تواصل النماذج اللغوية الكبيرة (LLM) تغيير مشهد الذكاء الاصطناعي، حيث تفرض نفسها كأدوات أساسية في مجالات متنوعة، من الأمن السيبراني إلى الطب. مؤخرًا، كشفت DeepSeek عن تحديث لنموذجها R1، DeepSeek-R1-0528، الذي يعزز قدراته في التفكير، المنطق، والبرمجة. هذه النسخة، التي أُصدرت في 28 مايو 2025، تقترب من أداء النماذج الرائدة لـ OpenAI وGoogle، مع تقليل معدل الهلوسة، وهو مشكلة متكررة للنماذج اللغوية الكبيرة. بالتوازي، قدمت Tencent نموذج Hunyuan-T1، وهو نموذج تفكير يستخدم بنية هجينة مبتكرة للتنافس مع قادة السوق. هذه التطورات تسلط الضوء على اتجاه متزايد نحو تحسين قدرات التفكير للنماذج اللغوية الكبيرة، وهو عنصر أساسي في قدرتها على الاندماج في أنظمة معقدة وحيوية.
في مجال الأمن السيبراني، تُظهر النماذج اللغوية الكبيرة إمكانياتها في تسهيل اكتشاف وتحليل التهديدات. تسلط دراسة من جامعة نيويورك الضوء على قدرتها على استغلال كميات ضخمة من البيانات النصية للتنبؤ بالهجمات والتفاعل معها، مما يحول الأمن السيبراني إلى قطاع أكثر استجابة واستباقية. تُظهر النماذج مثل SecureBERT، المتخصصة في الأمن السيبراني، نتائج واعدة، على الرغم من أن تحسينها لا يزال تحديًا للشركات. هذا التطور نحو نماذج لغوية كبيرة متخصصة يعكس اتجاهًا نحو تنويع تطبيقات النماذج اللغوية، استجابة لاحتياجات محددة مع تحسين دقتها وموثوقيتها.
يستمر الشغف بالنماذج اللغوية الكبيرة المفتوحة المصدر أيضًا، مع مبادرات مثل تلك الخاصة بـ Allen Institute for AI، الذي أطلق Tülu 3 405B، وهو نموذج مفتوح المصدر عالي الأداء يعتمد على Llama 3.1. يتميز هذا النموذج باستخدام التعلم المعزز مع مكافآت قابلة للتحقق، مما يحسن أدائه في المهام المعقدة. بالتوازي، أطلقت Mistral AI نموذج Mistral Small 3، وهو نموذج محسن للكمون، يقدم بديلاً مفتوح المصدر للنماذج المملوكة. تعكس هذه المبادرات رغبة في ديمقراطية الوصول إلى النماذج اللغوية الكبيرة مع تقليل تكاليف الاستدلال، وهو تحدٍ حاسم لتوسيع اعتمادها، خاصة في البيئات ذات الموارد المحدودة.
بينما تواصل النماذج اللغوية الكبيرة التطور، تظل التحديات قائمة، خاصة من حيث تكلفة الاستدلال والأثر البيئي. قدمت Microsoft مؤخرًا BitNet.cpp، وهو إطار مفتوح المصدر يحسن استدلال النماذج اللغوية الكبيرة الكمية عند 1 بت، مما يقلل من بصمتها الكربونية. هذه الابتكار يسلط الضوء على أهمية الاستدامة في تطور النماذج اللغوية الكبيرة، حيث لا تزال حجم وتعقيد النماذج في تزايد. بالإضافة إلى ذلك، لا يزال دمج النماذج اللغوية الكبيرة في مجالات مثل التشخيص الطبي بحاجة إلى تحسين، حيث تشير دراسة أجرتها UVA Health إلى أنه بالرغم من أن النماذج اللغوية الكبيرة قد تتفوق على الأطباء في بعض المهام، إلا أن دمجها لم يحسن بعد بشكل كبير الأداء التشخيصي العام.
