ما هو Union Alpha؟ شرح نظام الذكاء الاصطناعي متعدد النماذج في Pareto 26.9

لم يعد Union Alpha نموذجًا غامضًا. فقد كُشف أن النموذج المتخفي الذي ظهر فجأة عبر منصات الذكاء الاصطناعي الكبرى هو Pareto 26.9، وهو نظام ذكاء اصطناعي متعدد النماذج من Unbiased.

الكشف مثير للاهتمام، لكنه ليس الجزء الأهم من القصة. باريتو ليس مجرد نموذج أساس آخر ينافس GPT أو Claude أو Gemini أو GLM أو Llama. بل يمثل فكرة مختلفة: يمكن لمعرّف نموذج واحد أن يخفي نظامًا تسهم فيه نماذج ذكاء اصطناعي متعددة في الطلب نفسه.

ما هو Union Alpha؟

ظهر Union Alpha للمرة الأولى بوصفه نموذج ذكاء اصطناعي متخفيًا من دون الكشف بوضوح عن الجهة الموفرة أو البنية. وأثار هذا الغموض التكهنات فورًا، لأن سلوكه لم يكن يبدو دائمًا متسقًا مع عائلة نماذج مألوفة واحدة.

حُسم اللغز الآن: كان Union Alpha إصدار التخفي من Pareto 26.9، الذي طوّرته Unbiased.

لذلك، لا تكمن المفاجأة في الشركة التي كانت تقف وراء Union Alpha.

إنه ما كان المستخدمون يستدعونه فعليًا عند اختيارهم اسم ذلك النموذج الواحد.

لم يكن Union Alpha واجهة برمجة تطبيقات تقليدية لنموذج واحد

تنشئ معظم واجهات برمجة تطبيقات الذكاء الاصطناعي تصورًا ذهنيًا بسيطًا.

تختار اسم نموذج، مثل إصدار محدد من GPT أو Claude أو Gemini أو GLM أو Llama. يتلقى ذلك النموذج المطالبة وينتج الاستجابة.

تغيّر باريتو هذا الافتراض.

تصفه Unbiased بأنه نموذج مدمج. فبدلًا من اشتراط أن يتولى نموذج أساسي واحد الطلب بأكمله، يمكن لعدة نماذج أن تشارك في معالجة المهمة نفسها قبل أن ينتج النظام استجابة نهائية واحدة.

من منظور التطبيق، يظل التفاعل بسيطًا:

• مُعرّف نموذج واحد،
• طلب واحد،
• استجابة واحدة من واجهة برمجة التطبيقات،
• سجل استخدام واحد،

لكن طبقة الذكاء خلف تلك الواجهة قد تشمل عدة نماذج.

وهذا يخلق تمييزًا جديدًا مهمًا:

لم يعد اسم النموذج الذي تكشفه واجهة برمجة التطبيقات مضطرًا إلى أن يتوافق مع شبكة عصبية ثابتة واحدة.

يمكن أن تمثل خدمة تنسّق عدة نماذج خلف نقطة نهاية واحدة.

النموذج المدمج مقابل مُوجّه النماذج مقابل مزيج الخبراء

يمكن لعبارة «عدة نماذج» أن تصف بنيات مختلفة جدًا. ومعاملتها كأنها قابلة للتبادل يجعل فهم Union Alpha أصعب مما ينبغي.

ويكتسب الفرق بين المُوجّه والنموذج المدمج أهمية خاصة.

يحاول المُوجّه التقليدي الإجابة عن السؤال التالي:

ما النموذج الذي ينبغي أن يتولى هذا الطلب؟

يمكن للنظام المدمج أن يسأل بدلًا من ذلك:

ما النماذج التي ينبغي أن تساهم في هذا الطلب، وكيف ينبغي دمج أعمالها؟

ولهذا أيضًا لا ينبغي وصف Pareto بأنها نموذج مزيج الخبراء.

تُعد MoE تقنية معمارية داخل نموذج واحد. بينما تعمل Pareto عبر نماذج منفصلة على مستوى نظام أعلى.

تدمج بنية MoE الخبراء الداخليين. أما Pareto فتدمج الذكاء على مستوى النماذج.

لماذا بدت Union Alpha أحيانًا وكأنها نماذج مختلفة؟

خلال فترة التخفي، حاول المستخدمون تحديد هوية Union Alpha من خلال أسلوب كتابته، وأنماط استدلاله، وسلوك أداة تقسيم الكلمات لديه، وأداء البرمجة، وفهم الصور، ومعرفته، وسلوك الرفض لديه.

