اتجاهات الذكاء الاصطناعي المحلي 2027، الجزء 3 من 10: النماذج الصغيرة تتولى المهام الروتينية

اقرأ بـ:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

إجابة سريعة

لأنه عند حجم طلبات مرتفع، يكلف توجيه مهمة ضيقة ومتكررة — تصنيف، استخراج، توجيه نوايا — عبر نموذج كبير عام الغرض أكثر ويستغرق وقتًا أطول لكل طلب مقارنة بتشغيل نموذج صغير مضبوط بدقة لتلك المهمة تحديدًا على أجهزة محلية. توقعت Gartner أن حصة متزايدة من إنفاق الشركات على الذكاء الاصطناعي التوليدي ستتحول نحو نماذج أصغر ومخصصة لمهام محددة بحلول 2027، مع سعي المؤسسات لتحسين التكلفة لكل طلب على نطاق واسع بدلاً من القدرة الخام.

▸نمط نشر وليس نمط ذكاء — التحول يتعلق بالحجم والتكلفة، وليس بمضاهاة النماذج الصغيرة لجودة النماذج الكبيرة
▸المهام الضيقة وعالية الحجم (تصنيف، استخراج، توجيه، وكلاء أحاديو الغرض) هي أعباء العمل المستهدفة، وليست المحادثة المفتوحة
▸يصف المحللون (Gartner، IDC) هذا كتحول اتجاهي في إنفاق الشركات على الذكاء الاصطناعي، وليس حقيقة ثابتة لكل شركة
▸بخصوص سؤال "هل النماذج الصغيرة ذكية بقدر النماذج الكبيرة القديمة"، راجع الجزء 8 وتحليلنا لمستقبل نماذج اللغة المحلية الكبيرة

تحديث: ١٦ يوليو ٢٠٢٦

Industry Trends & Predictionsمتوسط

النقاط الرئيسية

✓بحلول 2027، يتوقع المحللون أن تنشر الشركات محليًا العديد من النماذج الصغيرة المخصصة لمهام محددة للأعمال الضيقة وعالية الحجم، بدلاً من توجيه كل شيء عبر واجهة برمجة تطبيقات كبيرة عامة واحدة
✓المحرك هو اقتصاديات الحجم، وليس ذكاء النموذج — نموذج صغير مضبوط لمهمة ضيقة يكلف أقل ويستجيب أسرع لكل طلب من نموذج كبير عام الغرض على نطاق واسع
✓أعباء العمل المستهدفة: التصنيف، الاستخراج، توجيه النوايا، الوكلاء الداخليون أحاديو الغرض — وليس الاستخدام الحواري المفتوح
✓تصف Gartner و IDC هذا كتوقع اتجاهي لتخصيص إنفاق الذكاء الاصطناعي في الشركات، وليس نتيجة مضمونة لكل مؤسسة
✓هذا اتجاه مختلف عن مضاهاة النماذج الصغيرة لجودة النماذج الكبيرة القديمة — راجع الجزء 8 وتحليل مستقبل نماذج اللغة المحلية الكبيرة المنفصل لهذا الجانب

لماذا يغيّر حجم الطلبات النموذج الأنسب؟

**طلب ضيق واحد بالكاد يهم، لكن مهمة ضيقة تُنفَّذ ملايين المرات شهريًا تتراكم بسرعة.** مصنّف تذاكر الدعم، أو مستخرج حقول المستندات، أو موجّه الطلبات هي أمثلة على مهام ضيقة ومتكررة وعالية الحجم — النوع الذي كان يُدمج سابقًا في استدعاء API لنموذج لغوي كبير عام الغرض لأن ذلك كان أسرع طريقة للإطلاق. عند الحجم المنخفض، هذا الدمج لا بأس به. لكن على نطاق الإنتاج، لا يزال كل طلب من هذه الطلبات يدفع نفس التكلفة وزمن الاستجابة لكل استدعاء مثل طلب كان بحاجة فعلية إلى القدرة العامة الكاملة للنموذج الكبير.

نشرت كل من IDC و PwC توقعات لاعتماد الذكاء الاصطناعي في الشركات تصف المؤسسات وهي تفصل أعباء العمل بشكل متزايد حسب نوع المهمة بدلاً من توجيه كل طلب افتراضيًا إلى أكبر نموذج متاح — موجِّهة المهام الضيقة والمتكررة إلى نماذج أصغر ومخصصة تعمل على أجهزة محلية أو داخل الشركة، ومحتفظة بالنماذج الكبيرة العامة الغرض للمهام المفتوحة حقًا. من الناحية الاتجاهية، يعكس هذا مرحلة تحسين تكلفة ناضجة بشكل متزايد في اعتماد الذكاء الاصطناعي في الشركات، تأتي بعد المرحلة السابقة المتمثلة في "استدعاء أكبر نموذج لكل شيء ببساطة".