تعتمد بنية transformer، التي تنبثق منها جميع LLM الحديثة، على ركيزتين أساسيتين. الأولى هي آلية auto-attention التي تتيح للنموذج حساب مزيج موزون من تمثيلات المواقع الأخرى لكل موضع في النص. هذه العملية قابلة للتوازي بشكل جوهري، ولهذا السبب تفوقت transformers على البنى التكرارية (RNN, LSTM) التي كانت تهيمن على NLP حتى عام 2017. أما الركيزة الثانية فهي تكديس عشرات الطبقات المتطابقة من transformer (عادة بين 32 و96 في النماذج المتقدمة)، حيث تضيف كل طبقة تحسيناً للتمثيل.
تتفرع LLM المعاصرة إلى عدة أنماط بنيوية:
تظل OpenAI القائد المُعترف به في السوق بفضل ChatGPT، GPT-4o، GPT-4o mini وعائلة نماذج الاستدلال o1/o3. وتبلغ قيمة الشركة عدة مئات من مليارات الدولارات في 2026، ويتم تمويلها أساساً من Microsoft وSoftBank. تجمع استراتيجيتها التجارية بين API (الدفع لكل رمز)، منتج جماهيري (ChatGPT Plus بسعر 20 دولاراً شهرياً) وحلول للشركات (ChatGPT Enterprise، Azure OpenAI Service). وقد وسعت OpenAI نشاطها بإطلاق OAI-SearchBot، الزاحف الخاص بها لجمع البيانات، وSearchGPT.
تأسست Anthropic عام 2021 على يد مجموعة من خريجي OpenAI من بينهم Dario وDaniela Amodei، وجعلت من الأمان محور تميزها. وتُعد عائلة Claude (Haiku، Sonnet، Opus) مفضلة بشكل خاص في الكتابة، البرمجة، والاستدلال طويل السياق. تحصل Anthropic على تمويل من Amazon، Google وSoftBank. في مايو 2026، أكدت Anthropic استئجار جزء من قدرة Colossus 1 التابعة لـxAI مقابل حوالي 1.25 مليار دولار شهرياً، مما يبرز تركّز موارد الحوسبة.
تقوم Google DeepMind منذ 2023 بتوحيد أنشطتها في مجال الذكاء الاصطناعي تحت علامة Gemini. وتتكامل عائلة Gemini (Nano، Flash، Pro، Ultra، ثم Gemini 2.0 Flash في ديسمبر 2024) مع محرك البحث (AI Overviews) وحزمة Workspace. تستفيد Google من ميزة هيكلية بفضل سيطرتها على بيانات التدريب (الويب، YouTube، Books) وبنيتها التحتية من TPU.
اختارت Meta استراتيجية weights open مع عائلة Llama (Llama 1 في فبراير 2023، Llama 2 في يوليو 2023، Llama 3 في أبريل 2024، Llama 3.1 405B في يوليو 2024). وقد أدت هذه الاستراتيجية إلى ديمقراطية الوصول إلى نماذج foundation models وولدت نظاماً بيئياً من النماذج المشتقة (Vicuna، Tulu، fine-tunes قطاعية). ومع ذلك، رفضت Meta في يوليو 2025 التوقيع على مدونة السلوك GPAI الأوروبية وأوقفت مؤقتاً إطلاق Llama 3 متعدد الوسائط في أوروبا.
تأسست Mistral AI في باريس في أبريل 2023 على يد Arthur Mensch، Guillaume Lample وTimothée Lacroix، وبرزت كقائد أوروبي. تجمع استراتيجيتها الهجينة بين نماذج مفتوحة (Mistral 7B، Mixtral 8x7B، Codestral Mamba، Mathstral، Ministral 3B/8B) ونماذج مغلقة المصدر (Mistral Large 2، Pixtral Large). وقد وقعت Mistral على مدونة السلوك GPAI وأبرمت شراكات استراتيجية مع NVIDIA (Mistral NeMo 12B)، Dassault Systèmes، Capgemini وSAP.
