أدرجت هواوي أربع أوراق بحثية في IJCAI 2026، مما يُظهر اتجاهًا تقنيًا ينتقل من "الكثافة الحجمية" إلى "الكثافة التصميمية" في الذكاء الاصطناعي.

كاتب المقال، المصدر: LeiFeng.com

يُعد الانتقال إلى سيناريوهات واقعية وقدرات هندسية منهجية عقبة وفرصة في آنٍ واحد.

ستُعقد IJCAI-ECAI 2026 من 15 إلى 21 أغسطس 2026 في بريمن، ألمانيا. وباعتبارها مؤتمرًا رائدًا شاملاً في مجال الذكاء الاصطناعي، كانت IJCAI دائمًا اختبارًا أساسيًا للإنجازات البحثية الرائدة التي حققتها الشركات الكبرى على مدار العام الماضي: من أحرز تقدمًا حقيقيًا في أي اتجاه، وأي مسارات تقنية تتشكل لديها توافق آراء، فالأوراق البحثية هي الإجابة الأكثر مباشرة.

في وقت انعقاد المؤتمر، تقوم مراجعة التكنولوجيا الذكية أيضًا بمسح منهجي للأوراق المقبولة في هذا المؤتمر الرائد لالتقاط الاتجاهات التقنية واتجاهات الصناعة.

اتجاه واضح: تظل تكاليف قوة الحوسبة الخاصة بالذكاء الاصطناعي مرتفعة، بينما عائدات الحد الإضافي الناتجة عن توسيع حجم المعلمات لم تعد تواكب تكاليف الحد الإضافي. هذا الواقع الاقتصادي يعيد تشكيل منطق الابتكار التكنولوجي — من "هل يمكننا جعله أكبر؟" إلى "هل يمكننا استخدامه بكفاءة أكبر؟"

تم تضمين الأوراق الأربعة التي قدمتها هواوي إلى IJCAI 2026 كمرجع للمسار التقني لهذا التحول: استخدام تصميمات هندسية أكثر دقة واستراتيجيات تدريب لتعويض ندرة البيانات وتحقيق إنتاج ذكي أعلى وحدة لكل وحدة حسابية.

يُعبّر هذا التحول نحو التكنولوجيا أيضًا عن التغييرات العميقة في تطبيق الذكاء الاصطناعي: عندما تخرج التكنولوجيا من المختبر، لم يعد التنافس يدور حول اختراق نقطة واحدة في قدرة معينة، بل حول التنسيق الشامل بين الدقة والقدرة على التعميم والبيانات والقوة الحسابية — حيث يمكن لأي مرحلة أن تصبح عقبة، وأيضًا أن تصبح نقطة اختراق.

تُظهر هذه الأوراق الأربعة، بالضبط، قدرات هواوي الهندسية المنظمة وخياراتها التقنية من هذه الاتجاهات الأربعة.

01 Breaking the Scale Barrier: Architecture + Training, Redefining the Capability Limits of Hierarchical ViT

في سباق التوسع لنموذج الأساس البصري، هناك سقف خفي دائمًا. لقد تقدم نموذج ViT العادي بخطوات واسعة، حيث قام بتحديث الحدود العليا من 6B إلى 22B. لكن نموذج ViT الهرمي ظل عالقًا تحت 2B معلمة. ليس لأنه لا يريد أن يصبح أكبر، بل لأنه لا يستطيع أن يصبح أكبر. يتطلب النموذج الهرمي متطلبات أعلى بكثير من حيث البيانات واستراتيجيات التدريب مقارنة بـ ViT العادي، ولا يمكن تطبيق حلول التوسع العادية لـ ViT ببساطة. وهذا يؤدي إلى تناقض هيكلية — فالنموذج الهرمي متفوق بطبيعته في التمثيل متعدد المقاييس ومهمات التنبؤ الكثيف (كشف الأهداف، التجزئة، فهم الفيديو)، لكنه لا يستطيع تحقيق حجم كبير، مما يقيد قدراته العلوية.