أنتجت تلك المحاولات تخمينات متضاربة.

بدت بعض الاستجابات وكأنها صادرة عن عائلة نماذج واحدة. بينما بدت مهام أخرى أقرب إلى عائلة أخرى.

تقدم البنية المدمجة تفسيرًا مباشرًا لسبب صعوبة تحديد البصمة السلوكية على نحو غير معتاد: ربما كان المستخدمون يلاحظون مخرجات نظام متعدد النماذج بدلًا من نموذج أساس واحد مخفي.

هذا لا يعني أن كل اختلاف في إجابة ما يثبت استخدام نموذج أساسي مختلف. إذ يمكن لأخذ العينات، والمطالبات، والسياق، وتعليمات النظام، والتغييرات في الواجهة الخلفية أن تغيّر سلوك النموذج أيضًا.

والأهم من ذلك، أن Unbiased لم تكشف علنًا عن قائمة كاملة، طلبًا بعد طلب، توضح بالضبط أي النماذج الأساسية تشارك في كل استجابة من استجابات Pareto.

لذلك من المفيد الفصل بين ما هو معروف وما لا يزال مجهولًا.

يهم هذا التمييز لأن التكهنات حول GPT أو GLM أو Llama أو Mistral أو غيرها من النماذج لا ينبغي عرضها على أنها بنية باريتو مؤكدة.

لماذا نستخدم عدة نماذج لطلب واحد؟

لا يوجد نموذج متقدم يتفوق باستمرار في كل نوع من أنواع العمل.

قد يؤدي أحد النماذج أداءً متميزًا في البرمجة. وقد يكون نموذج آخر أقوى في الفهم البصري. وقد يتمتع نموذج ثالث بأداء أفضل في اللغات المتعددة، أو استرجاع الحقائق، أو معالجة السياقات الطويلة، أو الاستدلال في معيار معيّن.

بالنسبة إلى المستخدمين، ينشئ هذا مشكلة اختيار النموذج.

لذلك فإن فكرة المنتج أوسع من مجرد «استخدام عدة نماذج جيدة».

تحاول نقل اختيار النموذج من واجهة المستخدم إلى طبقة البنية التحتية.

بدلًا من سؤال المستخدمين مرارًا:

• أي نموذج هو الأفضل لهذا الطلب؟
• هل ينبغي أن أستخدم نموذج البرمجة؟
• هل ينبغي أن أبدّل النموذج من أجل الرؤية؟
• هل نموذج الاستدلال المكلف ضروري؟

يمكن للخدمة محاولة اتخاذ تلك القرارات خلف واجهة برمجة تطبيقات واحدة.

لم تكن Union Alpha تقدم نموذجًا فحسب، بل كانت تختزل عملية اختيار النموذج نفسها.

أصبح معرّف نموذج واحد طبقة تجريد

ينطوي هذا على تداعيات أوسع بالنسبة إلى واجهات برمجة تطبيقات الذكاء الاصطناعي.

تاريخيًا، كان معرّف النموذج يمنح المطورين فكرة بديهية إلى حد معقول عما يقف وراء نقطة النهاية.

كان معرّف النموذج يمثل عائلة نموذج وإصدارًا محددين.

تُضعف الأنظمة متعددة النماذج هذا الافتراض.

قد يستدعي التطبيق معرّفًا ثابتًا واحدًا بينما يغيّر مزوّد الخدمة:

• أي النماذج الأساسية تشارك،
• كيفية تصنيف الطلبات،
• كيفية تقييم الإجابات المرشحة،
• مقدار القدرة الحاسوبية المخصصة،
• وكيف تُركَّب الإجابة النهائية.

قد يكون هذا مفيدًا للمطورين لأن التطبيق لم يعد مضطرًا إلى ملاحقة أفضل نموذج لكل فئة باستمرار.

لكنه يطرح أيضًا مفاضلة جديدة: يصبح الذكاء الكامن وراء واجهة برمجة التطبيقات أقل شفافية.

قد لا يعود الطرف النهائي المستقر يعني مسار استدلال ثابتًا بشكل دائم.

ما مفاضلة تشغيل نماذج متعددة؟

لا تنشئ البنية المدمجة ذكاءً إضافيًا مجانًا.

إذا شاركت عدة نماذج في طلب واحد، فقد يستهلك النظام قدرة حوسبة استدلالية أكبر من إرسال المطالبة نفسها إلى نموذج واحد.

