منتدى معهد Zhongguancun لشركة Ant Number Science يعلن: ستكون كفاءة التوكن المقياس الرئيسي لقياس قيمة الذكاء الاصطناعي على مستوى المؤسسات

يُعدّ الانفجار الذي حققته الوكلاء الذاتيّون الذين يقف OpenClaw على رأسهم علامةً على أن تطبيقات الذكاء الاصطناعي تتطور بسرعة من “التفاعل عبر المحادثة” إلى “تنفيذ المهام”. وفي الوقت الذي تسرّع فيه الشركات تبنّيها، تواجه أيضًا تحديات متعددة مثل هدر القدرة الحاسوبية والامتثال للأمان والالتزام. كيف يمكن للوكيل أن يحقق في النهاية التفعيل على نطاق واسع وبشكل مستدام، أصبح سؤالًا محوريًا يركز عليه قطاع الصناعة بأكمله.

في 26 مارس، خلال منتدى تشونغ قوان تسون لمنتدى تشونغ قوان تسون للمستقبل الابتكاري لتطوير الصناعات في الصين (Zhongguancun Forum Future Industry Innovation Development Forum)، صرّح تشانغ بنغ، المدير العام لقسم ابتكار تقنيات النماذج الكبرى في شركة آنت مايندز كوان (Ant Digital) (蚂蚁数科)، في كلمة ألقاها، بأن اندلاع OpenClaw سيجلب ثورة في نموذج الذكاء الاصطناعي على مستوى المؤسسات، وسيؤدي إلى انتقال تطبيق النماذج الكبرى في سيناريوهات الصناعة من “سباق المعاملات” إلى “سباق كفاءة Token”.

تشـانغ بنغ، المدير العام لقسم ابتكار تقنيات النماذج الكبرى في شركة آنت مايندز كوان (Ant Digital) في كلمة ضمن منتدى تشونغ قوان تسون

إن الانتشار السريع لوكلاء من نوع OpenClaw يعكس الطلب في السوق على وكلاء ذوي تنفيذ ذاتي، لكن في بيئات الصناعة الفعلية، يواجهون تحديات كبيرة عند التفعيل: نظرًا لعدم وجود فهم عميق لقواعد الصناعة وسير العمل، غالبًا ما يستدعي الوكيل الأدوات بشكل متكرر عند تنفيذ مهام معقدة، ما يؤدي إلى أن استهلاك Token يكون أعلى بكثير من المخرجات الفعلية. ووفقًا لما ورد، في بعض سيناريوهات الاستدعاء عالي التكرار، يمكن أن تصل تكلفة استهلاك Token لدى OpenClaw إلى عشرات المرات بل وحتى مئات المرات من تكلفة Agent مدمج (تكاملّي). إن نموذج الاستثمار الكبير مع المردود المنخفض يجعل من الصعب تحقيق الاستدامة عند تطبيقه على نطاق واسع داخل الصناعة.

“في الشوط النصف الثاني لتطبيق النماذج الكبرى في الصناعة، ليس محـور المسألة هو التنافس على حجم معلمات النموذج، بل هو الزيادة المستمرة لكفاءة Token لكل وحدة.” يرى تشانغ بنغ أنه ينبغي على المؤسسات، بالاقتران مع سيناريوهات الواقع والاحتياجات الفعلية، اختيار حلول ذكاء اصطناعي تجمع بين النماذج الكبيرة والصغيرة، لتحقيق قيمة أعمال أعلى بتكلفة أقل للقدرة الحاسوبية.

