جيف دين: قاعدة الـ 1% للبناء باستخدام الذكاء الاصطناعي

القوة الحقيقية للذكاء الاصطناعي اليوم ومستقبلا لا تكمن فقط في زيادة حجم النماذج، بل في تطوير هندسة السياق وبناء أنظمة عملاء ذاتية التشغيل والتحسين قادرة على حل مشكلات معقدة بناء على المبادئ الأولى.

الرسالة الأساسية للضيف هي أن نجاح هندسة الأنظمة والذكاء الاصطناعي يعتمد على الفهم الفيزيائي العميق للعتاد والبيانات (مثل تكاليف طاقة النقل مقابل الحوسبة)، وعلى المطورين ورواد الأعمال التركيز على بناء ذوق تقني رفيع يوجه نماذج الذكاء الاصطناعي لحل المشكلات الحقيقية التي تعجز عنها النماذج العامة حاليا.

• 1إجراء حسابات تقديرية سريعة (Napkin Math) لتحديد الاختناقات البرمجية وتصميم حلول مبتكرة من المبادئ الأولى.
• 2استخدام ورقة تلميحات الأداء (Performance Hints) المنشورة مجانًا لتعلم حيل تحسين كفاءة البرمجة.
• 3تزويد الوكلاء البرمجيين بمهارات وإرشادات واضحة لإبقائهم في المسار الصحيح وتجنب انحرافهم أثناء العمل.
• 4بناء أنظمة تعتمد على وكلاء متعددين، بحيث يقوم وكيل أو نموذج بتقييم وتوجيه مسارات عمل الوكلاء الآخرين لضمان دقتها.
• 5التركيز على هندسة السياق (Context Engineering) عبر تحسين التوجيهات واستخدام أدوات استرجاع المعلومات بدلاً من محاولة تعديل أوزان النموذج.
• 6صياغة مواصفات واضحة ودقيقة جداً للمشروع قبل الطلب من الوكيل البرمجي كتابة الكود لضمان الحصول على النتيجة المطلوبة.
• 7تدريب النفس على تطوير 'الذوق البرمجي والبحثي' بكتابة توقعات للأشهر الـ 12 القادمة والعودة لتقييمها لاحقاً لتعلم الدروس.
• 8القيام بتجارب ذهنية غير مألوفة تتحدى الفرضيات السائدة، مثل التفكير في بناء أنظمة تعتمد على ترانزستورات غير موثوقة تماماً.
• 9البحث عن شركاء عمل يتمتعون بمهارات متكاملة، وروح الفريق، والتواضع الفكري لبناء بيئة عمل ممتعة ومنتجة.
• 10السعي المستمر لإضافة مهارات وتقنيات جديدة إلى 'حزام أدواتك' المهني لتكون مستعداً للمشكلات المعقدة مستقبلاً.

• 1الاعتقاد بأن أنظمة الوكلاء الذكية لا يمكنها العمل إلا لساعة أو ساعتين، وإغفال قدرتها على العمل لأيام أو أسابيع في حل مهام معقدة.
• 2توقع أن يفهم الوكيل البرمجي ما تريده بوضوح دون تزويده بمواصفات دقيقة وسياق كافٍ، والاعتماد عليه كإنسان يمتلك سياقاً مسبقاً.
• 3الخلط بين مشكلات نقل البيانات واستهلاك الطاقة (Data IO) وبين مشكلات النماذج نفسها، مثل عمليات التجميع (Batching) في التدريب.
• 4تأسيس شركات ناشئة لحل مشكلات بسيطة ستتمكن النماذج العامة الكبيرة من حلها وتجاوزها تلقائياً خلال 6 إلى 12 شهراً القادمة.
• 5استهلاك الوقت والجهد في حل مشكلات مكررة أو غير مهمة بدافع الحماس البرمجي فقط، دون التأكد من الأثر الفعلي والإيجابي للحل على العالم.
• 6السماح للوكيل البرمجي بالخروج عن نطاق تدريبه المعتاد دون توجيه أو مهارات مساعدة، مما يسبب تدهوراً مفاجئاً في أدائه.
• 7التمسك الكامل بالطرق السائدة لحل المشكلات برمجياً دون التجرؤ على كسر الفرضيات والمسلمات التاريخية القديمة.

