابة بشكل تدريجي حتى تتطابق مع النتيجة المرجوة.
الحكمة التقليدية هي استخدام نماذج الانحدار التلقائي لتطبيقات النصوص، وقد حقق هذا النهج نجاحًا كبيرًا للأجيال الأخيرة من نماذج الذكاء الاصطناعي. لكن مجموعة متزايدة من الأبحاث تشير إلى أن نماذج الانتشار قد تؤدي أداءً أفضل عندما يقوم النموذج بمعالجة كميات كبيرة من النص أو إدارة قيود البيانات. وكما يقول إرمون، تصبح هذه الصفات ميزة حقيقية عند إجراء العمليات على قواعد تعليمات برمجية كبيرة.
حدث تك كرانش
سان فرانسيسكو
|
13-15 أكتوبر 2026
تتمتع نماذج الانتشار أيضًا بمرونة أكبر في كيفية استخدام الأجهزة، وهي ميزة مهمة بشكل خاص حيث أصبحت متطلبات البنية التحتية للذكاء الاصطناعي واضحة. عندما يتعين على نماذج الانحدار التلقائي تنفيذ العمليات واحدة تلو الأخرى، يمكن لنماذج الانتشار معالجة العديد من العمليات في وقت واحد، مما يسمح بتأخير أقل بكثير في المهام المعقدة.
يقول إرمون: “لقد تم قياسنا بأكثر من 1000 رمز مميز في الثانية، وهو أعلى بكثير من أي شيء ممكن باستخدام تقنيات الانحدار الذاتي الحالية، لأن الشيء الذي لدينا مصمم ليكون متوازيًا. لقد تم تصميمه ليكون سريعًا جدًا حقًا”.