ورقة فريق هواوي بعنوان "Distilling and Scaling Hierarchical Vision Transformer to 30B Parameters"، والتي رفعت الحد الأقصى للحجم من 2B مباشرة إلى 30B.

كيف تم ذلك؟ الإجابة هي إعادة تصميم بنية النموذج واستراتيجية التدريب معًا، ولا يمكن الاستغناء عن أي منهما.

التصميم الأساسي من الناحية الهيكلية هو معمارية Efficient Hierarchical ViT. وهي تضمن قدرة استخراج السمات متعددة المقاييس مع مراعاة كفاءة الحساب.

بناءً على هذا الهيكل، درّب الفريق نماذج كثيفة تتراوح بين 200M و5B معلمة، وأدخل نسخًا نادرة من خلط الخبراء (SMoE) لرفع إجمالي عدد المعلمات إلى 30B — وهو أكبر حجم معلمة تم الإعلان عنه حتى الآن في مجال ViT الهرمي.

في التدريب، صمّم الفريق عملية مكونة من مرحلتين:

في المرحلة الأولى، قم بالتدريب الذاتي المُراقب باستخدام MAE على ImageNet-21K لتمكين النموذج من تعلم القواعد الأساسية للتمثيل البصري؛

في المرحلة الثانية، يتم تقطيع المعرفة من عدة نماذج أساسية عامة متقدمة على مجموعة بيانات مكونة من 27 مليون صورة لتحقيق قفزة في القدرات.

أظهرت النتائج التجريبية دليلاً قويًا للغاية. في تقييم الخطية ImageNet-1K، تجاوز نموذج MoE بإجمالي 30B معلمة (EHV-5B-MoE)، الذي ينشط فقط 6.7 مليار معلمة أثناء الاستدلال، نموذج EVA-CLIP-18B ذو المعلمات الأكبر في مسار ViT العادي، بدقة 89.0%. والأهم من ذلك، أن تحسين الأداء لا يقتصر على تصنيف الصور — بل يظهر أيضًا أداءً ممتازًا في مهام تحليل الفيديو والتنبؤ الكثيف. وهذا يشير إلى أن EHV تعلم ليس فقط ميزات التصنيف، بل تمثيلات بصرية عالية الجودة وقابلة للتطبيق العام.

فريق هواوي استخدم هذا العمل لإثبات أن ViT التسلسلي لا يمكنه فقط التوسع، بل يمكنه أيضًا تحقيق دقة أعلى باستخدام عدد أقل من معلمات التنشيط على جانب الاستنتاج. تصميم البنية يحدد الحد الأقصى لقدرات النموذج، بينما تحدد استراتيجية التدريب إلى أي مدى يمكن تحرير هذا الحد الأقصى.

02 إدخال التصفية المسبقة: ثورة في نموذج اختيار الإطارات القابلة للتعلم

تم رفع سقف قاعدة النموذج، لكن استهلاك قوة الحوسبة لا يقتصر على النموذج نفسه، بل تُستهلك أيضًا موارد الحوسبة بكثافة من البيانات المُدخلة إلى النموذج. عند معالجة الفيديو بواسطة نماذج اللغة الكبيرة (Video-LLMs)، يُستهلك معظم تكلفة الحوسبة في ترميز الإطارات. للتحكم في التكلفة، تعتمد النماذج الحالية تقريبًا جميعها على أخذ عينات متساوية — استخراج الإطارات بفترات متساوية.

ومع ذلك، فإن الأحداث الرئيسية في الفيديو لا تُوزَّع أبدًا بشكل متساوٍ. قد يستمر حركة مهمة ثانية أو ثانيتين فقط، وإذا وقعت بالضبط بين نقطتي عينة، فستُحذف تمامًا. على العكس، فإن لقطات الصور الثابتة الطويلة تُشفَّر مرارًا وتكرارًا، مما يهدر موارد الحوسبة القيمة.

