جيف دين حول المرحلة التالية للذكاء الاصطناعي: من TPU إلى الوكلاء المتطورة ذاتيًا

في مدرسة مبادري YC لعام 2026، كان صوت جيف دين مبحوحًا.

عند بدء المقابلة، شرح أنه فقد صوته، لذا يبدو صوته مختلفًا عن المعتاد اليوم. لكن هذا لم يؤثر على انتباه الجمهور الحاضر. وأدرجت ديانا هوا، الشريك في YC، أمامه سلسلة من الأسماء التي يمكن تضمينها في تاريخ الحوسبة: MapReduce و BigTable و TensorFlow و TPU و Gemini.

كل مشروعٍ من هذه المشاريع كافٍ ليكون عملاً تمثيليًا لحياة مهنية مهندس. لكنها ت集中ت في سير ذاتية لجيف دين ومجموعة من مهندسي جوجل المحيطين به.

لم تُحوّل ديانا المقابلة إلى استعراض للإنجازات. كانت أكثر اهتمامًا بسؤال آخر: عندما تكون الذكاء الاصطناعي التوليدي قد اجتاحت صناعة البرمجيات، ما الذي يركز عليه جيف دين، أفضل من يعيد بناء الأنظمة من الأسفل، اليوم؟

الإجابة ليست النموذج الأكبر.

خلال هذه المحادثة التي استمرت تقريبًا ساعة، تحدث جيف دين مرارًا وتكرارًا عن أجهزة الاستدلال، والطاقة، ونقل البيانات، وهندسة السياق، والوكلاء الذين يعملون لفترات طويلة، ونظم التجارب التلقائية، وكيف يمكن للشركات الناشئة تجنب الاصطدام المباشر مع النماذج العامة. يبدو ما يقوله متناثرًا، لكنه يخفي خلفه خطًا رئيسيًا واضحًا جدًا: المرحلة التالية للذكاء الاصطناعي ليست مجرد جعل النماذج أكثر ذكاءً، بل وضع النماذج داخل نظام قادر على العمل على المدى الطويل، والتجريب المستمر، والتحقق التلقائي، وสะสม القدرات باستمرار.

هذا يعني أيضًا أن المنافسة في الذكاء الاصطناعي تنتقل من "من لديه نموذج أكبر" إلى "من يستطيع تنظيم الذكاء بشكل أفضل".

في مايو 2025، قام جيف دين بإجراء تقييم أثار جدلاً واسعًا: إن قدرات الذكاء الاصطناعي قد اقتربت من مستوى مهندس مبتدئ.

بعد عام، سألتها ديانا كيف سارت التنبؤات؟

كان رد جيف دين مباشرًا.他认为，这个判断「相当准确」。模型在 Agent 化、长流程编码和复杂任务上的进步，甚至比他当时预想得更快。

قال: "قدرة النموذج على إنجاز مهام أكثر تعقيدًا تزداد أسرع مما توقعت."

الأكثر إثارةً للانتباه أن هذه القدرة لم تعد مقتصرة على كتابة الكود. ف越来越多 من أنظمة الوكلاء بدأت الدخول إلى مجالات العلم والهندسة وغيرها من المجالات المتخصصة. فهي لا تقتصر على الإجابة عن الأسئلة، بل تفكك المهام، وتستخدم الأدوات، وتنفذ التجارب، وتقرا النتائج، ثم تستمر في العمل بناءً على التغذية الراجعة.

مقارنة الذكاء الاصطناعي بمهندس مبتدئ تجعل الناس يركزون على استبدال القوى العاملة. لكن جيف دين يهتم أكثر بتغيير آخر: عندما يمكن نسخ "مهندس مبتدئ" إلى عشرات أو مئات النسخ، تعمل بالتوازي لعدة أيام أو أسابيع، ماذا سيحدث لطريقة تنظيم الإنتاج؟

في الفرق التقليدية، يحتاج المهندسون المبتدئون إلى التعرف على الأعمال، وفهم الأدوات، والحصول على تغذية راجعة مستمرة. وينطبق نفس الشيء على الوكلاء. إلا أن مواد تدريبهم ليست فقط وثائق، بل تشمل مُحفزات، وشرح الأدوات، وملفات المهارات، وأنظمة الاختبار، والمقيّمين، وكذلك بيئة السياق بأكملها.

هذا يخلق تقسيمًا جديدًا في هندسة الذكاء الاصطناعي.

في الماضي، كان المهندسون يركزون بشكل رئيسي على كتابة الكود. في المستقبل، سيقوم مزيد من المهندسين بتحديد المشكلات، وإنشاء البيئات، وكتابة المواصفات، وتصميم دوائر التغذية الراجعة، ثم توزيع مجموعة من الوكلاء لإكمال المهام.

إن توقعات جيف دين لعام 2027 هي بالضبط هذا. فهو يرى أن أنظمة التعلم الآلي ستشارك بشكل متزايد في تحسين أنظمة التعلم الآلي نفسها. ستُقسّم الأهداف إلى مشكلات فرعية، وتشغل تجارب كثيرة تلقائيًا، وتمقارن النتائج، ثم تدمج الحلول الفعالة لتكوين أنظمة جديدة أقوى.

كلما وُجد هدف قابل للقياس في مجال ما، فإن هناك فرصة لتحقيق تقدم كبير.

This sentence is the first key to the entire interview.

أول المجالات التي دخلتها الذكاء الاصطناعي التلقائي ليست بالضرورة الأكثر ثراءً بالمعرفة، بل تلك التي تكون فيها الملاحظات الأكثر وضوحًا. هل يمكن للرمز أن يمر بالاختبارات؟ هل يمكن لتصميم الرقاقة تقليل المساحة؟ هل يمكن لهيكل النموذج تحسين الدقة؟ هل تلبي خصائص المادة المتطلبات؟ جميع هذه الأسئلة لديها معايير تقييم واضحة نسبيًا. طالما أن المقيّم كافٍ من حيث الموثوقية، يمكن للآلة إجراء تجارب متكررة بتردد عالٍ جدًا.