في الصين، تمكنت Alibaba (عائلة Qwen)، Baidu (ERNIE 4.5، ERNIE X1)، Tencent (Hunyuan-T1) وخاصة DeepSeek من اللحاق بالمختبرات الأمريكية ثم تحديها. أذهلت DeepSeek-V3 المجتمع في يناير 2025 بجودتها وتكلفة تدريبها المنخفضة (~30 مرة أقل من المنافسين الغربيين). أما DeepSeek-R1، الذي أُطلق بعد ذلك وتم تحديثه في يونيو 2025 (R1-0528)، فقد تسبب في هبوط مؤقت لسهم NVIDIA بعد أن شكك في أولوية البنى التحتية الضخمة.
هناك جهات أخرى تلعب أدواراً متخصصة: xAI (Grok، بنية Colossus)، Cohere (نماذج شركات متعددة اللغات، Aya 23)، AI2 (Tülu 3 405B، نماذج مفتوحة بالكامل)، Aleph Alpha (Pharia-1-LLM بالألمانية)، Black Forest Labs (FLUX-1 للـtext-to-image)، LightOn (Paradigm للشركات)، Hugging Face (مستودع النماذج، SmolLM2)، OpenEuroLLM (كونسورتيوم أوروبي مفتوح).
يتكون مشهد LLM المتقدمة في 2026 من حوالي اثنتي عشرة عائلة، لكل منها أحجامها ونماذجها المختلفة:
يتطلب تدريب LLM متقدم موارد ضخمة. تشير التقديرات العلنية إلى أن تدريب GPT-4 استلزم ميزانية تقارب 100 مليون دولار وعشرات الآلاف من GPU H100 لمدة ثلاثة أشهر. أما Llama 3.1 405B فقد احتاج إلى 16,000 H100 وحوالي 30 مليون ساعة GPU. في المقابل، تم تدريب Mistral Large 2 وMixtral، في الطرف الآخر من الطيف الأوروبي، بميزانيات أكثر تواضعاً بكثير، مما يثبت إمكانية تحقيق أداء تنافسي عبر إتقان معالجة البيانات.
لقد وضعت scaling laws التي صاغتها OpenAI ثم طورتها DeepMind (Chinchilla، 2022) ديناميكية المجال لفترة طويلة: تتحسن جودة النموذج بشكل متوقع مع حاصل عدد المعاملات وكمية بيانات التدريب، بشرط تحقيق التوازن بينهما. لكن هذه المعادلة أُعيد النظر فيها نهاية 2024: لم تعد زيادة الميزانيات تؤدي إلى قفزات نوعية في النتائج على اختبارات الأداء المفتوحة، وتحول التركيز إلى أبعاد أخرى - جودة البيانات، الاستدلال بعد التدريب، الوكلاء، وتعدد الوسائط.
أصبحت البنية التحتية للحوسبة قضية جيوسياسية محورية. تستحوذ NVIDIA، بفضل شبه احتكارها لـGPU H100/H200/B200، على معظم القيمة في السوق. وتفرض القيود الأمريكية على الصادرات قيوداً على البيع للصين، مما دفع DeepSeek وAlibaba إلى تحسين تدريباتهما على شرائح منخفضة المواصفات (H800). في عام 2024، بنت xAI مركز بيانات Colossus في ممفيس، يضم 100,000 H100 ثم 200,000 H100/H200، في أقل من عام - وهو رقم قياسي صناعي.
تتقن LLM الحديثة طيفاً واسعاً من المهام: الكتابة، التلخيص، الترجمة، توليد الشيفرة، الحوار، استخراج المعلومات، التصنيف، معالجة الوثائق المهيكلة وغير المهيكلة. وأصبحت مكوناً قياسياً في العديد من التطبيقات - محركات البحث الحوارية، مساعدين للبرمجة (Copilot، Cursor)، وكلاء قانونيين وطبيين، أنظمة دعم العملاء، أدوات الإنتاجية المكتبية وWorkspace.