تشمل المفاضلات ذات الصلة ما يلي:

• وتكلفة استدلال إجمالية أعلى،
• وزمن استجابة قد يكون أطول,
• وتنسيق أكثر تعقيدًا،
• ووضوح أقل بشأن سلوك النموذج الأساسي،
• أسئلة أكثر تعقيدًا بشأن المزوّد والتعامل مع البيانات،
• واعتماد أكبر على نظام الدمج نفسه.

زمن الاستجابة مثير للاهتمام بصفة خاصة.

يمكن لموجّه بسيط اختيار نموذج واحد وانتظار مسار استدلال واحد. أما النظام المدمج فقد يحتاج إلى عدة عمليات نمذجة، إضافةً إلى أي تقييم أو تركيب مطلوب لإنتاج النتيجة النهائية.

يمكن أن يقلل التنفيذ المتوازي بعض هذه العقوبة، لكن التوازي لا يعني أنه مجاني.

وهذا يقود إلى تمييز مهم بين الأداء مقابل السعر ومجرد اختيار النموذج الأرخص.

لا تكون الخدمة المدمجة منطقية اقتصاديًا إلا إذا كان التحسن في جودة الإجابة أو موثوقيتها أو بساطة استخدامها يستحق تكلفة التنسيق والاستدلال الإضافية.

هل يقدم النموذج المدمج دائمًا إجابة أفضل؟

لا.

لا تضمن النماذج المتعددة تلقائيًا نتيجة صحيحة.

لا تزال هناك عدة أمور قد تسوء:

• وقد تشترك عدة نماذج في الخطأ الواقعي نفسه،
• وقد تضلل المعلومات المصدرية الضعيفة جميع المشاركين،
• وقد تختار طبقة التركيب المرشح الخطأ،
• قد يضيف الاستدلال الإضافي تعقيدًا غير ضروري،
• قد لا تستفيد الاستعلامات البسيطة من استدعاءات نماذج إضافية.

هذا مهم لأن عبارة «أجابت عدة نماذج عن السؤال» قد تبدو كأنها نظام مدمج للتحقق من الحقائق.

ليس هذا بالضرورة ما يحدث.

لا يعادل اتفاق عدة نماذج لغوية التحققَ المستقلَّ من الأدلة الموثوقة.

يمكن أن يؤدي تنوع النماذج إلى تحسين المتانة، لكن توافق النماذج ليس دليلًا.

ما علاقة Cloudflare بـ Union Alpha؟

أصبحت Cloudflare جزءًا مهمًا من قصة يونيون ألفا لأن النموذج السري أُتيح عبر البنية التحتية للذكاء الاصطناعي من Cloudflare.

هذا لا يعني أن Cloudflare أنشأت باريتو.

يصبح التمييز أسهل فهمًا عند فصل طبقتي التنسيق عن بعضهما.

يمكن لـ بوابة الذكاء الاصطناعي التعامل مع الجوانب التشغيلية، مثل التسجيل، والتحكم في الطلبات، والوصول إلى المزوّدين، والتخزين المؤقت، وإعادة المحاولات، وحدود المعدل، والبدائل.

يعمل باريتو على مستوى أعمق: فهو يغيّر طريقة تجميع الذكاء نفسه من أجل طلب ما.

تنسّق إحدى الطبقتين الوصول إلى الذكاء الاصطناعي. أما الأخرى فتنسّق قدرات الذكاء الاصطناعي.

يصبح هذا التمييز أكثر أهمية تدريجيًا مع استخدام المطورين مزيدًا من المزوّدين وطبقات تجريد النماذج.

هل لا يزال يونيون ألفا مجانيًا؟

كانت فترة الوصول السري الأصلية إلى يونيون ألفا مجانية، وهو ما يفسر سبب اختبار عدد كبير من المستخدمين لها بكثافة ومقارنة سلوكها بالنماذج الرائدة مرتفعة التكلفة.

انتهت فترة الاختبار تلك.

تقدم خدمة باريتو 26.9 المُعلنة الآن تسعيرًا عاديًا للاستخدام بدلًا من الوصول السري الأصلي المجاني.

يوفر هذا التسعير أيضًا سياقًا مفيدًا لفهم البنية.

إذا كان من المحتمل أن تسهم عدة نماذج أساسية في طلب ما، فلن يتلقى المطوّر فاتورة منفصلة من كل نموذج مشارك. إذ تخفي الخدمة المدمجة تكاليف الحوسبة الأساسية ضمن سعر منتج واحد.

