هاريسون هيوز يتحدث بحماس في GTC 2026 عن «الصعوبة»؟ لماذا يجب أن يقوى وكيل LLM، وكلمة واحدة تكشف سر تطبيق وكيل الذكاء الاصطناعي بشكل فعلي

قال هوانغ رينن في مؤتمر GTC 2026 إن رؤيته تتمثل في "الاستدلال هو الاقتصاد"، معلنًا أن الذكاء الاصطناعي قد انتقل من عصر التدريب إلى عصر الاستدلال. لكن وراء هذا الرؤية، يكمن فرضية تقنية رئيسية: "صلابة" نماذج اللغة الكبيرة (LLM)، لضمان أن مخرجات النموذج في المهام الهيكلية تكون حاسمة وموثوقة. تتناول المقالة من خلال اختبارات الأداء على المخرجات الهيكلية، وتقنيات فك التشفير المقيدة، وتحديات تطبيق الوكيل على مستوى الشركات، لماذا يجب أن يتحول الذكاء الاصطناعي الوكيل من "المرن" إلى "الصلب".
(مقدمة: ما هو هندسة Harness؟ تحليل المكونات السبعة الحقيقية لتطبيق AI Agent)
(معلومات إضافية: بدون Agent Oracle (النبوة)، لا يمكن استقرار اقتصاد الذكاء الاصطناعي: البنية التحتية الأساسية ستكون في الواقع المفتاح)

فهرس المقالة

Toggle

• ما هو مفهوم "صلابة" LLM؟ ليست مادية، بل تتعلق باليقين
• المخرجات الهيكلية: من "نأمل أن تكون صحيحة" إلى "نضمن أنها صحيحة"
• فك التشفير المقيد: من أخذ العينات الاحتمالية إلى فرض القواعد النحوية
• الخيط السري في GTC 2026: من التدريب إلى اقتصاد الاستدلال
• لماذا تعتبر "الصلابة" هي العقبة الحقيقية أمام تطبيق AI Agent
• قرار الشركات: هل تريد ذكاء اصطناعي يتحدث فقط، أم وكيلًا قادرًا على إنجاز المهام؟

أطلق هوانغ رينن في مؤتمر GTC 2026 هذا العام حجة هزت أوساط التكنولوجيا: أن صناعة الذكاء الاصطناعي تنتقل من "عصر التدريب" إلى "عصر الاستدلال"، وأن حجم هذا التحول أكبر بكثير من عصر التدريب.

وفي خطابه الرئيسي، أكد مرارًا مفهومًا، وهو أن الحاسوب لم يعد مجرد آلة حسابية، بل هو "نظام تصنيع رموز" (Token Manufacturing System). كل خادم، وكل مركز بيانات، هو في جوهره مصنع لإنتاج الرموز. لكن السؤال هو: لمن تُباع هذه الرموز؟ الجواب الوحيد هو: وكيل الذكاء الاصطناعي (AI Agent).

وهذا هو جوهر الرسالة التي غالبًا ما يُغفل عنها في أعمق جملة في GTC: LLM يحتاج إلى "صلابة" (Hardness).

ما هو مفهوم "صلابة" LLM؟ ليست مادية، بل تتعلق باليقين

في مجال الذكاء الاصطناعي، كلمة "صلابة" لا تشير إلى قدرة المعالجة لوحدة معالجة الرسومات (GPU)، ولا إلى نانومترية عملية تصنيع الرقائق. بل تشير إلى شيء أعمق: هل يمكن لـ LLM أن يقدم مخرجات حاسمة وموثوقة وقابلة للتحقق عند التعامل مع المهام الهيكلية.

في جوهرها، فإن نماذج LLM التقليدية "مرنة"، فهي نماذج احتمالية، وكل عملية توليد فيها تعتمد على سحب عشوائي من توزيع احتمالي. هذا ليس مشكلة في المحادثات، والكتابة، والمهام الإبداعية، بل هو ميزة أحيانًا. لكن عندما يُدمج LLM في أنظمة الشركات، ويُطلب منه استعلام قواعد البيانات، وحساب المبالغ، واتخاذ قرارات المعاملات، فإن "المرونة" تصبح عيبًا قاتلًا.

تخيل سيناريو: وكيل AI يساعدك في إجراء تحويل بنكي. يجب أن يستخرج بدقة رقم الحساب، المبلغ، العملة، ثم يستدعي API البنك. إذا أخطأ النموذج وفسر "1000 دولار" على أنه "1000 يورو"، أو كتب حقل المبلغ في JSON كـ amoumt بدلاً من amount، فالنتيجة ليست "تقريبًا"، بل خطأ كامل.

هذا هو السبب في أن صناعة الذكاء الاصطناعي تمر حاليًا بتحول من "المرن" إلى "الصلب". و"صلابة" LLM تعني قدرته على إنتاج مخرجات هيكلية، متوقعة، ومتوافقة مع المعايير.