أما الحدود فهي أيضاً موثقة جيداً. تعاني LLM من الهلوسة - إنتاج محتوى مقنع لكنه غير دقيق واقعياً - خاصة في المواضيع المتخصصة، الأرقام الدقيقة والمراجع. كما تفتقر إلى المتانة أمام الهجمات العدائية (prompt injection، jailbreak)، كما أظهرت دراسة EPFL في ديسمبر 2024 حول حدود LLM أمام الهجمات التكيفية. ويمكن التلاعب بها لتغيير آراء المستخدمين (دراسة EPFL في أبريل 2024). تستهلك هذه النماذج كميات كبيرة من الطاقة والمياه - وهي قضية تزداد مراقبتها من قبل الجهات التنظيمية والمساهمين. وتعكس تحيزاتها تحيز مجموعات بيانات التدريب، التي يغلب عليها الطابع الأنجلوساكسوني والغربي الشمالي.
يشكل الانقسام بين LLM المفتوحة والمغلقة محور النقاش منذ 2023. يدافع مؤيدو النماذج المفتوحة - Meta، Mistral، Hugging Face، AI2، DeepSeek، La Quadrature du Net - عن السيادة التقنية، إمكانية التدقيق المستقل، النشر الأكاديمي والمرونة الصناعية. أما المعارضون - Anthropic، OpenAI في بعض الجوانب - فيحذرون من مخاطر انتشار الاستخدامات الخبيثة (الإرهاب البيولوجي، التضليل واسع النطاق، الاحتيال) ومن استحالة سحب نموذج بعد نشره.
يمنح AI Act حلاً وسطاً عبر إعفاءات جزئية للنماذج التي تنشر معلماتها وبنيتها ومعلومات الاستخدام. ولا تنطبق هذه الإعفاءات على النماذج ذات المخاطر النظامية (10²⁵ FLOPS تدريب). في 2026، يهيمن على منظومة open source كل من Llama، Mistral، DeepSeek وQwen، حيث تغطي معظم حالات الاستخدام الأكاديمي والشركات دون الاعتماد على API لمزود واحد.
إلى جانب النماذج العامة، يتنوع النظام البيئي ليشمل نماذج رأسية متخصصة. في الطب: H-optimus-0 من Bioptimus للتشخيص الطبي المدعوم، Pharia-1-LLM من Aleph Alpha بالألمانية، وfine-tunes خاصة بالأشعة والأورام. في القانون: مساعدين Lefebvre Dalloz-Barreau de Paris، تطبيقات Talan-Mutuelle Générale. في البرمجة: Codestral (Mistral)، Code Llama (Meta)، DeepSeek-Coder. في المالية: نماذج داخلية لـBNP Paribas، Crédit Agricole، JPMorgan. أما حركة النماذج الصغيرة الفعالة (SLM، Small Language Models) - Phi-3، Mistral Ministral، SmolLM2، Gemma 2 2B - فتهدف إلى النشر على الأجهزة المدمجة (هواتف، سيارات، IoT) مع جودة مقبولة وتكلفة استدلال منخفضة جداً.
شهد عام 2025 بروز وكلاء IA كمنظور جديد لاستخدام LLM. فبدلاً من الإجابة على طلب واحد، يقوم الوكيل بسلسلة من الإجراءات (استدعاء أدوات، تصفح الويب، كتابة ملفات، تنفيذ شيفرة) لحل مهمة معقدة. وقد قُدم Gemini 2.0 Flash في ديسمبر 2024 كنموذج يمهد الطريق لهذه الفئة الجديدة من المنتجات. وتوفر AI Decision Matrix من AI Builders إطاراً لتقييم الخيارات أمام مسؤولي IT في ظل كثرة الحلول.
