2.8 تريليون معلمة ليست سوى البداية: Kimi K3 تدفع سباق النماذج الكبيرة نحو "صناعة الذكاء الاصطناعي بواسطة الذكاء الاصطناعي"

الكاتب: Climber، CryptoPulse Labs

في 16 يوليو/تموز، أطلقت شركة Dark Side of the Moon رسميًا نموذجها مفتوح المصدر من الجيل الجديد Kimi K3. يحتوي النموذج على 2.8 تريليون معلمة، ونافذة سياق 1 مليون Token، ويدعم فهم الرؤية بشكل أصلي، كما يعتمد تقنيات مثل Kimi Delta Attention وAttention Residuals.

يُعد هذا أول نموذج مفتوح المصدر على مستوى 3 تريليون عالميًا، ورغم أن أداء Kimi K3 ككل ما يزال أقل من أقوى نماذج مغلقة المصدر مثل Claude Fable 5 وGPT-5.6 Sol، فإنه أظهر مستوى متقدّمًا في عدة تقييمات، وتقول Dark Side of the Moon إن أداءه الإجمالي ظل مستقرًا متجاوزًا نماذج الاختبار الأخرى.

والأكثر جدارة بالانتباه أن Kimi K3 أنجز أيضًا تصميم شريحة بشكل مستقل. إن نموذجًا كبيرًا يبدأ بمحاولة تصميم العتاد المطلوب لتشغيل الذكاء الاصطناعي، قد يكون ذلك أكثر لفتًا للنظر من عدد 2.8 تريليون معلمة بحد ذاته.

أولاً: خلف 2.8 تريليون معلمة... المنافسة في النماذج الكبيرة تتجه من الحجم إلى الكفاءة

خلال السنوات الماضية، كان المؤشر الأكثر قابلية للفهم في صناعة النماذج الكبيرة هو عدد المعلمات. من عشرات المليارات إلى تريليونات، ثم إلى تريليونات، أصبحت أحجام المعلمات شبه رمز أساسي لقياس قدرات النموذج.

لكن عندما يصل حجم النموذج إلى 2.8 تريليون معلمة، لم يعد السؤال الحقيقي هو: "ما حجم النموذج؟"، بل: كيف يتم تدريب هذا النموذج الضخم؟ ما عدد المعلمات التي يشارك فعليًا في الحساب لكل مهمة؟ وكيف يمكن منح النموذج قدرات أقوى مع التحكم في تكاليف التشغيل؟

كان جواب Kimi K3 هو توسيع بنية التخفيف (sparsification) بشكل أكبر.

بحسب ما ذكرته Dark Side of the Moon، يستخدم Kimi K3 Mixture of Experts، أي بنية "الخبراء المتداخلين". يضم النموذج 896 وحدة خبراء، لكن يتم تفعيل 16 خبيرًا فقط منها لكل مهمة.

وهذا يعني أن النموذج يمكنه أن يمتلك سعة معرفية ضخمة دون الحاجة إلى استدعاء جميع المعلمات في كل مرة. كأن مؤسسة فائقة تضم 896 قسمًا متخصصًا؛ وعند مواجهة مشكلات مختلفة، لا يلزم تفعيل سوى 16 قسمًا الأكثر صلة.

تتمثل القيمة الأساسية لهذه البنية في إمكانية فصل الحجم الكلي للنموذج عن تكلفة الحساب في كل مرة.

في المستقبل، قد لا تكون المنافسة في النماذج الكبيرة حول من يملك المزيد من المعلمات، بل حول من يستطيع استدعاء أكبر قدر من المعلمات بكلفة أقل وفعالية أعلى.

وتتضمن Kimi K3 ابتكارًا محوريًا آخر هو Kimi Delta Attention، أي KDA. في البنية التقليدية لـTransformer، عند التعامل مع نصوص فائقة الطول، تزداد أحمال الحساب والذاكرة بشكل واضح. هدف KDA هو تحسين كفاءة معالجة النموذج للمعلومات طويلة التسلسل.

وفي الوقت نفسه، أدخل Kimi K3 آلية Attention Residuals، أي بقايا/متبقيات الانتباه. في النماذج التقليدية، يتم تمرير المعلومات تدريجيًا عبر الطبقات، بحيث تتراكم المعلومات في الطبقات اللاحقة، لكن ذلك قد يؤدي أيضًا إلى التكرار والتضاؤل.