لذلك، وحدة القيمة الحقيقية في عصر الذكاء الاصطناعي قد لا تكون إجابة واحدة، بل دورة مغلقة كاملة: طرح الحل، تنفيذ الحل، قياس النتائج، وتصحيح الاتجاه.

كانت العديد من الأعمال البارزة لجيف دين مستمدة من نقطة بداية بسيطة جدًا: أولاً، حساب الترتيبات الحجمية بدقة.

في عام 2001، كانت عمليات بحث Google لا تزال تعتمد بشكل كبير على الأقراص الصلبة. كانت الأقراص الصلبة تتمتع بسعة كبيرة، لكنها كانت بطيئة في الوصول. قام جيف دين وسانجاي غيمافات بإجراء تقدير، واكتشفوا أن فهرس البحث الكامل لـ Google في ذلك الوقت كان يمكن وضعه بالكامل في ذاكرة جميع الخوادم.

يبدو اليوم وكأنه مجرد ترقية لوسائط التخزين. لكن في ذلك الوقت، كان يعني تصميم نظامًا مختلفًا تمامًا.

إذا كان المؤشر يبقى بشكل رئيسي على القرص الصلب، فإن الاستعلامات تحتاج إلى الانتظار لعمليات البحث الميكانيكية. بمجرد وضع المؤشر في الذاكرة، ينخفض تأخير الوصول بشكل حاد. وسرعان ما كتب الرجلان الإصدار الجديد، وأدخلاه إلى بيئة الإنتاج خلال أيام. ونتيجة لذلك، أصبحت عمليات بحث Google أسرع بشكل ملحوظ.

يُمكن تسويق هذه القصة بسهولة على أنها لحظة إبداع من عبقري. لكن طريقة جيف دين تشبه أكثر وصف مهندس لشيء بديهي: تغيرت ظروف النظام، فالمحلول الذي لم يكن يعمل سابقًا أصبح ممكنًا فجأة، لذا يجب إعادة الحساب.

Many industry innovations occur at moments like these.

مشكلة قديمة استمرت لفترة طويلة، واعتد الناس على إجراء تعديلات عليها. ثم عبورت أسعار الأجهزة، وسعة الذاكرة، وعرض النطاق الترددي للشبكة، أو قدرة النموذج، نقطة حرجة، فاختفت القيود الأصلية. لكن معظم الناس لا يزالون يستخدمون البنية القديمة، لأنها أصبحت معلومة شائعة.

ما يجيد فعله جيف دين هو إعادة تحويل المنطق السائد إلى افتراضات.

سيسأل: لماذا يجب أن يكون الأمر هكذا؟ هل كمية اليوم هي نفس كمية الأمس؟ إذا استبدلنا الخطوة الأغلى، هل سيصبح النظام بأكمله شكلًا مختلفًا تمامًا؟

هذا أيضًا نصيحته للمستثمرين في المشاريع الناشئة. لا تركز فقط على أين تفتقر الحلول الحالية، بل أعد النظر في المشكلة من مبادئها الأساسية. هل يمكن تحسين الأداء بمقدار عشرة أضعاف؟ هل يمكن خفض التكلفة بمقدار مائة ضعف؟ هل يمكن التخلي عن مسار التنفيذ القياسي المتعارف عليه في الصناعة؟

أحيانًا، تحتاج فقط إلى أن تنظر إلى المشكلة بتركيز، ولا تُقيد بحل اليوم، بل فكّر من مبادئها الأساسية حول كيفية الحل.

هذا لا يبدو غامضًا. الصعوبة الحقيقية تكمن في أن معظم الأشخاص، بمجرد دخولهم مجالًا ما، يتعلمون بسرعة جميع الإجابات الافتراضية لهذا المجال. فالخبرة تساعد على تحسين الكفاءة، لكنها أيضًا تجعل الشخص يفقد القدرة على طرح أسئلة جديدة.

في عام 2013، تجاوز التعرف على الصوت بالتعلم العميق من Google بشكل ملحوظ الأنظمة القديمة. انخفض معدل الخطأ بنسبة النصف، مما يعادل تراكم تقدم التعرف على الصوت على مدار العقدين الماضيين خلال بضعة أشهر.

بالطبع، كان فريق المنتجات متحمسًا. لكن جيف دين قام أولاً بحساب تكلفة.

إذا أصبح التعرف على الصوت أفضل حقًا، فسيكون المستخدمون أكثر ميلًا لاستخدامه. افترض أن كل مستخدم في Google يستخدم التعرف على الصوت ثلاث دقائق يوميًا، كم عدد الخوادم التي تحتاجها Google لدعم ذلك؟

النتائج ليست متفائلة. وفقًا لكفاءة المعالجات في ذلك الوقت، قد تحتاج Google إلى مضاعفة حجم خوادمها.

هذا هو نقطة انطلاق TPU.

ليس لأنه قرر فريق البحث فجأة تصنيع شرائح، ولا لإثبات قدرة Google على إنتاج الأجهزة، بل لأن نموذجًا ناجحًا على وشك خلق تكلفة خدمة لا يمكن تحملها.

كشف هذا السجل عن قاعدة تُهمل غالبًا في منتجات الذكاء الاصطناعي: تحسين أداء النموذج لا يعني دائمًا خفض التكاليف. على العكس تمامًا، كلما كان الأداء أفضل، زاد الاستخدام، وزاد الضغط على النظام.

عندما لا تعمل التعرف على الصوت بشكل جيد، يندر أن يستخدمها المستخدمون. تكلفة النظام ليست مشكلة. عندما تنخفض معدل الأخطاء بشكل كبير، يُطلق الطلب فجأة، وتصبح قيود الحوسبة التي كانت مخفية في الخلفية ظاهرة.

المسار الذي اخترته TPU هو تصميم أجهزة مخصصة لنموذج الحساب الأساسي في تعلم الآلة. فهي لا تحتاج إلى تشغيل متصفح أو معالجة جميع البرامج العامة. إنها متميزة بشكل أساسي في الجبر الخطي الكثيف ذي الدقة المنخفضة. هذه الأنواع من الحسابات تقع بالضبط في قلب تعلم الآلة الحديث.

