ما هي نماذج الأساس؟

يتم استخدام مصطلح "نموذج الأساس" 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 نماذج الأساس 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 لنماذج الأساس 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.

تتضمن قوة نموذج الأساس عمومًا عملية من مرحلتين: مرحلة تدريب أولية كثيفة الموارد تليها مرحلة تكيف أكثر كفاءة. يهدف هذا النهج إلى جعل قدرات الذكاء الاصطناعي المتقدمة في متناول مجموعة أوسع من المطوّرين والمؤسسات.

التدريب المسبق على بيانات واسعة النطاق

المرحلة الأولى هي التدريب المسبق. خلال هذه المرحلة، تتعرض الشبكة العصبية لكمية هائلة من البيانات غير المصنّفة، مثل النصوص والصور من الإنترنت. باستخدام تقنيات التعلم الذاتي، يمكن تكليف النموذج بأنشطة مثل التنبؤ بالكلمات المفقودة في الجمل، مما يشجعه على تطوير فهم عميق وعام للغة والمفاهيم والسياق. يهدف هذا التدريب الأولي إلى تزويد النموذج بقاعدة معرفية واسعة. يتطلب التدريب قدرة حاسوبية هائلة.

التكيف مع مهام محددة

بمجرد تدريب النموذج مسبقًا، يدخل مرحلة التكيف، والمعروفة أيضًا باسم الضبط الدقيق. هنا، يمكن تخصيص النموذج ذي الأغراض العامة لمجال أو مهمة معينة. من خلال تدريب النموذج بشكل أكبر على مجموعة بيانات أصغر بكثير ومنتقاة بعناية، مثل العقود القانونية أو الصور الطبية أو تقارير التهديدات السيبرانية، فإنه يتعلّم تطبيق معرفته العامة في ذلك السياق المحدد.

تتيح دورة الحياة هذه، بدءًا من التدريب المسبق والضبط الدقيق وصولاً إلى الاستدلال (استخدام النموذج لتوليد المخرجات)، للمؤسسات الاستفادة من قوة الذكاء الاصطناعي واسع النطاق دون تحمل التكلفة الكاملة وتعقيد التطوير الأولي. 

في المناقشات الدائرة حول الذكاء الاصطناعي المتقدم، غالبًا ما يتم استخدام مصطلحي نموذج الأساس والنموذج الرائد، لكنهما ليسا قابلين للتبادل. إن فهم الفرق بين هذه المصطلحات مفيد لاتخاذ قرارات استراتيجية بشأن تبني الذكاء الاصطناعي. فببساطة، جميع النماذج الرائدة عبارة عن نماذج أساس، ولكن ليست كل نماذج الأساس نماذج رائدة. يُعد النموذج الرائد فئة فرعية محددة من نماذج الأساس التي تمثل أقوى الأنظمة وأكثرها تقدمًا المتاحة في أي وقت معين.

ما الذي يجعل النموذج نموذجًا رائدًا؟

تعتبر النماذج الرائدة عمومًا نماذج الأساس الأكثر تقدمًا، وتمثل الحافة الرائدة لقدرات وأداء الذكاء الاصطناعي. يتم تدريبها على مجموعات بيانات ضخمة باستخدام موارد حاسوبية كبيرة، وتحقق نتائج متقدمة عبر مجموعة واسعة من المهام. غالبًا ما تُظهر هذه النماذج قدرات متقدمة في الاستدلال وفهم اللغة وحل المشكلات والمعالجة متعددة الوسائط.

مقارنة استراتيجية للقادة

بالنسبة لقادة الأعمال وتكنولوجيا المعلومات، يُعدّ هذا التمييز مهمًا للاستراتيجية والاستثمار وإدارة المخاطر. بينما يوفر نموذج الأساس القياسي مسارًا لتبني الذكاء الاصطناعي، فإن النموذج الرائد يمثل نهجًا عالي المخاطر وعالي المكافأة لتحقيق ميزة ثورية.