هناك عدة اتجاهات يجب مراقبتها خلال الأشهر الثمانية عشر القادمة:
لم يعد تطور LLM مجرد سباق على عدد المعاملات. الفاعلون الرابحون هم من يجمعون بين جودة البيانات، التدريب اللاحق بالتعزيز، التحكم في بنية الاستدلال، استراتيجية ترخيص متوافقة مع السوق المستهدف، والامتثال التنظيمي. لقد أصبح الموضوع الآن صناعياً وجيوسياسياً وقانونياً بقدر ما هو علمي.
الـ LLM هو شبكة عصبية ضخمة جدا - من عدة مليارات إلى عدة مئات من المليارات من المعاملات - مبنية على بنية transformer. يتم تدريبه على توقع الوحدة التالية (token) في نص معين اعتمادا على مئات المليارات إلى عدة تريليونات من tokens. من هذه المهمة البسيطة تظهر قدرات معقدة: الحوار، الاستدلال، توليد الشيفرة، الترجمة.
نموذج foundation هو نموذج IA قابل لإعادة الاستخدام كأساس للعديد من التطبيقات المتخصصة عبر fine-tuning أو RAG أو prompt engineering. الـ LLM هو نوع من foundation models متخصص في اللغة. لكن المصطلح أصبح يشمل أيضا النماذج متعددة الوسائط (صورة، صوت، فيديو) التي تشترك في نفس المنطق المعماري والاقتصادي.
على معايير الأداء العامة: GPT-4o و o1/o3 (OpenAI)، Claude 3.5 Sonnet و Claude 3 Opus (Anthropic)، Gemini 2.0 Flash و Gemini Ultra (Google)، Llama 3.1 405B (Meta)، Mistral Large 2 (Mistral AI)، DeepSeek-V3 و DeepSeek-R1 (DeepSeek)، Qwen2.5 (Alibaba)، Hunyuan-T1 (Tencent). لا يوجد نموذج يتفوق في جميع الجوانب؛ الاختيار يعتمد على حالة الاستخدام (الاستدلال، الكمون، التكلفة، اللغات، تعدد الوسائط).
بالنسبة للنماذج dense التي تحتوي على أكثر من 70 مليار معلمة، الميزانيات تتراوح بين 5 و 100 مليون دولار حسب الحجم والكفاءة. تقدر تكلفة GPT-4 بحوالي 100 مليون دولار، و Llama 3.1 405B بحوالي 50 مليون دولار، و DeepSeek-V3 بحوالي 5 ملايين دولار (رقم قياسي في الكفاءة). هذه الأرقام تغطي فقط التدريب النهائي؛ مع احتساب التجارب السابقة وما بعد التدريب، التكاليف الكاملة تكون أعلى من ذلك بـ3 إلى 10 مرات.
هي بنية يتم فيها تقسيم الشبكة إلى عدة شبكات فرعية (خبراء) متخصصة، ويقوم موجه باختيار بعض الخبراء لتفعيلهم لكل token. هذا يسمح بزيادة العدد الإجمالي للمعاملات دون زيادة تكلفة الاستدلال بشكل متناسب. Mixtral 8x7B و DeepSeek-V3 و GPT-4o (على الأرجح) يستخدمون هذه البنية.
أظهر DeepSeek-V3 ثم DeepSeek-R1 أنه من الممكن الوصول إلى مستوى أفضل النماذج الأمريكية الخاصة بميزانية تدريب أقل بحوالي 30 مرة وبطريقة open source. هذا أعاد النظر في أهمية البنية التحتية الضخمة وتسبب في هبوط مؤقت لسهم NVIDIA، مما عكس هشاشة تقييم النظام البيئي للـ IA حاليا.