فكرة أخرى هي منهجية قائمة على الاستعلام — حيث يتم استرجاع الإطارات ذات الصلة بناءً على سؤال محدد. هذا النهج فعّال بالفعل في سيناريوهات الإجابة عن الأسئلة المتعلقة بالفيديو، لكن وصف الفيديو التفصيلي هو مهمة "بدون استعلام"، ولا يمكن تطبيق هذه الطريقة فيها.

الأخذ العيني المنتظم خشن جدًا، ولا يمكن استخدام الأساليب القائمة على الاستعلام. كيف يمكن حل هذا؟ يقدم فريق بيانات هواوي للذكاء الاصطناعي مُختار الإطارات القابل للتعلم LFS (Learnable Frame Selector) لمحاولة حل هذه المشكلة.

رابط الورقة: https://arxiv.org/pdf/2601.14594v1

فكارتهم الأساسية بسيطة: بدلاً من الاعتماد على قواعد يدوية لاختيار الإطارات، دع النموذج يتعلم بنفسه "ما الذي يجب أن ينظر إليه".

هذه نموذج تدريب "يبدأ من النهاية"، حيث لا يتعلم LFS "اختيار أي الإطارات تحقق درجة أعلى في نقطة وسطية"، بل يتعلم "اختيار أي الإطارات تمكن النموذج الكبير من كتابة وصف أفضل". كيف يتم ذلك بالضبط؟ ثلاث تصاميم رئيسية:

أولاً، تدريب شبكة تقييم لمنح كل إطار درجة "أهمية الحدث".

ثانيًا، اختيار الإطارات حسب الأقسام بدلاً من الترتيب الشامل. عند اختيار الإطارات، لا تستخدم ببساطة "أعلى K إطارات من حيث الدرجة"، بل قسّم الفيديو بالكامل إلى فترات زمنية متعددة، واختر الإطارات الأكثر أهمية في كل فترة على حدة. بهذه الطريقة، يتم التقاط الأحداث الرئيسية مع ضمان توزيع متساوٍ للإطارات على المحور الزمني.

ثالثًا، وهي الخطوة الأهم — طريقة التدريب. بعد اختيار الإطارات بواسطة LFS، يتم تزويدها لنموذج Video-LLM المجمد لإنشاء وصف، ثم مقارنة الوصف المُنشأ بالوصف القياسي المُعلَّم يدويًا، وحساب الخسارة، ثم نشرها عكسيًا لتحديث معلمات مُختار الإطارات. خلال هذه العملية، لا يتحرك نموذج اللغة الكبير بأي شكل، ويعمل LFS كوحدة إضافية قابلة للتوصيل والتشغيل.

بالإضافة إلى ذلك، اكتشف فريق البحث مشكلة: هناك فجوة كبيرة بين المعايير الحالية لوصف الفيديوهات التفصيلية والإدراك البشري الحقيقي. لذلك، قاموا بإنشاء معيار جديد يُسمى ICH-CC، حيث تم جمع جميع الفيديوهات من سيناريوهات تجارية حقيقية للطهي الصيني غير المادي (مثل مطابخ المطاعم ودروس الطهي)، وتم كتابة جميع الوصفات والإجابات يدويًا بعناية لتكون أكثر اتساقًا مع التطبيقات الواقعية.

How did the experiment turn out?

LFS يُحقق تحسينات عامة ومستقرة عبر نماذج ومقاييس مختلفة. جميع الإصدارات المُحسَّنة بـ LFS للنماذج تتفوق على النماذج الأساسية على جميع مقاييس الاختبار، مما يُظهر أن LFS لا يحقق نتائج جيدة فقط على مقاييس فردية، بل يتمتع بقدر من الشمولية.

وهذا يرد على الفرضية الأساسية للورقة: بدلاً من جعل النموذج يحسب بشكل قسري على الإطارات المأخوذة بشكل متساوٍ، فمن الأفضل إجراء فلترة ذكية على مستوى الإدخال — فاختيار الإطارات الصحيحة يؤدي إلى تحسين أداء المهام اللاحقة.