تحاول Attention Residuals تجاوز أعماق مختلفة بشكل انتقائي، عبر استدعاء معلومات من المراحل الأسبق حينما تكون أكثر ملاءمة للمهمة.

إذا كانت تدفقات المعلومات في النماذج التقليدية تشبه نهرًا يجري من نقطة البداية إلى نقطة النهاية، فإن Attention Residuals أقرب إلى بناء نظام لاسترجاع المعلومات على طول الطريق، بحيث يمكن للنموذج استدعاء معلومات من أعماق مختلفة وفقًا لطبيعة المهمة.

وتذكر Dark Side of the Moon أنه مقارنةً بـKimi K2، حقق Kimi K3 نحو 2.5 ضعف في كفاءة التوسّع الإجمالي.

وهذا يدل على أن صناعة الذكاء الاصطناعي تتحول من "كلما كان الحجم أكبر كان النموذج أقوى" إلى "كيف يمكن تحويل الحجم الأكبر إلى كفاءة أعلى".

وتكمن أهمية Kimi K3 أيضًا لا في إطلاق نموذج 2.8 تريليون معلمة فحسب، بل في رفع الحد الأعلى لحجم النماذج مفتوحة المصدر.

في الماضي، كانت النماذج مفتوحة المصدر تُنظر إليها غالبًا على أنها تسعى إلى اللحاق بالنماذج المغلقة المصدر. أما اليوم، تبدأ النماذج مفتوحة المصدر في محاولة إثبات أن النماذج فائقة الضخامة يمكن أن تكون متاحة للعلن، وأن تُدرَس، وأن تُطوَّر من جديد عبر المطورين.

ثانيًا: من روبوتات الدردشة إلى موظفين رقميين... Kimi K3 يستهدف أعمالًا معقدة

إذا كانت 2.8 تريليون معلمة هي أسهل بطاقة تسويقية لتداول Kimi K3، فإن اتجاهه الحقيقي نحو المنتج يتمثل في "المهام بعيدة المدى".

في السابق، كان أغلب عملاء/مساعدي الذكاء الاصطناعي يقتصر على الإجابة عن الأسئلة. يطرح المستخدم سؤالًا، فيقدم النموذج إجابة. وإن طُلب منه كتابة كود، عاد بالكود. وإن طُلب منه تلخيص مقال، أنشأ ملخصًا.

لكن الواقع أن الأعمال المعقدة غالبًا لا يمكن إنجازها عبر سؤال وجواب واحد فقط.

قد يحتاج باحث إلى قراءة أوراق علمية، وتنظيم البيانات، وبناء نموذج، وتشغيل التجارب، وتحليل النتائج، ثم كتابة تقرير. وقد يحتاج المبرمج إلى قراءة كم هائل من الملفات، وفهم هيكل المشروع، وتعديل الكود وتشغيل الاختبارات، ثم تحديد الأخطاء وإجراء تحسينات متكررة.

وتشترك هذه المهام في سمات: طول الدورة، وتعدد الخطوات، وحجم معلومات كبير، إلى جانب الحاجة إلى تعديل الخطوة التالية باستمرار استنادًا إلى النتائج الوسيطة، وهذا بالضبط ما تحاول Kimi K3 معالجته.

وفي أحد الأمثلة التي تعرضها Dark Side of the Moon، أكمل Kimi K3 مهمة بحث في فيزياء الفلك الحسابية. من خلال قراءة والتحقق المتقاطع من أكثر من 20 ورقة علمية، أجرى حسابات عددية، وقيم مئات معادلات الحالة، واكتشف عدم اتساق في الصيغ المنشورة، ثم أنشأ أكثر من 3000 سطر من كود Python ولوحة تحكم HTML تفاعلية.

وتقول الجهة الرسمية إن هذه المهمة استغرقت نحو ساعتين، بينما في الظروف التقليدية قد يحتاج الأمر من أسبوع إلى أسبوعين لإنجازها بواسطة باحثين ذوي خبرة.

لا يعني ذلك أن الذكاء الاصطناعي يمكنه بالفعل استبدال الباحثين؛ إذ إن أهم جزء في العمل البحثي غالبًا يتمثل في طرح الأسئلة، وتقييم الفرضيات، وتفسير النتائج.

لكن Kimi K3 تعرض تغيرًا مهمًا: أن الذكاء الاصطناعي بدأ ينتقل من المساعدة في خطوة محددة لإنجازها للإنسان، إلى تنفيذ سلسلة كاملة من سير العمل بشكل مستقل تدريجيًا. وهذه هي الفروقات بين عصر الـAgent وعصر روبوتات الدردشة التقليدية.