وهذا يجعل المقارنة الاقتصادية مختلفة عن استدعاء عدة واجهات برمجة تطبيقات رائدة يدويًا وبناء مسار تجميع خاص بك.

ما النماذج التي يستخدمها باريتو 26.9 فعليًا؟

ربما يكون هذا السؤال الأكثر وضوحًا بعد اكتشاف أن يونيون ألفا نظام مدمج.

الإجابة الكاملة ليست متاحة للعامة.

وصفت Unbiased باريتو بأنه يمزج بين النماذج الرائدة والمفتوحة المصدر، لكنها لم تنشر قائمة كاملة أساسية تتيح للمستخدمين تحديد النماذج المشاركة بدقة في كل استجابة.

وهذا يعني ادعاءات مثل:

• «يونيون ألفا هو مزيج من GPT وGLM»،
• «إنه يستخدم لاما دائمًا لهذه المهمة»،
• «ميسترال هو المُركِّب»،
• أو «ينتج نموذج محدد دائمًا الإجابة النهائية»

ينبغي اعتبار ذلك مجرد تكهن ما لم تقدم Unbiased تفاصيل تقنية مقابلة.

البنية مؤكدة.

الوصفة الكاملة ليست كذلك.

هل يمكنك استضافة Union Alpha ذاتيًا؟

ليس بالطريقة نفسها التي يمكنك بها تنزيل نموذج ذي أوزان مفتوحة وتشغيله على وحدة معالجة الرسومات الخاصة بك.

يُقدَّم Pareto 26.9 كخدمة. أما النظام المدمج الكامل ومنطق التنسيق ومزيج النماذج الأساسي، فلا تُوزَّع حاليًا في حزمة قابلة للاستضافة الذاتية.

لكن يمكن إعادة إنتاج الفكرة المعمارية محليًا.

يمكن لإعداد متعدد النماذج مستضاف ذاتيًا أن يجمع عدة أدوار:

• نموذج صغير وسريع للمهام الروتينية،
• نموذج مخصص للبرمجة،
• نموذج رؤية ولغة،
• نموذج استدلال أكبر،
• ومرحلة تحكيم أو توليف.

هناك طريقتان مختلفتان جوهريًا لتشغيل هذا النظام المحلي.

بالنسبة إلى معظم خوادم الذكاء الاصطناعي المنزلية، يكون التوجيه عمليًا بدرجة أكبر بكثير.

يتطلب تشغيل عدة نماذج كبيرة في الوقت نفسه قدرًا كافيًا من ذاكرة RAM أو VRAM للنظام لإبقاء هذه النماذج متاحة، إضافة إلى قدرة حسابية لتنفيذ عدة مسارات استدلال من دون جعل زمن الاستجابة غير مقبول.

قد يكون التصميم الهجين أكثر واقعية: استخدم النماذج المحلية للمهام الروتينية وصعّد الطلبات الصعبة إلى نموذج محلي أو سحابي أقوى عند الضرورة فقط.

يوفر هذا بعض فوائد الذكاء متعدد النماذج من دون الحاجة إلى أن يعيد خادم منزلي إنتاج بنية Pareto المتوازية الكاملة.

يكشف Union Alpha عن تحول أكبر في واجهات برمجة تطبيقات الذكاء الاصطناعي

وسرعان ما انكشف الغموض المحيط بـ Union Alpha.

أما القصة الأهم فستدوم لفترة أطول.

تبتعد تطبيقات الذكاء الاصطناعي عن عالم:

أن اسم النموذج الواحد يعني دائمًا نموذجًا ثابتًا واحدًا ينفذ استدلالًا واحدًا.

يمكن لنقاط نهاية الذكاء الاصطناعي من الجيل التالي أن تخفي بشكل متزايد:

• توجيه النماذج،
• الاستدلال المتوازي،
• النماذج المتخصصة،
• مراحل التحقق،
• استخدام الأدوات،
• الاسترجاع،
• والتوليف.

بالنسبة إلى المستخدمين، يمكن أن يجعل ذلك الذكاء الاصطناعي أبسط: اختر نقطة نهاية واحدة ودَع النظام يقرر مقدار الذكاء الذي ينبغي تطبيقه.

بالنسبة إلى المطورين، يطرح ذلك سؤالًا معماريًا جديدًا:

هل تختار نموذجًا، أم تختار خدمة ذكاء؟

بدا Union Alpha كنموذج جديد غامض.