03 مهمة التكييف: استخدام وحدات التدخل المعيارية بدلًا من الدقة الدقيقة للنموذج الكامل

إن قدرة النماذج اللغوية الكبيرة على التعميم عبر المهام المختلفة لا تزال مشكلة "مهمة من الناحية النظرية، لكنها صعبة التطبيق". الحالية هي التوجيه الديناميكي لكل رمز — حيث يجب على كل رمز اختيار مساره بين عدة مُكيّفات LoRA أثناء المعالجة. هذه الآلية فعالة بالفعل، لكن تكلفتها عالية: فهي تُستهلك كمية كبيرة من الحسابات وذاكرة GPU، مما يجعل تشغيل النموذج بطيئًا ومستهلكًا للذاكرة.

فكرة بديلة — التFine-tuning المبني على التمثيل (ReFT) — لا تُعدّل معلمات النموذج، بل تُحرّر تمثيلات الرموز البادئة واللاحقة فقط لتحقيق التكييف لمهمة واحدة، وهي أكثر كفاءة بكثير من LoRA. لكنها تعاني من نقطتين ضعف: أولاً، الرموز نفسها تحمل معاني غير دقيقة، لذا فإن تعديل الحدين فقط غير دقيق بما يكفي؛ ثانياً، تفتقر إلى آلية "توجيه ذاتي"، لذا عندما يواجه النموذج مهامًا جديدة لم يرها من قبل، لا يعرف أي طبقة يجب تعديلها أو أي تمثيل يجب تغييره.

فريق Huawei Cloud بالتعاون مع عدة جامعات، قدم إطار RaMod (التمايز المدرك للتمثيل)، والذي نجح في توسيع فكرة ReFT إلى سيناريوهات التعميم عبر المهام.

يمكن تقسيم الممارسة الأساسية إلى جزأين:

القسم الأول هو التمثيل الثنائي الموديولي والضبط الدقيق للمعلمات. يقتصر ReFT على الحواف الأولى والأخيرة، بينما يكون RaMod أكثر دقة — فهو يختار مجموعة فرعية مُصفاة عبر استراتيجية من التمثيلات المخفية في الطبقات الوسطى، ليقوم بتدخل موديولي. يتم اختيار المكان الذي يُعدل والطريقة التي يُعدل بها بعناية واستراتيجية. هذا يسمح بتوجيه النموذج بدقة أكبر لحل مهام لم يرها من قبل.

الجزء الثاني هو جدولة غير متزامنة. أكبر خوف من التعميم عبر المهام هو نقص ذاكرة VRAM، لذا صمّم RaMod آلية جدولة نشطة: يتم تخصيص ذاكرة VRAM فقط عند الحاجة إلى تدخلات معينة، ويتم إ釋ها بشكل نشط عند الاستخدام. وهكذا، تم تقليل تكلفة التخزين إلى أدنى حد ممكن.

النتيجة فورية. أظهرت التجارب أن RaMod لا يحقق فقط تعميمًا أفضل عبر المهام، بل يقلل أيضًا التكاليف بشكل كبير: مقارنةً بـ LLMs الأصلية، قلصت هذه الطريقة وقت التعبئة المسبقة الإضافي بنسبة 83%، وخفضت التأخير في الإنشاء بنسبة 100%، وقللت من استخدام ذاكرة GPU بنسبة 79%.

بعبارة أخرى، حوّل RaMod مهام التكييف من "تعديل النموذج" إلى "ضبط التمثيل" — دون تغيير الهيكل الأساسي للنموذج، بل فقط إجراء تعديلات موضعية على حالات الإخفاء في الطبقات الرئيسية. إذا نجحت هذه الفكرة، فقد يتم إعادة كتابة اقتصاديات نشر النماذج الكبيرة: حيث يمكن لنموذج أساسي واحد مزود بعدد من وحدات التدخل الخفيفة أن يخدم سيناريوهات مهام مختلفة تمامًا بتكلفة منخفضة، دون الحاجة إلى تدريب أو تحميل نسخ كاملة منفصلة لكل سيناريو.