تمثل نماذج الأساس تقنية "ذات استخدام مزدوج" كلاسيكية توفر إمكانات للتحول الإيجابي مع تقديم سبل جديدة للاستغلال في الوقت نفسه. بالنسبة للمؤسسات، يُعد فهم هذه الازدواجية أمرًا ضروريًا لتحقيق التوازن بين الابتكار والإدارة القوية للمخاطر.

التأثير الإيجابي: عند تطبيقها على العمليات الدفاعية، يمكن أن تعمل نماذج الأساس كمضاعف للقوة لفرق الأمان. من خلال معالجة وربط كميات هائلة من بيانات القياس عن بُعد وسجلات الشبكة ومعلومات التهديدات في الوقت الفعلي، يمكن لهذه النماذج ما يلي:

• تسريع الاستجابة للحوادث:تقوم بأتمتة فرز التنبيهات، مما يتيح للمحللين التركيز على التهديدات ذات الأولوية العالية.
• تحسين عملية البحث عن التهديدات:تقوم بتحديد الأنماط والحالات الشاذة التي قد تفوتها الأنظمة التقليدية القائمة على القواعد.
• تبسيط العمليات:تقوم بإنشاء ملخصات باللغة الطبيعية لحوادث أمنية معقدة.

مخاطر سوء الاستخدام: على العكس من ذلك، فإن نفس القدرة على التكيف التي تجعل نماذج المؤسسات قوية للأعمال التجارية تقلل أيضًا من حاجز الدخول للجهات الفاعلة الخبيثة. نظرًا لإمكانية ضبط نماذج الأساس أو توجيهها لأداء مهام معقدة، يمكن استخدامها كسلاح لتوسيع نطاق العمليات الهجومية. تشمل التهديدات السيبرانية المحتملة ما يلي:

• الهندسة الاجتماعية المؤتمتة:إنشاء رسائل بريد إلكتروني لتصيد المعلومات أو محتوى مزيف بتقنية التزييف العميق مقنع للغاية وشخصي على نطاق واسع.
• تطوير البرامج الضارة والتهرب منها: استخدام الذكاء الاصطناعي للتكرار السريع للبرامج الضارة للتهرب من أنظمة الكشف.
• اكتشاف الثغرات الأمنية واستغلالها:تقوم بمساعدة المهاجمين في تحديد الثغرات الأمنية واستغلالها في البرامج بشكل أسرع من خلال تحليل قواعد التعليمات البرمجية بحثًا عن نقاط الضعف المحتملة.
• قابلية توسع الهجمات: أتمتة مراحل الاستطلاع والاستغلال للهجوم، مما يتيح للمهاجمين استهداف عدد أكبر من الأنظمة بأقل جهد يدوي.

ومع تطور هذه القدرات، من المرجح أن يستمر المشهد الأمني في التغير. إن اتباع موقف استباقي يدمج الدفاع المدعوم بالذكاء الاصطناعي مع الحفاظ على حوكمة صارمة وأمان سلسلة التوريد هو وسيلة فعّالة للاستفادة من مزايا نماذج الأساس مع التخفيف من مخاطر إساءة استخدامها.

مع ازدياد أهمية نماذج المؤسسات في العمليات التجارية، فإنها تُدخل اعتبارات أمنية جديدة. نظرًا لأن الكثير من التطبيقات قد تم بناؤها على نموذج أساسي واحد، فإن أي ثغرة أمنية في هذا الأساس يمكن أن ترثها كل التطبيقات اللاحقة. 

تشير الأبحاث إلى أن حتى أكثر النماذج الاحتكارية تطورًا قد تكون عُرضة لهجمات متعددة المراحل يمكنها تجاوز تدابير السلامة المدمجة. وهذا يؤكد الحاجة إلى اتباع نهج يضع الأمان في المقام الأول في تطوير الذكاء الاصطناعي ونشره. لكي تتمكّن المؤسسات من الابتكار بثقة، ينبغي عليها تبني نهج يضع الأمان في المقام الأول.