روبوتات الدردشة التقليدية تحل المشكلة عبر: اسألني شيئًا، فأجيبك. أما الـAgent فيحل المشكلة عبر: أخبرني بالهدف، فأقوم أنا بتفكيك المهمة، واستدعاء الأدوات، وتنفيذ الخطوات، والتحقق من النتائج، ثم تصحيح المسار باستمرار.

وتحظى نافذة السياق البالغة 1 مليون Token لدى Kimi K3 بأهمية كبيرة في هذه العملية.

بالنسبة للمستودعات البرمجية الكبيرة، وتقارير الأبحاث، وبيانات الشركات، ووثائق المشاريع المعقدة، يعني أن النموذج قادر على فهم المزيد من المعلومات مرة واحدة أنه لن ينسى السياق بشكل متكرر، ولن يحتاج المستخدم إلى تكرار الخلفية باستمرار.

كما يدعم Kimi K3 فهم الرؤية بشكل أصلي، ما يسمح بتكوين حلقة عمل مغلقة وأكثر اكتمالًا للذكاء الاصطناعي.

فعلى سبيل المثال، بعد أن يكتب الذكاء الاصطناعي كودًا يمكنه الاطلاع على نتائج تشغيله عبر الويب؛ وبعد أن يُعد عرضًا تقديميًا PPT يمكنه فحص تخطيط الصفحات؛ وبعد أن يولد محتوى يمكنه أيضًا عبر التغذية الراجعة البصرية تقييم النتيجة.

في الماضي، كان الذكاء الاصطناعي أشبه من يكتب كودًا وهو مغمض العينين. أما مستقبلًا، فسيكون بمقدوره تكوين سلسلة تبدأ بفهم المهمة، ثم توليد النتائج، ثم ملاحظة النتائج، واكتشاف المشكلات، ثم تعديل النتائج.

كما توسع Dark Side of the Moon قدرات Kimi لتشمل سيناريوهات مثل Kimi Work وKimi Code وKimi API، مع التركيز على البحث والوثائق والعروض التقديمية والجداول ولوحات التحكم، إضافة إلى مهام البرمجة المعقدة.

وفي المستقبل، قد لا تتمثل القيمة التجارية الحقيقية للذكاء الاصطناعي في نموذج يجيب عن الأسئلة أكثر، بل في نموذج يُنجز الأعمال أكثر.

البرمجيات التقليدية تتطلب من المستخدم تعلم تسلسل عمليات معقد. أما هدف AI Agent فهو ربط البحث وقواعد البيانات والبرمجة وتحليل البيانات وأدوات المكتب معًا، بحيث يكتفي المستخدم بوصف الهدف النهائي.

وهذا يعني أن المنافسة في صناعة البرمجيات مستقبلًا قد لا تكون حول من يملك عددًا أكبر من الأدوات، بل حول من يمتلك نظام تنفيذ ذكاء اصطناعي أقوى.

ثالثًا: ما يستحق المتابعة ليس النموذج وحده، بل أن الذكاء الاصطناعي بدأ تصميم الشرائح

قد يكون أكثر ما يثير الدهشة في Kimi K3 هو أنها تنجز تصميم الشريحة بشكل مستقل.

استنادًا إلى المعلومات التي كشفتها Dark Side of the Moon، خلال تشغيل ذاتي لمدة 48 ساعة، استخدم Kimi K3 أدوات EDA مفتوحة المصدر ومكتبة عملية Nangate 45nm، لإنجاز تصميم الشريحة وتخطيطها وتحسينها والتحقق منها لنموذج صغير موجّه لبنيته الخاصة.

لا يعني ذلك أن Kimi K3 أصبحت قادرة بالفعل على إجراء الإنتاج التجاري بكميات كبيرة لشرائح AI المتقدمة الحديثة بمفردها. فالعملية 45nm ما تزال بعيدة جدًا عن أكثر تقنيات المسرعات الذكية تطورًا اليوم، كما أن الانتقال من تصميم الشريحة إلى الإنتاج بكميات كبيرة ينطوي على منظومة معقدة من IP والعمليات والتصنيع والتغليف وسلسلة الإمداد.