خذ سيناريوهات التمويل كمثال؛ فهذه المجال يحتاج يوميًا إلى معالجة كمّ هائل من المهام عالية التكرار ومنخفضة زمن التأخير—مثل التعرف السريع على النية، واستخلاص المعلومات المحورية، والبحث والفرز—وهي مهام تتطلب قابلية عالية للتوازي، وسرعة استجابة، ودقة عالية. تمتلك النماذج الكبرى الاستدلالية التقليدية قدرة قوية، لكن في هذه السيناريوهات الأمر يشبه “استخدام سكين المطبخ لذبح دجاجة”، إذ تكون التكلفة مرتفعة، والاستجابة بطيئة، ما يؤدي إلى هدر الموارد.

“ما تحتاجه الصناعة حقًا هو حل ذكاء اصطناعي يحقق أفضل قيمة مقابل السعر وسرعة استجابة، في ظل ضمان الاحترافية والدقة والامتثال.” قال تشانغ بنغ. ويرى أنه بينما تُظهر النماذج كبيرة المعلمات أداءً أفضل في الاستدلال المعقد والتحليل العميق، فإن النماذج صغيرة المعلمات تمتلك تأخرًا أقل وكفاءة سعرية أعلى في سيناريوهات المهام المتكررة والصغيرة. تحتاج الصناعة إلى حلول تجمع بين النماذج الكبيرة والصغيرة كي تتمكن من حل مشكلات السيناريوهات الواقعية بكفاءة وبكلفة أقل.

ضمن منتدى تشونغ قوان تسون، أطلقت آنت مايندز كوان نموذجًا خفيفًا مخصصًا للتمويل Ling-DT-Fin-Mini-2.5. وهو أول نموذج من سلسلة النماذج الكبرى Ling DT. ووفقًا للعرض، فإن Ling DT Fin Mini 2.5 هو نموذج خفيف من نوع MoE (شبكة الخبراء المتخصصين)، مبني على أحدث بنية “الانتباه الخطي الهجين” في Ling 2.5، ومُحسّن لسيناريوهات مهام التمويل ذات التوازي العالي وزمن التأخير المنخفض. مع الحفاظ على العمق المهني، يمكنه ضغط تكاليف الاستدلال إلى مستوى يسمح بتطبيقه على نطاق واسع. وبالمقارنة مع النماذج العامة الرائجة في الصناعة ذات القدرة المماثلة، تكون سرعة الاستدلال أعلى بنسبة 100%، كما تنخفض بشكل ملحوظ تكلفة الأجهزة لمعالجة نفس كمية المهام، ما يمنح المؤسسات المالية قيمة ملموسة في خفض التكاليف وزيادة الكفاءة.

في الواقع، بعد أن يتسارع اختراق وكلاء الذكاء الاصطناعي لسيناريوهات الصناعة المحورية وتنفيذ مهام واقعية، أصبحت الاستراتيجية التي تجمع بين النماذج الكبيرة والصغيرة اتجاهًا في القطاع. مؤخرًا، أطلقت OpenAI كذلك نموذجين صغيرين هما GPT‑5.4 mini وnano على التوالي، مع التركيز على زمن تأخير منخفض وكفاءة سعرية عالية، بوصفهما القوة الرئيسية لوكلاء فرعيين على مستوى طبقة التنفيذ.

يقول تشانغ بنغ إن تطور التكنولوجيا لا بد أن يعود في النهاية إلى متطلبات الصناعة العقلانية فيما يتعلق بالكفاءة، وفي المنافسة للمرحلة التالية، ستصبح كفاءة Token المعيار الأساسي لقياس قيمة الذكاء الاصطناعي على مستوى المؤسسات. وستواصل آنت مايندز كوان التعمق في مجال AGI على مستوى المؤسسات، وستطلق كذلك قريبًا نموذج Ling DT على نسخة “باي لين” (百灵) الخاص بالمؤسسات ونظرائه على مستوى القطاعات، لتسريع التفعيل على نطاق واسع لوكلاء الذكاء الاصطناعي في سيناريوهات معقدة على مستوى المؤسسات.

كمّ هائل من المعلومات، وتفسير دقيق، كل ذلك متاح في تطبيق 新浪财经 (Sina Finance)