جلبت TPU من الجيل الأول عوائد بمستوى أكبر. وفقًا لجيف دين، كانت أكثر كفاءة في استهلاك الطاقة من وحدات المعالجة المركزية ووحدات معالجة الرسومات في ذلك الوقت بـ 30 إلى 80 مرة، وأقل تأخيرًا بـ 20 إلى 30 مرة.

هناك مقياس تصميمي آخر يُهمل بسهولة.

TPU مخصص للغاية، لكنه ليس مخصصًا لدرجة أنه يدعم نموذجًا ثابتًا واحدًا فقط. عرف الفريق أن خوارزميات التعلم الآلي ستستمر في التغير بسرعة، لذا صمّموا الرقاقة كنظام جبري خطي أكثر عمومية. لقد تخلّت عن القدرة على تشغيل Chrome أو Word، لكنها حافظت على مساحة لدعم تطور الخوارزميات المستقبلية.

هذه توازن صعب جدًا للتحكم فيه. إذا لم تُخصص بما يكفي، فلن تظهر العوائد بوضوح. وإذا أفرطت في التخصيص، فبمجرد تغيير الخوارزمية، سيصبح الجهاز قديمًا.

تقييم جيف دين للعتاد الاستنتاجي اليوم يُظهر تشابهًا واضحًا مع تقييمه لـ TPU في ذلك الوقت. فهو يرى أن الفرصة المهمة التالية لا تزال في التخصيص، لكن التركيز سيتجه بشكل أكبر نحو الاستنتاج منخفض التأخير ومنخفض استهلاك الطاقة.

تخيل ما يمكنك فعله إذا تحسنت التأخيرات 50 مرة.

عندما يستغرق رد النموذج عدة عشرات الثواني، ينظر الناس إليه كأداة تُستخدم أحيانًا. ولكن عندما يقترب التأخير من اللحظي، فقط حينها يمكنه الدخول حقًا إلى واجهات التفاعل، والروبوتات، والفيديو المباشر، وأنظمة التشغيل، وعمليات اتخاذ القرار المستمرة.

الانتظار ليس مشكلة تجربة صغيرة. الانتظار يغير شكل المنتج.

إذا كان على مهندس الذكاء الاصطناعي لعام 2026 تحديث نسخة من "الأرقام المهمة حول التأخير التي يجب على كل مهندس معرفتها"، فإن جيف دين يرى أن التركيز يجب أن ينتقل من عمليات البحث على القرص الصلب وفشل التخزين المؤقت والتأخير عبر الشبكات القارية إلى تدفق البيانات داخل الرقاقة.

يجب على المهندسين معرفة عرض النطاق الترددي من الذاكرة الرئيسية إلى الذاكرة المدمجة على الرقاقة، وعرض النطاق الترددي من الذاكرة المدمجة على الرقاقة إلى وحدة الضرب، وكمية الطاقة المطلوبة لعملية ضرب واحدة، وكيفية توصيل الرقائق ببعضها البعض، وكيفية انخفاض كفاءة الشبكة عند توسيع 500 رقاقة إلى 10,000 رقاقة.

تبدو هذه الأرقام بعيدة عن المنتج، لكنها في الواقع تحدد أي منتج يمكن أن ينجح.

قدم جيف دين نسبة مذهلة. إجراء عملية ضرب رياضية واحدة تتطلب طاقة تقارب بيكوجول واحد فقط. نقل البيانات من ذاكرة النطاق الترددي العالي إلى وحدة الحساب قد يكلف طاقة تزيد حوالي 1000 مرة.

بعبارة أخرى، فإن الإجراءات المكلفة اليوم في أنظمة الذكاء الاصطناعي ليست غالبًا "الحساب"، بل "نقل الأشياء التي يجب حسابها".

وهذا يفسر لماذا تكون المعالجة الدُفعية مهمة جدًا.

بعد نقل مجموعة من أوزان النموذج من الذاكرة إلى وحدة الحساب، إذا تم معالجة رمز واحد فقط، فإن تكلفة نقل البيانات تُحمَّل بالكامل على هذا الرمز الواحد. أما إذا تم معالجة دفعات أكبر في نفس الوقت، فيمكن لنفس مجموعة الأوزان خدمة المزيد من العمليات الحسابية، مما يُخفّف تكلفة الطاقة والعرض الترددي.

لكن المعالجة الدُفعية والتأخير المنخفض متناقضان بطبيعتهما. لجمع مجموعة من الطلبات، غالبًا ما يحتاج النظام إلى الانتظار. تزداد السعة، لكن استجابة كل مستخدم فردي قد تتباطأ.

لذلك، فإن العديد من المشكلات التي تبدو وكأنها تتعلق بطبقة النموذج هي في الواقع مشكلات في الأجهزة والأنظمة. لماذا تُستخدم دفعات كبيرة في التدريب، ولماذا يحتاج الاستدلال إلى ذاكرة KV، ولماذا يسعى النموذج إلى الدقة المنخفضة، ولماذا تحتاج الأنظمة إلى التكميم—كل ذلك لا يمكن فهمه دون الإشارة إلى قيود نقل البيانات والطاقة.

يُركز جيف دين مؤخرًا على الاستنتاج، وذلك بالضبط لأن الاستنتاج حساس جدًا للتأخير. تأخير مهام التدريب يعني غالبًا فقط أن التجربة ستنتهي لاحقًا. لكن كل ثانية إضافية ينتظرها المستخدم في مهام الاستنتاج تؤثر مباشرة على تجربة المستخدم وكفاءة الوكلاء.

إذا كان على عامل أن يستدعي النموذج 1000 مرة متتالية، فإن خفض التأخير لكل استدعاء بنسبة 50% قد يؤدي إلى فرق هائل في وقت إكمال المهمة. ناهيك عن أن العامل في المستقبل سيحتاج إلى التشغيل لعدة أيام أو أسابيع.

لذلك، فإن "مشكلة الطاقة" للذكاء الاصطناعي ليست مسألة بيئية بعيدة. بل تحدد مباشرة ما إذا كان يمكن للنماذج تقديم الخدمة لعدد أكبر من الناس بتكلفة منخفضة، وما إذا كان يمكن للوكلاء التشغيل المستمر، وما إذا كانت هامش الربح الإجمالي للشركات الناشئة صحيحاً.