لكن قبل "إعادة الصياغة"، لا تزال هناك بعض المسائل الأساسية التي يجب الإجابة عنها بشأن هذه الطريقة لضبط التمثيل، مثل ما إذا كان يمكن الحفاظ على الدقة مع تقليل كبير في تكلفة قوة الحوسبة في سيناريوهات صعبة مثل الاستدلال المعقد.

04 بيانات تكسر الحواجز: خبراء اللغة ينفذون مهامهم، والتدريب التدريجي خطوة بخطوة

كانت الأوراق الثلاثة الأولى تركز على "كيفية استخدام النموذج بكفاءة أكبر". لكن العديد من المهام تواجه تحديًا واقعيًا أكثر جوهرية: ماذا لو لم تكن بيانات التدريب كافية؟

مهمة ترجمة الصوت بتبديل الشيفرة (Code-Switching، CS) تتطلب ترجمة الصوت الذي يحتوي على عدة لغات إلى اللغة المستهدفة. هذه المهمة ليست فقط معقدة من حيث نمذجة المعنى، بل إن ندرة بيانات تبديل الشيفرة تمثل مشكلة كبيرة أيضًا.

كانت الدراسات السابقة تعتمد بشكل رئيسي على طريقين: إما جعل النموذج يكتشف التمثيل الدلالي بنفسه، مما يجعل النتائج غير قابلة للتحكم؛ أو إنفاق مبالغ كبيرة على التسمية اليدوية، مما يرفع التكلفة بشكل كبير ويعيق التوسع.

فريق مركز ترجمة هواوي، بالتعاون مع جامعة هواشيا وجامعة ماكاو، قدم في هذه الورقة فكرة جديدة: بدلاً من ترك النموذج يكتشف تمثيلات المعاني للغات المختلفة بنفسه، فمن الأفضل توحيد هذه التمثيلات مسبقًا — حيث يتم إنشاء فريق خبراء منفصل لكل لغة، بحيث يتحمل كل فريق مسؤولية نمذجة المعاني الخاصة بلغته، ثم يتم توحيد التمثيلات في النهاية.

رابط الورقة: https://arxiv.org/pdf/2511.10670

هناك تصميمان أساسيان للتنفيذ المحدد:

أولها هو مُسَقِّط الصوت MoE (المُخَبِّر المُختَلِط). المُسَقِّطات التقليدية تُعامل جميع اللغات على قدم المساواة، لذا لا تحقق نتائج مثالية. أما إصدار MoE، فيخصص مجموعة من "المُخَبِّرين" لكل لغة، حيث تُكلف كل مجموعة من المُخَبِّرين بنمذجة سمات الصوت الدقيقة الخاصة بلغة واحدة فقط. وستقوم آلية التوجيه تلقائيًا بإرسال سمات الصوت إلى مجموعة المُخَبِّرين المخصصة لتلك اللغة.

لضمان عدم انحراف التوجيه، قدمت الورقة أيضًا خسارة مساعدة اثنتين: خسارة محددة باللغة لضمان تعلم كل خبير حقًا سمات اللغة المقابلة، وخسارة التوازن الداخلي للمجموعة لمنع تجمع جميع الرموز عند خبير واحد فقط.

الثاني هو نموذج التدريب متعدد المراحل. عندما تكون البيانات غير كافية، تُستخدم الاستراتيجيات لتعويض النقص. ينقسم التدريب بأكمله إلى أربع خطوات: أولاً، يتم التدريب المسبق لكل مُسقط بلغة معينة باستخدام بيانات التعرف التلقائي على الكلام (ASR) لبناء أساس محاذاة الصوت-النص؛ ثم يتم تجميع المُسقّطات الخاصة بكل لغة في بنية MoE، ويتم تحسينها بشكل مشترك باستخدام خسارة محددة للغة وخسارة توازن الحمل؛ بعد ذلك، يتم الانتقال تدريجيًا من بيانات ASR إلى بيانات الترجمة الصوتية أحادية اللغة (ST) باستخدام خسارة انتقالية لتسهيل النقل السلس؛ وأخيرًا، يتم تكييف النموذج من بيانات ST إلى بيانات الترجمة الصوتية متعددة اللغات (CS).