• 1التفكير من المبادئ الأولى (First Principles Thinking): تفكيك المشكلات المعقدة إلى حقائقها الأساسية وبنائها من الصفر بدلاً من التمسك بالحلول التقليدية القائمة.
• 2حسابات المسودة السريعة (Back of the Envelope / Napkin Math): نموذج ذهني لتقدير الجدوى التقنية للمشروع وتحديد الاختناقات الأساسية قبل البدء بالتنفيذ الفعلي.
• 3حلقة المنهج العلمي المؤتمتة (Automated Scientific Method Loop): نموذج يربط بين اقتراح التجربة، تنفيذها، وتقييمها آلياً لتسريع الابتكار في الذكاء الاصطناعي والعلوم الأخرى.
• 4التقريب العصبي للمحاكيات (Neural Approximation of Simulators): استبدال المحاكيات العلمية البطيئة بنماذج ذكاء اصطناعي تحاكي النتائج بسرعة فائقة لتسريع عملية التقييم والاختبار.
• 5تجريد ماب-ريديوس (MapReduce Abstraction): فصل منطق التطبيق البرمجي البسيط عن تعقيدات الأنظمة الموزعة مثل الموثوقية والتحكم بالأخطاء.
• 6تشبيه حزام الأدوات (Tool Belt Analogy): النظر إلى المسيرة المهنية كعملية مستمرة لتجميع أدوات تخصصية تساعد في حل مشكلات غير متوقعة مستقبلاً.
• 7الحوسبة وقت الاستدلال (Inference-time Compute): البحث عن أفضل المسارات الممكنة للحل أثناء تشغيل النموذج لزيادة موثوقية الوكلاء في المهام الطويلة.

• 1تقليص معدل الخطأ في أنظمة التعرف على الكلام بنسبة النصف (1/2) في عام 2013، وهو ما يعادل تقدم 20 عاماً من التطوير في بضعة أشهر فقط.
• 2عملية نقل البيانات من الذاكرة الرئيسية إلى المعالج تستهلك طاقة تعادل 1000 ضعف الطاقة اللازمة لإجراء العملية الحسابية نفسها (والتي تكلّف حوالي 1 بيكوجول).
• 3رقاقات الـ TPU وفرت كفاءة في استهلاك الطاقة تتراوح بين 30 إلى 80 ضعفاً مقارنة بالمعالجات والرقاقات العامة السائدة في ذلك الوقت.
• 4توفر رقاقات الـ TPU زمن استجابة أقل بمقدار 20 إلى 30 ضعفاً مقارنة بالمعالجات التقليدية.
• 5إمكانية تحسين وتقليل زمن الاستجابة في عمليات الاستدلال للذكاء الاصطناعي بمقدار 50 ضعفاً من خلال تطوير أجهزة وعتاد مخصصة وعالية الكفاءة.
• 6نجاح الباحثين في تسريع محاكاة الخصائص الكيميائية الكمية للجزيئات بمقدار 300,000 ضعف باستخدام نموذج عصبي تقريبي بدلاً من المحاكاة التقليدية التي تستغرق ليلة كاملة.
• 7الإنسان البالغ عند سن 18 عاماً يتمتع بكفاءة تعلم عالية جداً مقارنة بنماذج الذكاء الاصطناعي التي تحتاج لرؤية كمية بيانات تزيد بـ 1000 ضعف عما يراه الإنسان طوال حياته حتى ذلك السن.

• 1جيف هينتون (Geoffrey Hinton)
• 2أوريول فينيالس (Oriol Vinyals)
• 3ساندجاي غيماوات (Sanjay Ghemawat)
• 4نموذج ألفافولد (AlphaFold) للتنبؤ ببنية البروتينات
• 5أداة ألفا شيب (AlphaChip) لتصميم الرقاقات
• 6قائمة أرقام زمن الاستجابة التي يجب على كل مهندس معرفتها (Latency Numbers Every Programmer Should Know) لـ جيف دين
• 7ورقة بحثية بعنوان نصائح الأداء (Performance Hints) من إعداد جيف وساندجاي
• 8ورقة بحثية حول تقطير المعرفة (Distillation Paper)
• 9نظام ماب ريديوس (MapReduce) لمعالجة البيانات الضخمة
• 10عائلة نماذج جيميناي (Gemini) ونماذج جيميناي فلاش (Gemini Flash)