على مدار السنوات القليلة الماضية، اعتادت صناعة الذكاء الاصطناعي على قياس التقدم من خلال عدد المعلمات وبيانات التدريب ودرجات المرجع. في عام 2026، يركز جيف دين على كل ما يحيط بالنموذج.

نظام ذكاء اصطناعي حقيقي مفيد، بخلاف النموذج، يحتاج إلى استرجاع، وأدوات، وذاكرة، ومعلومات تاريخية، وبيئة تنفيذ، وآليات تغذية راجعة. يجب أن يعرف النموذج ما هي الأدوات المتاحة، ومتى يستدعي الأدوات، وكيف يفكك المشكلات المعقدة إلى سلسلة من الإجراءات، كما يجب أن يكون قادرًا على مقارنة عدة حلول وتحديد أيها أكثر احتمالًا للنجاح.

هذا هو السبب في بدء "هندسة السياق" في الوصول إلى مركز الصدارة.

يقول جيف دين إن المعلومات التي رآها النموذج أثناء مرحلة التدريب تُخلط في النهاية ضمن تريليونات أو حتى تريليونات المعلمات. فهي مثل مرق كثيف، حيث يوجد المعرفة، لكنها ليست بالضرورة واضحة. المعلومات التي تُدخل فعليًا في السياق الحالي هي أكثر مباشرة وأسهل في الاستخدام بدقة من قبل النموذج.

هذا يترك فرصة مهمة للفِرق الصغيرة.

تتطلب تدريب النماذج الأساسية كميات هائلة من رأس المال والبيانات والقدرة الحسابية. لكن هندسة السياق يمكن أن تبدأ من واجهة برمجة تطبيقات واحدة. يمكن للرواد تجميع المعرفة المتخصصة وأدوات العمليات وبيانات العملاء ومعايير التقييم حول أعمال محددة، لجعل النماذج العامة أكثر موثوقية في سيناريو ضيق.

Jeff Dean ذكر مثالًا من تجربته الخاصة.

كان يُحسّن مع سانجاي غيمافات المكتبات الأساسية الداخلية لجوجل. قد تعمل هذه الهياكل البيانات على ملايين العمليات، واحدة نقطة نقطة تُضخم الفروق في الأداء بسبب الحجم. الممارسة التقليدية هي أن المهندسين يكتبون أولاً معايير دقيقة، ويقيسون الأداء الحالي، ثم يغيرون الكود، ويعيدون تشغيل المعايير، ويراقبون استخدام الذاكرة المؤقتة وتغيرات الأداء، ثم يستمرون في التكرار.

كتب الشخصان منهجية العمل هذه كمهارة عامل. تعلم النموذج كيفية تشغيل المعايير، وتعديل الكود، ومقارنة النتائج، ثم تحسينها بناءً على القياسات.

نحن فقط قدمنا له الطريقة التي يعتمد عليها البشر بصيغة يمكن للنموذج استخدامها.

This sentence can almost be considered a naive definition of context engineering.

إنه ليس خدعة سرية للإرشادات، ولا إضافة مزيد من المواد الخلفية. إنه الإجابة على ثلاثة أسئلة: ما الخطوات التي سيتبعها الخبراء، وما الأدوات الموثوقة التي يمتلكها النظام، وكيف يجب التحقق من النتائج.

عندما يتم هيكلة هذه المحتويات، لا يكتسب النموذج معرفة إضافية، بل مجموعة من الطرق القابلة للتكرار.

وهذا هو السبب في أن "المهارة (skill)" تصبح أصلًا أساسيًا في نظام الوكلاء. قد تُغلف ملف مهارة ممتاز تجربة فريق خفية استمرت لسنوات. إنه يُوجّه النموذج بشأن ما يجب فعله أولًا عند مواجهة نوع معين من المشكلات، وأي الأخطاء الأكثر شيوعًا، وأي الأدوات يمكن الوثوق بها، وما الذي يُعد إنجازًا كاملًا.

التمايز المستقبلي للشركات من المرجح ألا يقتصر فقط على أوزان النماذج، بل يمتد أيضًا إلى الخبرات المُشفَّرة داخل سير العمل.

تقريبًا جميع الفرق التي قامت فعليًا بتطوير عوامل (Agent) قد شهدت نفس السيناريو.

الخطوات الأولى كانت سلسة. النموذج يستطيع قراءة المتطلبات، وتشغيل الأدوات، وكتابة الكود. لكن في الخطوة 30 أو 50، يبدأ بنسى الهدف، ويفهم الحالة بشكل خاطئ، ويعيد تنفيذ الإجراءات، أو يبتعد أكثر في اتجاه خاطئ.

يعزو جيف دين أحد الأسباب إلى مشكلة خارج التوزيع.

لقد رأى النموذج خلال التدريب مهام شائعة كثيرة. ما دامت المهام لا تزال ضمن "الطريق المضيء" الذي يعرفه، فإن الأداء عادةً جيد. لكن بمجرد أن تؤدي العمليات المتتالية إلى حالات غير مألوفة، ينخفض الأداء فجأة. وكلما ابتعدت أكثر عن منطقة الراحة، زاد احتمال تراكم الأخطاء.

إحدى طرق الحل هي تقديم المهارات والنصائح لتحديد النموذج ضمن المسارات التي يُتقنها. الطريقة الأخرى هي استخدام نظام متعدد الوكلاء.

يمكن لعدة وكلاء تجربة حلول مختلفة، ثم يُكلّف نموذج آخر بدور المُقيّم لتحديد أي الاتجاهات أكثر وعدًا. تُطرح الفروع الفاشلة، بينما تستمر الفروع الناجحة في التقدم. هذا في جوهره عملية بحث خلال مرحلة الاستدلال.

إنها ليست غريبة عن طريقة عمل الفريق البشري. عند مواجهة مشكلات معقدة، يقترح شخص ما حلاً، وينظر شخص آخر في المخاطر، وينفذ شخص ثالث تجارب. لا يعتمد الفريق كل آماله على فكرة واحدة، بل يقلل من أخطاء النقاط الفردية من خلال تقسيم المهام والتغذية الراجعة.