يختلف هذا عن سؤال ما إذا كانت النماذج الصغيرة الآن قادرة بقدر النماذج الأكبر من قبل بضع سنوات — وهو اتجاه حقيقي ومنفصل تم تناوله في قسم "الاتجاه 1" من تحليلنا مستقبل نماذج اللغة المحلية الكبيرة. يتعلق ذلك الاتجاه بتحسّن جودة النموذج لكل معامل. أما هذا الاتجاه فيتعلق ببنية النشر: أي المهام تحصل على نموذجها الصغير المخصص الخاص، بغض النظر عن مدى ذكاء ذلك النموذج مقارنة بالنماذج الكبيرة القديمة.

كيف يبدو نمط نشر النماذج الصغيرة عمليًا؟

**عمليًا، يبدو هذا النمط كعدة نماذج صغيرة تعمل محليًا، كل منها يتعامل مع مهمة ضيقة، منسقة بواسطة موجّه خفيف بدلاً من نموذج كبير واحد يتعامل مع كل نوع طلب.** نموذج تصنيف يفرز التذاكر أو المستندات الواردة؛ ونموذج استخراج يسحب حقولًا منظمة من نص غير منظم؛ ونموذج توجيه يقرر أي نظام أو فريق لاحق يتعامل مع طلب ما. لا يحتاج أي منها إلى المعرفة العامة الواسعة لنموذج طليعي كبير — يحتاج كل منها فقط إلى أن يكون جيدًا وموثوقًا في مهمة ضيقة ومحددة جيدًا.

ناقشت Forrester هذا النوع من التخصص في المهام كجزء من تحول أوسع نحو بنى ذكاء اصطناعي مؤسسية قابلة للتركيب ومتعددة النماذج بدلاً من عمليات نشر نموذج واحد، متوقعة استمرار الحركة في ذلك الاتجاه حتى 2027 مع نضوج المؤسسات بعد مرحلة المشاريع التجريبية الأولية للذكاء الاصطناعي التوليدي. الفائدة العملية على نطاق واسع: تعمل النماذج الأصغر بتكلفة أقل لكل طلب على أجهزة محلية أو داخل الشركة، وتستجيب أسرع لأنه لا توجد رحلة ذهاب وإياب إلى API خارجي، ويمكن تحديثها أو استبدالها بشكل مستقل عن بعضها البعض دون المساس ببقية خط الأنابيب.

المفاضلة التي يشير إليها المحللون هي زيادة التعقيد التشغيلي — تشغيل وصيانة عدة نماذج صغيرة بدلاً من تكامل API واحد يتطلب بنية تحتية ومراقبة أكثر. قد تجد المؤسسات التي تفتقر إلى قدرة MLOps موجودة أن API واحد لنموذج كبير أبسط في التشغيل، حتى بتكلفة أعلى لكل طلب، على الأقل حتى يبرر الحجم التعقيد الإضافي. بخصوص الجانب الخاص بالأجهزة لتشغيل عدة نماذج صغيرة محليًا، راجع الجزء 2، توحيد أجهزة الكمبيوتر الشخصي للذكاء الاصطناعي / NPU.

الأسئلة الشائعة

هل هذا هو نفس اتجاه "النماذج الصغيرة أصبحت الآن جيدة بقدر النماذج الكبيرة القديمة"؟▾

لا — ذلك اتجاه منفصل يتعلق بتحسّن جودة النموذج لكل معامل بمرور الوقت، تم تناوله في قسم "الاتجاه 1" من تحليلنا لمستقبل نماذج اللغة المحلية الكبيرة. يتعلق هذا الاتجاه باقتصاديات النشر: أي المهام الضيقة عالية الحجم تحصل على نموذجها الصغير المخصص الخاص على نطاق الإنتاج، بغض النظر عن كيفية مقارنة الجودة الخام لذلك النموذج بالنماذج الكبيرة القديمة.

ما أنواع المهام التي يصفها المحللون بأنها تتحول إلى نماذج محلية صغيرة؟▾

مهام ضيقة ومتكررة وعالية الحجم — التصنيف، واستخراج البيانات المنظمة، وتوجيه الطلبات، والوكلاء الداخليون أحاديو الغرض هي الأمثلة الأكثر ذكرًا في توقعات اعتماد الذكاء الاصطناعي في الشركات. المهام الحوارية المفتوحة ليست هدف هذا التحول.

ما شركات التحليل التي تتوقع هذا التحول؟▾

نشرت كل من Gartner و IDC و PwC و Forrester أبحاثًا حول اعتماد الذكاء الاصطناعي في الشركات تصف المؤسسات وهي تتحرك نحو بنى متعددة النماذج متخصصة حسب المهمة مع نضوج إنفاق الذكاء الاصطناعي التوليدي بعد المشاريع التجريبية الأولية. هذه توقعات اتجاهية حول تخصيص الإنفاق، وليست ضمانات لكل شركة.

هل يعني هذا أن النماذج الكبيرة عامة الغرض تصبح أقل أهمية؟▾

ليس بالضرورة — تصف التوقعات احتفاظ النماذج الكبيرة بالمهام المفتوحة أو المعقدة حقًا، بينما تُنقل المهام الضيقة عالية الحجم إلى نماذج مخصصة أصغر. إنه تقسيم عمل بين أحجام النماذج، وليس استبدالًا شاملاً للنماذج الكبيرة.

لقطات سريعة ذات صلة

← العودة إلى لقطات سريعة