يوضح Pareto 26.9 سبب تقادم هذا الافتراض بالفعل.

الأسئلة الشائعة

ما هو Union Alpha؟

كان Union Alpha الاسم السري المستخدم لـ Pareto 26.9، وهو نظام ذكاء اصطناعي ممزوج متعدد النماذج طوّرته Unbiased. ويعرض نقطة نهاية نموذج واحدة مع السماح لعدة نماذج أساسية بالمساهمة في الطلب.

هل Union Alpha هو نفسه Pareto 26.9؟

نعم. كُشف لاحقًا أن نموذج Union Alpha السري هو Unbiased Pareto 26.9. ويشير Union Alpha إلى هوية الاختبار السري، بينما يشير Pareto إلى المنتج الإنتاجي المحدد.

من أنشأ Union Alpha؟

أنشأت Unbiased نظام Union Alpha باعتباره الإصدار السري لنظام الذكاء الاصطناعي الممزوج Pareto. وقد أتاحت Cloudflare الوصول إلى النموذج التابع لجهة خارجية عبر بنيتها التحتية للذكاء الاصطناعي، لكنها لم تطوّر نظام Pareto الأساسي.

هل Union Alpha نموذج ذكاء اصطناعي واحد أم عدة نماذج؟

إنه نظام متعدد النماذج، وليس نموذج أساس تقليديًا واحدًا. ويمكن لعدة نماذج أساسية أن تسهم في طلب واحد قبل أن يعيد Pareto استجابة واحدة موحّدة.

ما نماذج الذكاء الاصطناعي التي يستخدمها Union Alpha؟

لم يُكشَف علنًا عن القائمة الكاملة للنماذج الأساسية. وتقول Unbiased إن Pareto يجمع بين نماذج رائدة ونماذج مفتوحة المصدر، لكن الادعاءات المتعلقة بإسناد أدوار محددة إلى GPT أو GLM أو Llama أو Mistral أو نماذج أخرى تظل غير مؤكدة ما لم توثَّق رسميًا.

ما الفرق بين Pareto وموجّه النماذج؟

يختار الموجّه التقليدي عادةً نموذجًا واحدًا للإجابة عن الطلب. أما نهج Pareto القائم على المزج فيسمح لعدة نماذج بالمشاركة في الطلب نفسه قبل إرجاع نتيجة واحدة.

هل Pareto نموذج Mixture-of-Experts؟

لا. يشير مصطلح Mixture-of-Experts إلى شبكات خبراء داخل نموذج واحد مُدرَّب. أما Pareto فيعمل على مستوى نظام أعلى من خلال تنسيق عدة نماذج ذكاء اصطناعي منفصلة.

هل لا يزال Union Alpha مجانيًا؟

لا. كان Union Alpha مجانيًا خلال فترة اختباره السري. وقد انتهت تلك الفترة، وتستخدم خدمة Pareto 26.9 المحددة الآن تسعيرًا عاديًا قائمًا على الرموز.

ما تكلفة Pareto 26.9؟

الأسعار المدرجة حاليًا هي 2.50 دولار لكل مليون رمز إدخال، و0.25 دولار لكل مليون رمز إدخال مخزّن مؤقتًا، و7.50 دولار لكل مليون رمز إخراج. قد تتغير الأسعار، لذا ينبغي التحقق من أسعار المزوّد الحالية قبل الاستخدام في بيئة الإنتاج.

هل يمكنني استضافة Union Alpha أو Pareto 26.9 ذاتيًا؟

ليس كنظام Pareto الرسمي الكامل. إذ تُقدَّم طبقة التنسيق الخاصة به ومجموعة النماذج الأساسية الكاملة كخدمة مستضافة. ومع ذلك، يمكنك إنشاء موجّه محلي خاص بك متعدد النماذج أو سير عمل للمزج باستخدام نماذج ذات أوزان مفتوحة.

لماذا قد يستخدم نظام ذكاء اصطناعي عدة نماذج لطلب واحد؟

تتمتع النماذج المختلفة بنقاط قوة مختلفة في البرمجة والاستدلال والرؤية والعمل متعدد اللغات والسرعة والتكلفة. ويمكن لنظام متعدد النماذج الاستفادة من هذه الاختلافات لتقليل حاجة المستخدمين إلى اختيار النموذج الأفضل يدويًا لكل مهمة.