كلما طال وقت تشغيل العامل، أصبح تصميم النظام أقل اعتمادًا على صحة واحدة.

يحتاج العامل الطويل المدى الموثوق حقًا إلى نقاط التحقق وإدارة الحالة والعودة للخلف واستكشاف الفروع والتقييم الخارجي والتحكم في الصلاحيات واستعادة الاستثناءات. إنه أكثر شبهاً بنظام موزع منه بنافذة دردشة طويلة جدًا.

هذا هو المكان الذي تبدأ فيه خلفية جيف دين في العودة إلى الأهمية.

إحدى المشكلات الأساسية التي يحلها MapReduce هي كيفية تمكين عدد كبير من الخوادم غير الموثوقة من إجراء حسابات موثوقة. يواجه نظام الوكلاء اليوم تناقضاً مشابهاً: لا تُنفذ عملية استدعاء النموذج الواحد بشكل مثالي، وقد تفشل الأدوات، لكن يجب إكمال المهمة بأكملها بأقصى قدر ممكن من الاستقرار.

قد ترث منصات الوكلاء المتميزة في المستقبل العديد من أفكار الأنظمة الموزعة. يمكن تقسيم المهام، وتحقق النتائج، وإعادة المحاولة عند الفشل، واستعادة الحالة، ولا ينبغي للأخطاء الجزئية أن تدمر العملية بأكملها.

عندما يقول جيف دين إن الوكلاء ستُشغّل لبضعة أيام أو حتى أسابيع، فهو لا يصف محادثة أطول. بل يصف بنية تحتية حسابية جديدة.

في سياق Startup School، فإن السؤال الأكثر تركيزًا هو بالطبع فرصة ريادة الأعمال.

يمكن لجوجل تصميم رقائق وبيانات مركزية ونماذج ومنتجات بالتعاون. لا تزال النماذج العامة مثل Gemini توسّع حدود قدراتها بسرعة.凭什么 يفوز فريق من شخصين أو ثلاثة؟

إجابة جيف دين ليست رومانسية.

توجد فرص الفرق الصغيرة عادةً في المجالات المحددة التي لم تُركّز عليها النماذج العامة بشكل كافٍ. يمكن للرواد دمج واجهة المنتج والبيانات الحصرية وسير العمل والمهارات المتخصصة لتقديم دقة أعلى وتجربة أفضل في سيناريو ضيق.

لكنه حذر في نفس الوقت: النماذج العامة تصبح أقوى بسرعة. الميزات المنتجة التي تبدو مستقلة اليوم، قد يتم تغطيتها مباشرة من قبل النماذج الأساسية بعد ستة أشهر أو اثني عشر شهرًا.

لذلك، يجب على رواد الأعمال تقييم ما إذا كانت ميزاتهم تنافسية مستدامة.

قدم جيف دين معيارًا محددًا جدًا للتصفية: ابحث عن المهام التي تكون فيها نسبة نجاح النماذج العامة الحالية قريبة من 0% أو 1%، وليس المهام التي تحقق بالفعل 20%.

إذا فشل النموذج بالكامل، فقد يكون هذا علامة جيدة. إذا كان قادرًا بالفعل على القيام بجزء منه، لكنه لا يفعله جيدًا، فهذا ليس بالضرورة علامة جيدة.

السبب بسيط. يعني 20% أن القدرة بدأت تظهر. من المرجح أن البيانات الإضافية، والنماذج الأكبر، والتفكير الأطول، ستدفعها بسرعة نحو القابلية للاستخدام. أما 0% أو 1% فتشير إلى أن المهمة قد تفتقر إلى بيانات أساسية، أو أدوات خاصة، أو تغذية راجعة من المجال، أو تحتاج إلى قدرة يصعب على النموذج العام اكتسابها على المدى القصير.

يمكن تسمية هذا بـ "قاعدة 1% لجيف دين".

ليس المقصود أن يختار رواد الأعمال المشكلات الأصعب فقط، بل البحث عن المشكلات التي توجد فيها ثغرات هيكلية في النماذج العامة.

هناك ثلاثة أنواع رئيسية من هذه المناطق العمياء.

الفئة الأولى هي البيانات الحصرية. يمكن للنماذج العامة تنظيم معلومات العالم، لكنها قد لا تتمكن من الوصول إلى جميع ملفات المستخدم الشخصية، أو العمليات الداخلية للشركة، أو البيانات الزمنية التي تنتجها أجهزة معينة. بمجرد حصول منتجات الشركات الناشئة على هذه البيانات، يمكنها تشكيل رؤية تختلف عن النماذج الأساسية.

الفئة الثانية هي التقييم المهني. العديد من الصناعات لا تعاني من نقص في القدرة على الإنتاج، بل من نقص في الحكم الموثوق. تتطلب الطب، والمواد، والرقائق، والتصنيع، والبحث العلمي، مدققات عالية الجودة. من يستطيع تعريف "ما هو الصحيح" يمكنه تمكين الوكلاء من التحسين المستمر.

الفئة الثالثة هي النماذج الضيقة والعميقة. لم يُصمم AlphaFold كنموذج محادثة عام، بل طوّر قدرات متخصصة جدًا لمشكلة بنية البروتين. قد تظهر فرص مشابهة في علوم المواد وتصميم الرقائق وغيرها من المجالات المتخصصة.

هذا التقييم ليس سهلاً على رواد الأعمال. فهو يتطلب من الفريق أن يفهم حدود قدرات النموذج، وكذلك المشكلات العميقة في الصناعة. فالفهم فقط للذكاء الاصطناعي قد يؤدي إلى تطوير ميزات تُستهلك بسرعة من قبل المنصات، بينما الفهم فقط للصناعة قد يؤدي إلى التقليل من سرعة تقدم النماذج.

The real opportunity lies at the intersection of both.

ديانا تطرح افتراضًا: إذا تمكّن كل مؤسس في المستقبل من إدارة 50 أو 100 عامل في وقت واحد، وكتب جميع الكود بواسطة العوامل، فما المهارات التي ستكون نادرة؟

رد جيف دين كان "الذوق".