المخرجات الهيكلية: من "نأمل أن تكون صحيحة" إلى "نضمن أنها صحيحة"

المخرجات الهيكلية (Structured Output) تبدو تقنية، لكن المفهوم بسيط جدًا: أنت تخبر النموذج عن شكل المخرجات المطلوب، ويجب عليه الالتزام التام بهذا الشكل، دون أي انحراف.

في 2024، أطلقت OpenAI ميزة المخرجات الهيكلية، وهو إنجاز مهم. حيث يمكن للمطورين تحديد مخطط JSON صارم، ويُجبر النموذج على الالتزام به، بحيث لا يضيف حقلًا زائدًا، ولا ينسى فاصلة، ولا يكتب رقمًا كسلسلة نصية.

لكن التحدي الحقيقي ليس في القدرة على التنفيذ، بل في مدى استقرار الأداء عبر مختلف السيناريوهات. وفقًا لاختبار المعايير الذي نشره أحدث إصدار من The Agentic Digest، تظهر نماذج مختلفة أداءً متباينًا بشكل كبير عند التعامل مع مخططات معقدة ومتداخلة، أو سياقات طويلة، أو مدخلات متعددة اللغات. بعض النماذج تتفوق في المهام البسيطة، لكن عند وجود أكثر من 50 حقلًا في بنية متداخلة، تبدأ في فقدان البيانات، وتكرار الحقول، وحتى اختلاق معلومات.

المعايير الجديدة مثل Interfaze AI و Spec27، تقيس بشكل منهجي مؤشرات "الصلابة" هذه: معدل الالتزام بالمخطط، تكامل الحقول، دقة الأنواع، وصدق الهيكلية. هذه الأرقام هي التي تحدد ما إذا كانت الشركات ستنشر النموذج في بيئة الإنتاج أم لا.

فك التشفير المقيد: من أخذ العينات الاحتمالية إلى فرض القواعد النحوية

إذا كانت المخرجات الهيكلية "إخبار النموذج بما تريده"، فإن فك التشفير المقيد (Constrained Decoding) هو "إجباره على إعطائك ما تريد فقط".

الجيل التقليدي لـ LLM يتم بشكل تدريجي، حيث يُختار كل رمز (token) من خلال توزيع احتمالي على كامل قائمة الرموز. أما فك التشفير المقيد، فيضيف "جدار حماية نحوي" أثناء العملية، بحيث يكون الرمز التالي مطابقًا لقواعد نحوية محددة مسبقًا (مثل قواعد JSON، أو التعبيرات النمطية)، ويتم استبعاد الرموز غير المطابقة من قائمة المرشحين.

النتيجة؟ ضمان 100% صحة نحوية. ليست 99%، وليست "غالبًا ما تكون صحيحة"، بل ضمان رياضي كامل. وهذا ضروري جدًا لوكيل AI الذي يحتاج لاستدعاء API، وتحديث قواعد البيانات، وكتابة الكود.

وفي حديثه في GTC 2026، أشار هوانغ رينن إلى ملاحظة مثيرة للاهتمام: أن ظهور AI الوكيل (Agentic AI) يعيد أهمية قواعد البيانات العلائقية (SQL) وبيانات البيانات (Relational Databases) بشكل كبير. لماذا؟ لأن الوكيل يحتاج إلى "حقيقة أرضية" (Ground Truth)، مثل مبلغ معاملة، رصيد حساب، أو شروط عقد. وهذه ليست مسألة احتمالية، بل مسألة حقائق. وخصائص ACID في قواعد البيانات (الذرة، التوافق، العزل، الديمومة) توفر بالضبط ما يفتقر إليه LLM: اليقين.

الخيط السري في GTC 2026: من التدريب إلى اقتصاد الاستدلال

بالعودة إلى GTC 2026، فإن جوهر حديث هوانغ رينن هو فرضية اقتصادية.

يتوقع أن تحقق شرائح NVIDIA Blackwell و Rubin قبل عام 2027 أكثر من تريليون دولار من الإيرادات، والخلفية هي أن صناعة الذكاء الاصطناعي تتحول من "تكلفة تدريب لمرة واحدة" إلى "دخل مستمر من الاستدلال". تدريب نموذج هو استثمار لمرة واحدة، لكن جعل النموذج يتعامل مع ملايين طلبات الوكيل يوميًا هو تدفق نقدي دائم.

لكن، هل هذا الرؤية ممكنة؟ بشرط أن تكون "صلابة" LLM عالية. إذا كانت هناك احتمالية 5% لخطأ في كل طلب، فلن تثق به أي بنك، أو مستشفى، أو شركة محاماة في المهام الحاسمة. ويؤكد هوانغ مرارًا وتكرارًا أن "مصنع الذكاء الاصطناعي" و"نظام تصنيع الرموز" يعتمدان على هذا الافتراض: أن صناعة الذكاء الاصطناعي جاهزة للانتقال من مرحلة "المرونة" المختبرية إلى مرحلة "الصلابة" الإنتاجية.