Mistral AI (Mistral Large 2، Mixtral، Codestral، Ministral، Pixtral) هو الرائد الأوروبي. تقوم Aleph Alpha بتطوير Pharia-1-LLM بالألمانية. تقدم LightOn نموذج Paradigm للأعمال. تطور Black Forest Labs نموذج FLUX-1 لتحويل النص إلى صورة. OpenEuroLLM هو اتحاد أكاديمي أوروبي. يهدف المشروع إلى إنشاء بديل سيادي للنماذج الأمريكية والصينية.
يعتمد ذلك على حالة الاستخدام. النماذج proprietary (OpenAI، Anthropic، Gemini) تقدم بساطة API مُدارة والوصول إلى أحدث النماذج. الـ open source (Llama، Mistral، DeepSeek) يسمح بالاستضافة الداخلية، سيادة البيانات، تدقيق النموذج وتجنب الإغلاق على مزود واحد - مقابل تكلفة بنية تحتية وخبرة داخلية. للاستخدامات الخاضعة للتنظيم (الصحة، المالية، الدفاع)، يصبح الـ open source المستضاف غالبا هو المعيار.
نموذج الاستدلال ينتج بشكل صريح chain-of-thought قبل الإجابة، مما يحسن بشكل كبير أداءه في الرياضيات التنافسية، المنطق والبرمجة. OpenAI o1/o3، DeepSeek-R1، Tencent Hunyuan-T1 و Gemini Thinking هم أبرز النماذج. تكلفة الاستدلال ترتفع (كمون أعلى) لكن الجودة أيضا.
الهلاوس (توليد محتوى غير صحيح)، prompt injection و jailbreak (تجاوز أنظمة الحماية)، التحيز (انعكاس مجموعة التدريب)، التلاعب بالرأي العام (دراسة EPFL 2024)، استهلاك الطاقة والمياه، تسرب البيانات الخاصة، الاعتماد الصناعي على مزودي النماذج وGPU. الـ AI Act يعالج عدة من هذه المخاطر بالنسبة للنماذج ذات المخاطر النظامية.
عبر معايير الأداء العامة (MMLU، GPQA، MATH، HumanEval، SWE-Bench، LiveCodeBench، MT-Bench)، عبر تقييمات بشرية عمياء (Chatbot Arena)، وعبر اختبارات داخلية مخصصة لحالة الاستخدام. المعايير المفتوحة تصل بسرعة إلى التشبع: النموذج الذي يتجاوز 90% على MMLU يصبح غير قابل للتمييز عن الآخرين. التقييم عبر المهام الواقعية (كتابة، إنتاج الشيفرة، استدلال طويل) يبقى ضروريا.
وكلاء IA - أنظمة قادرة على تنفيذ سلسلة من الإجراءات المعقدة بشكل مستقل - هي المشروع الكبير بين 2025 و2027. بعد ذلك، تعمل الصناعة على الموثوقية الطويلة الأمد (التحاذي، الأمان)، كفاءة الاستدلال، التقارب متعدد الوسائط الأصلي، التعلم المستمر والسيادة على البنية التحتية. تبقى مسألة بيانات التدريب أساسية: مجموعات البيانات العامة على الويب بدأت تصل إلى التشبع، مما يفتح الباب للبيانات الاصطناعية والشراكات التحريرية.
3 articles liés à ce sujet
في مؤتمر الذكاء الاصطناعي العالمي 2025، كشفت Alibaba Cloud عن عدة تطبيقات لنماذجها اللغوية AI، بما في ذلك مقصورة ذكية للمركبات، وحل للإضاءة الحضرية مع...
الشركة الناشئة الصينية DeepSeek قامت بتحديث نموذجها R1، مما حسن أداءه في الاستنتاج، المنطق، الرياضيات والبرمجة. هذا التحديث، الذي يقلل الأخطاء ويحسن ا...
تُستخدم النماذج اللغوية (LLMs) بشكل متزايد في الأمن السيبراني، مما يسمح بالكشف السريع عن الثغرات والهجمات. ومع ذلك، على الرغم من فعاليتها، فإنها تتطلب...