بشكل أكثر دقة، هو تحديد ما يجب أن يقوم به العامل.

يعتقد أن القيمة الرئيسية للعمل البحثي لا تكمن في تنفيذ التجارب بدقة فائقة، بل في اختيار مشكلة تستحق البحث. يمكن لفريق ما استخدام أساليب الأكثر دقة لإتمام بحث غير ذي أهمية، أو يمكنه التركيز على مشكلة جوهرية، فإذا تم حلها، فستغير المجال بأكمله.

بعد خفض تكلفة التنفيذ من قبل العميل، ستزداد أهمية اختيار المشكلة.

في الماضي، كان يختفي فكرة غامضة تلقائيًا بسبب تكلفة التطوير المرتفعة. في المستقبل، يمكن تحويل العديد من الأفكار إلى نماذج أولية بسرعة بمجرد تفعيل عدد كافٍ من الوكلاء. لن يظهر عالم أكثر من المنتجات الجيدة تلقائيًا، بل سيظهر فقط المزيد من المنتجات.

The specifications will also become more important.

يقول جيف دين: كلما كانت الأهداف أكثر وضوحًا عند التعاون مع الوكلاء الافتراضيين، زادت فرص النجاح. في الماضي، كان يمكن تكليف مهندس خبير بمتطلبات غامضة، حيث يمكنه طرح أسئلة إضافية والاعتماد على السياق المشترك لاستكمال النية. على الرغم من أن الوكلاء يمكنهم أيضًا طرح الأسئلة، إلا أنهم أكثر عرضة للتخمين عندما يفتقرون إلى السياق.

مهمة نموذجية ذات نسبة نجاح عالية هي نقل برنامج من لغة برمجة إلى أخرى. السبب ليس أن النقل سهل، بل لأن المواصفات كاملة للغاية. الكود القديم يُعرّف السلوك، والاختبارات تُحدد الحدود، ويمكن للوكيل مقارنة كل عنصر على حدة حتى يصبح الأداء في الإصدار الجديد متماثلاً.

الآن يمكن للوكيل أن يكتب البرنامج نيابةً عنك، لكن من الأهمية بمكان أن توضح بالضبط ما الذي تريده.

هذه الجملة لها تأثير مباشر على ما يُسمى بالمنظمات الأصلية المبنية على الذكاء الاصطناعي.

لن يكون المديرون المستقبليون مجرد موزعين للمهام، بل سيكتبون أهدافًا ومعايير قبول أكثر وضوحًا. لن تكون وثائق التصميم مجرد مواد للتواصل بين الفريق، بل ست也成为 مدخلات تنفذها الآلات. ستُقدَّم الاختبارات والمؤشرات والقيود والأمثلة من نهاية عملية التطوير إلى مرحلة تعريف المهمة.

أما عن كيفية تدريب "الذوق"، فالطريقة التي قدمها جيف دين عملية جدًا.

اكتب قائمة بالأشياء التي تعتقد أنها ستكتسب أهمية خلال الأشهر الـ12 القادمة. لا تحتاج إلى تنفيذ كل شيء. بعد 12 شهرًا، راجع哪些 التوقعات تحققت، وأيها تم تنفيذها من قبل آخرين، وأيها لم يحرز أي تقدم. من خلال تراكم عينات التنبؤ باستمرار، سيتحسن تقييمك بمرور الوقت.

الذوق ليس بالضرورة موهبة. يمكن أيضًا تطويره من خلال مراجعة الأداء والتدريب.

في الجزء الثاني من المقابلة، شارك جيف دين تجربة فكرية مجنونة إلى حد ما.

على مدار الـ60 عامًا الماضية، سعت صناعة الرقائق إلى تحقيق ترانزستورات أصغر وأكثر استقرارًا وأقل خطأً. وكان يُفترض أن الرقائق المصنوعة وفق نفس التصميم يجب أن تكون متطابقة قدر الإمكان، وكلما قل عدد ت flips البتات، كان ذلك أفضل.

في الأنظمة الموزعة الكبيرة، قَبِل المهندسون منذ زمن أن المكونات الفردية قد تتعطل. يمكن أن تتلف الأقراص الصلبة، وتنقطع الخوادم، وتحدث مشاكل في المفاتيح. لا تأتي موثوقية النظام من خلو كل مكون من الأخطاء، بل من التكرار والتحقق والزائد والاستعادة.

فسأل جيف دين: ماذا لو حدث خطأ في الترانزستور 20 مرة يوميًا، بدلاً من حدوث خطأ مرة واحدة كل ملايين السنين؟

هذا ليس خطة منتج واقعي. إنه يحاول فقط إزالة افتراض مألوف. ربما يمكن تصنيع الترانزستورات غير الموثوقة للغاية بطريقة مختلفة تمامًا، مع ضمان النتائج من خلال مسارات متعددة وتكرار عالٍ.

في النهاية، لن تتحول معظم التجارب الفكرية إلى منتجات. فكثير من ممارسات الصناعة مستمرة منذ عقود، ولها أسباب وجيهة بالفعل. لكن جيف دين يرى أنه ينبغي مراجعة هذه الأسباب بانتظام.

تم اشتقاق MapReduce من عملية مشابهة.

كانت أنظمة الزاحف والفهرسة في جوجل المبكرة تحتوي على كم هائل من الشيفرة اليدوية المتوازية، ونقاط التحقق، ومنطق استعادة الأعطال. غالبًا ما كانت الحسابات التجارية الحقيقية بسيطة جدًا، مثل قراءة جميع صفحات الويب وتحديد لغة الصفحة. لكن كمية كبيرة من شفرة النظام غمرت النية البسيطة.

استلهم جيف دين وسانجاي غيمواوت من البرمجة الوظيفية. فقد قاما بتجريد مهام كبيرة إلى خريطة (Map) وتخفيض (Reduce)، ونقلوا التوازي، والجدولة، والقدرة على التحمل، وإعادة المحاولة إلى إطار موحد. على المطورين التجاريين فقط التعبير عن الحساب نفسه.