الجوانب الدقيقة في هذا التصميم التدريجي تكمن في أنه لا يُجبر النموذج على التعامل مباشرة مع بيانات CS النادرة، بل يُبنى أولاً القدرة الأساسية باستخدام كميات وافرة من بيانات ASR و ST، ثم ينتقل تدريجياً إلى المهمة المستهدفة.

تم مقارنة النموذج مع نماذج قوية متعددة كأساسيات، بما في ذلك Whisper و SeamlessM4T و LLaST. وعلى مجموعات الاختبار الأربعة لـ Fisher و NTUML2021، تفوقت الطريقة على SeamlessM4T، وهو النموذج الأفضل أداءً بين النماذج الأخرى، حيث بلغ أعلى قيمة BLEU 39.52 وأعلى قيمة COMET 81.33.

الرسالة التي تنقلها هذه المهمة واضحة جدًا: في سيناريوهات متعددة اللغات نادرة البيانات، قد يكون التصميم المعماري الدقيق واستراتيجيات التدريب التدريجية أكثر فعالية من مجرد زيادة كمية البيانات.

يجب ملاحظة أن هذا الحل فعّال كـ"حل متخصص" في السيناريوهات التي تتميز بعدد محدود من اللغات وجودة بيانات قابلة للتحكم، لكن ما إذا كان قابلاً للتوسع في نظام ترجمة متعدد اللغات عام يغطي عشرات اللغات، يتطلب مزيدًا من التحليل.

05 خاتمة: تبديل تكلفة القوة الحاسوبية من خلال الكثافة التصميمية

أعادت ViT على مستوى 30B هيكلة نموذجها، مما مكن 6.7 مليار معلمة مُفعّلة من تجاوز منافسها البالغ 18 مليار معلمة على ImageNet؛

LFS قام بعملية طرح عند المدخلات، وحجب كمية كبيرة من تكاليف ترميز الإطارات غير ذات المعنى قبل الحساب؛

RaMod يضغط الدقة الكاملة للضبط إلى تعديل ثابت على طبقة التمثيل، مما يقلل من استخدام الذاكرة والتأخير مع التكيف عبر المهام؛

يُظهر الترجمة الصوتية بتحويل الرموز باستخدام التوزيع MoE والتدريب التدريجي، في أكثر المسارات نقصًا في البيانات، مبدأً واحدًا: ذكاء البنية يمكن أحيانًا تعويض نقص البيانات.

أربعة أبحاث، أربعة اتجاهات، كلها تشير إلى نفس النواة: إن هواوي تستخدم "كثافة التصميم" بدلًا من "كثافة الحجم". تأتي هذه الأبحاث الأربعة من البحث الأساسي، وبيانات الذكاء الاصطناعي، وخدمات السحابة، ومركز الترجمة، مما يوضح أن الأولوية للكفاءة لم تعد تفضيلًا لفريق واحد فقط، بل تم تضمين هذا المنطق في اختيارات التقنية عبر جميع المراحل.

إذا كان تنافس الذكاء الاصطناعي على مدار العامين الماضيين يُشبه "سباق التعدين"، فإن عام 2026 يُظهر نقطة تحول: لقد بدأ عصر التنافس على "تقنيات الصهر". التنشيط النادر، والفرز الذكي، والتكيف المعياري، والتدريب التدريجي—هذه المسارات لا تعتمد على المزيد من الرقائق والقدرة الحسابية، بل على فهم أعمق للمسألة نفسها.

سواء كانت شركات كبيرة أو شركات ناشئة، فقد تجاوزت جميعها سباق المعلمات، وفهم قضايا التطبيق العملي وقدرات الهندسة النظامية لحل هذه المشكلات هو نقطة الحسم الحقيقية في النصف الثاني للذكاء الاصطناعي.