لكن هذه المحاولة ما تزال ذات دلالة كبيرة، لأن تصميم الشرائح ليس مجرد كتابة كود؛ بل يتطلب التعامل مع مراحل متعددة مثل التصميم المنطقي، والتركيب (synthesis)، والتخطيط (place) والتوصيل (route)، وتحليل التوقيت، وتحسين استهلاك الطاقة، والتحقق الفيزيائي.

في السابق، كان دور الذكاء الاصطناعي في صناعة الشرائح يتمثل في مساعدة المهندسين على إنجاز مهام جزئية، مثل تحسين التخطيط، والتنبؤ بالتوقيت، واكتشاف عيوب التصميم.

أما Kimi K3 فتُظهر احتمالًا آخر: أن الذكاء الاصطناعي لم يعد مجرد استخدام أدوات، بل بدأ في التنظيم الذاتي للأدوات لإنجاز تدفق هندسي كامل.

وهذا يشبه مسار تطور الذكاء الاصطناعي في كتابة الكود. ففي البداية كان الذكاء الاصطناعي قادرًا على توليد مقطع صغير فقط، ثم صار بإمكانه كتابة برنامج كامل، وبعد ذلك صار يستطيع قراءة مستودعات الكود وتشغيل الاختبارات وإصلاح الأخطاء (Bug). والآن، بدأ الذكاء الاصطناعي يحاول تصميم العتاد اللازم لتشغيل الذكاء الاصطناعي.

قد يفضي ذلك إلى دورة جديدة لتعزيز ذاتي للذكاء الاصطناعي: يساعد الذكاء الاصطناعي في تصميم شرائح أقوى، فتقوم الشرائح الأقوى بتدريب نماذج أقوى، وتساعد النماذج الأقوى في تصميم الجيل التالي من الشرائح.

والأكثر جدارة بالاهتمام أيضًا أن Kimi K3 عرضت القدرة على التطوير الذاتي لنظام برمجة GPU.

بحسب ما كشفته Dark Side of the Moon، طورت Kimi K3 MiniTriton، وهو نظام مُترجم مضغوط يشبه Triton، يشمل طبقة تمثيل وسيطة خاصة به، ومسار تحسين، ومسار توليد كود PTX.

وهذا يشير إلى أن حدود قدرات الذكاء الاصطناعي تتوسع من استخدام البرامج إلى ابتكار أدوات برمجية.

مستقبلاً، قد يشارك النموذج نفسه بشكل مباشر في تحسين الشرائح، وتطوير المترجمات، وتكييف المعاملات (operators)، وضبط النظام. وقد يكون هذا هو أكبر قيمة استراتيجية لـKimi K3.

هي لا تطرح منتجًا نموذجيًا فحسب، بل تستكشف نمط تطوير "ذكاء اصطناعي أصيل" (AI-native). من النموذج إلى المترجم، ومن الخوارزمية إلى الشريحة، ومن البيانات إلى التطبيق، يصبح الذكاء الاصطناعي تدريجيًا جزءًا من البنية التحتية.

بالطبع، ما زالت الشرائح التي يصممها الذكاء الاصطناعي ذاتيًا تحتاج إلى تحقق صارم، كما أن النتائج البحثية التي يولدها الذكاء الاصطناعي يجب مراجعتها من متخصصين، ومن الممكن أيضًا أن تحدث أخطاء عندما ينفذ الذكاء الاصطناعي مهامًا معقدة بشكل مستقل.

لكن Kimi K3 أطلقت إشارة مهمة بالفعل: أن الذكاء الاصطناعي بدأ يتحول من كونه "موضوعًا يتم إنشاؤه" إلى كونه "فاعلًا يشارك في صنع الجيل التالي من الذكاء الاصطناعي".

الخاتمة

يُظهر إطلاق Kimi K3 للوهلة الأولى ترقية في النموذج، لكنه من ورائه يمثل تحولًا في منطق المنافسة بين النماذج الكبيرة.

من حجم معلمات أكبر إلى بنية أكثر كفاءة. من الإجابة عن الأسئلة إلى إنجاز أعمال معقدة، ثم إلى التطوير الذاتي للمترجمين وتصميم الشرائح. يشارك الذكاء الاصطناعي تدريجيًا في ابتكار الجيل التالي من الذكاء الاصطناعي.

قد تكون 2.8 تريليون معلمة مجرد رقم، لكن الأهم حقًا هو أن الذكاء الاصطناعي بدأ يحاول تصميم مستقبله بنفسه.