هذا التصميم لم يجعل الآلة خالية من الأخطاء. بل جعل الأخطاء قابلة للامتصاص من قبل النظام.

قد تكون مشاريع العامل اليوم في مرحلة مشابهة. لا يزال العديد من الفرق يُنظّمون يدويًا التوجيهات ومنطق إعادة المحاولة واستدعاء الأدوات لكل مهمة. في المستقبل، هل سيظهر تجريد بسيط مثل MapReduce يجعل تحليل العامل طويل المدى، والتحقق منه، واستعادته، واستكشافه بالتوازي قدرات أساسية؟

قد يكون هذا بالضبط الفرصة للجيل القادم من شركات البنية التحتية.

الاتجاه الذي يشعر جيف دين بالحماس الأكبر تجاهه في المستقبل هو أتمتة المنهج العلمي نفسه.

إن عملية البحث العلمي التقليدية تتضمن طرح فرضية، وتصميم تجربة، وتنفيذ التجربة، وتحليل النتائج، ثم توليد فرضية جديدة في الدورة التالية. وقد كان سرعة هذا الدورة مقيدة على المدى الطويل بسبب تكلفة التجارب وتأخير التحقق.

يمكن للذكاء الاصطناعي تغيير جزأين.

جزءٌ منها يقترح وينفّذ تجارب إضافية تلقائيًا. والجزء الآخر يحوّل المدققين المكلفين إلى نماذج تقريبية منخفضة التكلفة.

استخدم جيف دين مثالًا من الكيمياء الكمية. يمكن للباحثين تحديد خصائص تكوين جزيء من خلال تشغيل محاكاة نظرية دالة الكثافة. قد تستغرق محاكاة واحدة ليلة كاملة. قام باحثو جوجل بتدريب شبكة عصبية تقريبية باستخدام كميات كبيرة من المدخلات والمخرجات للمحاكاة. هذه الشبكة تقترب من دقة المحاكاة الأصلية، لكنها أسرع بحوالي 300 ألف مرة.

بعد تغيير سرعة التحقق، تتغير شكلية المسائل العلمية.

في الماضي، كان فلترة 10 ملايين خيار مرشح مشروعًا يتطلب قوة حوسبة لعدة أشهر. الآن، يمكن للنظام إكمال الفلترة الأولية خلال وقت غداء باحث واحد. لم تعد التجارب مراهنة فردية ثمينة، بل أصبحت بحثًا عالي التردد.

هذا هو المنطق المشترك وراء أنظمة مثل AlphaEvolve و AlphaChip. النموذج يقترح الحلول، والأدوات تنفذ الحلول، والمقيّم يختار النتائج، وتدخل النتائج الممتازة إلى الجولة التالية. طالما أن الحلقة المغلقة سريعة بما يكفي، يمكن للنظام استكشاف مساحة الحلول الضخمة باستمرار.

سيصبح التعلم الآلي بدوره موضوعًا للعلم الآلي هذا.

اليوم، عادةً ما تقوم فرق البحث الكبيرة بطرح معماريات أو طرق تدريب جديدة من قبل البشر، ثم تشغيل تجارب صغيرة أولاً، واختيار الحلول الواعدة لتوسيعها. يرى جيف دين أنه لا توجد عوائق جوهرية تمنع النماذج من الاستيلاء على مزيد من هذه الخطوات. يحدد البشر الاتجاهات العليا، ثم يكتشف النظام تلقائيًا الهياكل ووصفات البيانات واستراتيجيات التدريب، ثم يدمج التجارب الناجحة لتكوين نماذج جديدة.

قد لا تكون معايير قياس كفاءة البحث في المستقبل مجرد عمليات نقطة عائمة في الثانية، بل "كمية الاكتشافات الفعالة المولدة لكل وحدة من القوة الحسابية".

القوة الحسابية مهمة بالطبع. لكن الأهم هو كيفية تحويل القوة الحسابية إلى اكتشافات.

في عام 2014، قدم جيف دين وجيوف هينتون وأوريول فينالز ورقة بحثية حول تبخير المعرفة. اليوم، أصبح تبخير المعرفة طريقة أساسية في ضغط النماذج ونقل القدرات. تعمل النماذج الكبيرة كمُدرّس، وتنقل قدراتها إلى نماذج طلاب أصغر وأسرع وأقل تكلفة.

ورُفضت هذه الورقة التي أثرت لاحقًا بشكل كبير من قبل NeurIPS في ذلك الوقت.

يعتقد أحد المراجعين أنه "من غير المرجح أن يُحدث تأثيرًا كبيرًا". يمكن للقراء المهتمين زيارة المقال: "الرفض ≠ فشل! هذه الأوراق عالية التأثير رُفضت جميعها من قبل مؤتمرات رائدة."

عندما تحدث جيف دين عن هذه التجربة، لم يكن غاضبًا. وقال إن مراجعين الأوراق قد لا يكونون على دراية بالمشاكل الواقعية التي تواجهها خدمات الذكاء الاصطناعي الضخمة. بالنسبة لجوجل، من المهم جدًا تحويل النماذج الكبيرة والمرتفعة التكلفة إلى نماذج صغيرة يمكنها خدمة مئات الملايين من المستخدمين. أما بالنسبة للمراجعين الذين يركزون فقط على الابتكار النظري، فقد لا تبدو هذه المهمة كافية من حيث "الأساسية".

بعد رفض الورقة، نشر الفريق المقال على arXiv. قرأ الصناعيون المقالة وبدأوا في استخدامها.

اليوم، يمكن لنموذج Gemini Flash الحفاظ على قدرات قوية مع حجم أصغر وتأخير أقل، والتخمير هو أحد الطرق المهمة لتحقيق ذلك.

هذه القصة ليست مجرد مادة تحفيزية تقول "إذا التزمت، فستنجح". بل توضح أن أنظمة التقييم لديها دائمًا نقاط عمياء. أحيانًا، فقط من مرّ حقًا بعوائق النظام يمكنه رؤية قيمة الحل فورًا.

This is equally important for entrepreneurs.