وتأكيدًا على ذلك، استحواذ NVIDIA على شركة Groq، وتطويرها لمجموعة شرائح Full AI Stack، يعكس هذا الاتجاه. معمارية LPU (وحدة معالجة اللغة) من Groq مصممة خصيصًا للاستدلال منخفض التأخير، وهو أمر ليس صدفة، فكل ميلي ثانية من التأخير أثناء فهم، واستعلام، وحساب، ورد فعل الوكيل، يمثل تكلفة.

لماذا تعتبر "الصلابة" العقبة الحقيقية أمام تطبيق AI Agent

حاليًا، يمر قطاع الذكاء الاصطناعي بمرحلة محرجة: "النماذج أكثر ذكاءً، لكنها أقل موثوقية".

GPT-4، Claude، Gemini، على الرغم من أدائها المذهل في الأسئلة المفتوحة، والكتابة الإبداعية، والمساعدة في البرمجة، إلا أنها تتقدم ببطء في مؤشر حاسم: اليقين. فالسؤال نفسه قد يُطرح مرتين، ويُعطي إجابتين مختلفتين، وكلتاهما "مقبولتان". هذا يُعد ميزة في المحادثات، لكنه عيب في تطبيق الوكيل (Agent)، حيث يتطلب تكرار النتائج.

هذه الطبيعة "المرنة" ناتجة عن تصميم بنية LLM الأساسية. فالتوليد التلقائي بواسطة Transformer هو بطبيعته احتمالي، بينما التعلم المعزز (RLHF) وتحسين التفضيلات (DPO) يجعل النموذج أكثر "طاعة"، لكنه لا يعالج مشكلة اليقين بشكل جذري.

الحلول تأتي من اتجاهين:

الأول هو القيود على الاستدلال، كما في فك التشفير المقيد والمخرجات الهيكلية، حيث يتم فرض قواعد أثناء التوليد. الثاني هو التحقق في مستوى النظام، حيث يقوم الوكيل قبل اتخاذ أي إجراء، بإجراء فحوص ذاتية، وتحقق متبادل، واستدعاء أدوات خارجية (مثل استعلام SQL، أو مقارنة نتائج API) للتحقق من صحة المخرجات.

وفي حديثه في GTC، قال هوانغ جملة غفل عنها الكثيرون، لكنها ذات أهمية بالغة: "في عصر الاستدلال، لم يعد الذكاء الاصطناعي يقتصر على توليد النص، بل يتطلب اتخاذ إجراءات." جوهر هذه المقولة هو أن الذكاء الاصطناعي، بعد أن تطور من "الكلام" إلى "العمل"، فإن "الصلابة" لم تعد خيارًا، بل ضرورة للبقاء.

قرار الشركات: هل تريد ذكاء اصطناعي يتحدث فقط، أم وكيلًا قادرًا على إنجاز المهام؟

بالنسبة للشركات، الاختيار واضح جدًا. روبوتات خدمة العملاء يمكن أن تعمل بدقة تصل إلى 99%، وأحيانًا تخطئ، ولا مشكلة، فالشكاوى محدودة. لكن في حالات تحويل الأموال، ومراجعة العقود، والمساعدة الطبية، وتخطيط القيادة الذاتية، فإن معدل الخطأ يجب أن يكون صفرًا.

وهذا هو السبب في ظهور سوق جديد بين 2025 و2026: "الوكيل الصلب" مقابل "الوكيل المرن". الوكيل المرن يعتمد على نماذج عامة، ويستخدم prompt engineering وأمثلة few-shot لتوجيه السلوك؛ أما الوكيل الصلب، فهو يعتمد على نماذج مدربة بشكل هيكلي، مع تطبيق فك التشفير المقيد وإطارات التحقق، بحيث يكون كل سلوك للمخرجات مضمونًا من حيث اليقين.

استراتيجية NVIDIA في GTC 2026، تضع الأسس لعصر "الوكيل الصلب". قدرات المعالجة الضخمة لـ Blackwell Ultra و Vera Rubin، وLPU من Groq ذات التأخير المنخفض جدًا، وتغطية بيئة CUDA الشاملة، ليست لمساعدتك على الدردشة بشكل أسرع مع ChatGPT، بل لتمكين مئات الآلاف من الوكلاء الذكاء الاصطناعي من تنفيذ المهام بدقة في الخلفية.

الانتقال من "المرن" إلى "الصلب" ليس مجرد ترقية تقنية، بل هو ثورة في الثقة. الشركات لن تضع مهامها الحساسة في نظام "تقريبي". عندما يمتلك LLM "صلابة"، ويقدم مخرجات موثوقة، وسلوكًا يمكن التحقق منه، وواجهات هيكلية، فإن الوكيل الذكي يمكن أن يتحول من مفهوم على الورق إلى تطبيق حقيقي في بيئة الإنتاج.

وقد أطلقت هوانغ رينن شرارة هذه الثورة بالفعل في GTC 2026.