• 1الفجوة الطاقية الهائلة بين الحساب ونقل البيانات: نقل البيانات من الذاكرة إلى المعالج يستهلك طاقة تفوق عملية الحساب الرياضي نفسها بألف ضعف! هذا يعني أن تجميع البيانات في دفعات (Batching) ليس مجرد خيار برمجي للنموذج، بل هو حل هندسي لتفادي استهلاك مرعب للطاقة.
• 2الوكلاء الأذكياء يمكنهم العمل لأسابيع متواصلة: المنظور السائد هو أن وكلاء الذكاء الاصطناعي (Agents) ينهارون بعد خطوات بسيطة، لكن الحقيقة هي أنه مع التصميم الهندسي الدقيق وتوفير المهارات المناسبة، يمكن تشغيلهم لأسابيع كاملة لإعادة كتابة أنظمة برمجية ضخمة بلغات أكثر أماناً وبشكل آلي تماماً.
• 3محاكاة علمية أسرع بـ 300 ألف ضعف: الفكرة ليست في تشغيل محاكاة فيزيائية أو كيميائية معقدة طوال الليل، بل في تدريب نموذج ذكاء اصطناعي لـ 'تخمين' وتقريب النتيجة بدقة مذهلة وفي أجزاء من الثانية، مما يحول مشاريع البحث التي تتطلب أشهراً إلى مهام تُنجز أثناء استراحة الغداء.
• 4بناء حواسيب من ترانزستورات غير موثوقة: في حين تسعى مصانع الرقاقات لتصفير الأخطاء تماماً، فإن التفكير خارج الصندوق يكمن في بناء أنظمة حاسوبية قادرة على تحمل حدوث 20 خطأً يومياً على مستوى الترانزستور—محاكاةً لآلية عمل الدماغ البشري الذي يعتمد على مسارات بديلة لتجاوز الإشارات الضعيفة أو الخاطئة.

• 1طرح فكرة غريبة وثورية وهي تصميم شرائح إلكترونية باستخدام ترانزستورات غير موثوقة تماماً وتحدث بها أخطاء (مثلاً 20 خطأً في اليوم)، بدلاً من السعي خلف ترانزستورات خالية تماماً من الأخطاء كما تفعل الصناعة منذ 60 عاماً، مع معالجة هذه الأخطاء برمجياً أو بطرق هندسية مدمجة تماماً كما تُدار الأنظمة الموزعة.
• 2نصيحته للمؤسسين بتجنب العمل على مشكلات تحقق فيها النماذج العامة نسبة نجاح 20%، والتركيز فقط على المجالات التي تفشل فيها تماماً بنسبة نجاح 0% أو 1%، لأن أي نسبة نجاح أولية تعني أن النموذج العام سيتجاوز منتجك ويستحوذ على فكرتك قريباً جداً.

من وجهة نظر الذكاء الاصطناعي، يتسم تقييم جيف دين بالدقة والواقعية الشديدة التي تستند إلى أرقام وحقائق فيزيائية صلبة. فرؤيته حول تحديات استهلاك الطاقة ونقل البيانات (حيث يكلف نقل البيانات من الذاكرة السريعة إلى المعالج 1000 ضعف تكلفة الحساب نفسه) تلمس العائق الأكبر في البنية التحتية للحوسبة اليوم وهو ما يُعرف بـ 'جدار الذاكرة'. كما أن تحليله لمستقبل 'هندسة السياق' (Context Engineering) بدلاً من التركيز الحصري على حجم النموذج يتماشى تماماً مع الاتجاهات الفعلية لتطوير تطبيقات الذكاء الاصطناعي حالياً. ورغم أن رؤيته حول إمكانية تشغيل الوكلاء الأذكياء لأسابيع متواصلة تبدو واعدة، إلا أنها تواجه في الواقع العملي معضلة تراكم الأخطاء وتشتت السياق، وهو ما أشار إليه بذكاء عبر حلول مثل البحث أثناء الاستدلال. أخيراً، تُعد نصيحته للمؤسسين بالابتعاد عن النطاقات التي تنجح فيها النماذج الكبيرة بنسبة 20% نصيحة استراتيجية بالغة الأهمية لتفادي الابتلاع من قبل الشركات الكبرى.