الرفض من السوق والمستثمرين والزملاء قد يعني خطأ في الاتجاه، أو قد يعني ببساطة أن الطرف الآخر لا يقع في نفس سياق المشكلة. الفرق يكمن في ما إذا كان الفريق يمتلك أدلة كافية ومحددة توضح لماذا هذه المشكلة مهمة ولماذا يمكن حلها الآن.

جيف دين لا يشجع الناس على التمسك الأعمى. ما يشجع عليه هو: فهم المشكلة، التحقق المستمر، ثم عدم اعتبار تقييم واحد حكمًا نهائيًا على العالم.

عندما اقتربت المقابلة من نهايتها، طرحت ديانا سؤالًا ذا خيال.

إذا نُقل جيف دين الشاب الذي انضم إلى جوجل في عام 1999 إلى عام 2026، فهل سيُنضم إلى مختبر متقدم أم سيؤسس شركة مع اثنين أو ثلاثة أصدقاء؟

جيف دين لم يقدم إجابة قياسية.

المنظمات الكبيرة تمتلك هياكل ومنصات وعددًا كبيرًا من الزملاء المتميزين. يمكن للفرد داخلها الوصول إلى معرفة لا يفهمها، كما يمكنه استخدام منتجات ناضجة للتأثير على المستخدمين حول العالم. أما الفرق الصغيرة، فهي أكثر حرية ولكنها تتحمل مخاطر أكبر. يجب أن يؤمن المؤسسون حقًا بمشكلة ما، وأن يكونوا مستعدين لتحمل عدم اليقين لعدة سنوات.

معايير الحكم التي قدمها أكثر جوهرية من "الانضمام إلى شركة كبيرة أم بدء مشروعك الخاص".

إذا حَلَلتُ هذه المشكلة، وحدث أفضل نتيجة ممكنة حقًا، هل سيصبح العالم أفضل بشكل واضح؟ أم أن الجميع سيقولون فقط: "هذا رائع"، ثم ينتهي الأمر؟

إذا كان الجواب فقط "رائع"، فقد لا يستحق استثمار أثمن وقت لديك.

كما شدّد على أهمية الزملاء. ابحث عن أشخاص لديهم مهارات مكملة، وأيضًا عن أشخاص متواضعين، مستعدين للتعاون، ويسهل التعامل معهم. غالبًا ما تتطلب المشكلات الصعبة حقًا العمل معًا على المدى الطويل. من الأفضل أن يمتلك أعضاء الفريق أدوات فريدة لا يمتلكها الآخرون، وأن يستمروا في توسيع "حزام أدواتهم" من خلال العمل المشترك.

هذه الكلمات تحمل بساطة مهندس من الطراز القديم.

يحب قطاع الذكاء الاصطناعي التحدث عن النمو الأسي، والذكاء الفائق، وتمويل ضخم. لكن جيف دين ما زال يعود في النهاية إلى ثلاث أمور صغيرة: العمل على مشكلة تهتم بها حقًا، والعمل مع الأشخاص الذين تحبهم، وبذل قصارى جهدك لجعل العالم مكانًا أفضل.

في مسيرته المهنية، هناك العديد من الأساطير التي تُروى مرارًا وتكرارًا عن جيف دين.

أعاد كتابة نظام البحث مع سانجاي غيمافات خلال أيام، مما سمح بتحميل الفهرس في الذاكرة. وقد دفع تقدير لصوت مدته ثلاث دقائق جوجل إلى تطوير TPU. وأخفى MapReduce التوازي الواسع النطاق والقدرة على التحمل داخل تجريد موحد. وتحول التبخير المعرفي من ورقة بحثية مرفوضة إلى تقنية أساسية في الصناعة.

من السهل أن تتخيله كعبقري يحصل باستمرار على إلهام.

但从这场访谈看，他的方法其实高度一致。

أولاً، حدد الترتيب الحجمي. ثم اكتشف العقبة الحقيقية. بعد ذلك، شكك في الافتراضات الافتراضية وابنِ تجريدًا أبسط. وأخيرًا، استخدم القياس والتغذية الراجعة لدفع النظام نحو التكرار المستمر.

يمر قطاع الذكاء الاصطناعي اليوم بمرحلة تحول مشابهة.

النموذج قوي بما يكفي لتحمل مهام مستوى المهندس المبتدئ. ما يلي، يحدد الإنتاجية الفعلية، ليس فقط ذكاء النموذج، بل تكلفة الاستدلال، وتنظيم السياق، وجودة الأدوات، وسرعة التحقق، وموثوقية التشغيل الطويلة.

سيصبح الوكيل أكثر شبهاً بعضو الفريق. لكنه يحتاج إلى مواصفات واضحة، ومهارات، ونقاط تحقق، ومقيّمين، ونظامًا يتحمل الفشل.

فرص الشركات الناشئة لن تختفي، بل ستكون أكثر صرامة. من الأفضل ألا تُنفّذ ما تستطيع النماذج العامة إنجازه بنسبة 20٪، بل ابحث عن المشكلات التي لا تزال نسبة نجاحها قريبة من 0٪ أو 1٪. هناك قد تكمن بيانات حصرية، أو مقيّمين متخصصين، أو نماذج في مجال ضيق، أو تجريدات نظامية جديدة تمامًا.

عندما يصبح توليد الكود أرخص، سيكون المشكلة نفسها هي التي ستكون مكلفة حقًا.

ما الذي يستحق القيام به؟ ما الذي أصبح قيدًا قديمًا؟ ما التغيير الذي عبور للنقطة الحرجة للتو؟ ما النظام الذي سيصبح منتجًا مختلفًا تمامًا إذا كان أسرع بـ 50 مرة؟

جيف دين لم يقدم قائمة فرص لـ 6000 رائد أعمال. بل قدم طريقة تفكير أكثر ديمومة.

لا تُسرع في ملاحقة الإجابة الأكثر رواجًا.

احسب المسألة أولاً.

رابط المرجع

https://x.com/ycombinator/status/2082938685071491219

https://www.ycrootaccess.com/p/jeff-dean-the-1-rule-for-building

هذا المقال من حساب ويشات الرسمي "Machine Heart" (ID: almosthuman2014)، الكاتب: Panda