يتم استخدام مصطلح "نموذج تأسيسي" بشكل شائع ليعكس الدور الذي تلعبه هذه الأنظمة كطبقة أساسية للذكاء الاصطناعي للمؤسسات. بينما يتم إنشاء النماذج التقليدية في كثير من الأحيان لمهام محددة، فإن النماذج التأسيسية تعمل كنقطة انطلاق متعددة الاستخدامات يمكن تخصيصها للتطبيقات اللاحقة. يتم تدريب هذه النماذج عادةً على مجموعات بيانات متنوعة تشمل النصوص والرموز والصور والصوت، مما يتيح لها تطوير فهم عام للأنماط والمفاهيم والسياق. تُعد نماذج اللغة الكبيرة (LLMs) مثالاً بارزًا على هذه الأنظمة، حيث إنها مصممة بشكل عام لمعالجة وتوليد اللغة البشرية بكفاءة عالية.
يكمن ابتكارها الأساسي في قدرتها على التكيُّف. يمكن ضبط نموذج واحد مدرّب مسبقًا بدقة لأداء الكثير من الوظائف المختلفة، بدءًا من تلخيص المستندات المعقدة وكتابة التعليمات البرمجية وصولاً إلى تحليل البيانات المرئية أو تحديد التهديدات الأمنية. من خلال العمل كـ "أساس"، فإنها تتيح للمؤسسات تسريع الابتكار وتقليل الوقت اللازم لتحقيق القيمة لمبادرات الذكاء الاصطناعي.
تشمل الخصائص الرئيسية للنماذج التأسيسية بشكل عام ما يلي:
- القابلية للتوسع: يتم تدريبها عادةً على مجموعات بيانات ضخمة ومتنوعة باستخدام موارد حاسوبية هائلة.
- التعلم الذاتي: عملية التدريب ذاتية إلى حد كبير، مما يعني أن النموذج يتعلّم الأنماط والعلاقات مباشرةً من البيانات دون الحاجة إلى أمثلة مصنّفة يدويًا.
- القدرة على التكيف: يمكن تخصيص نموذج واحد مدرّب مسبقًا للعديد من التطبيقات، مما يوفر وقتًا وموارد كبيرة مقارنةً بتدريب نموذج جديد متخصص من البداية.