تأسست شركة الذكاء الاصطناعي الناشئة Recursive العام الماضي، وبدا أنها بدأت الآن تحقق اسمها الحقيقي. أطلقت الشركة يوم الأربعاء أول نموذج لها، Flint. ويعتبر Flint نموذجًا مجانيًا للبرمجة يمكن تشغيله على أجهزة الكمبيوتر المحمولة، ويدّعي أنه بُني بشكل رئيسي باستخدام الذكاء الاصطناعي.
أشار Recursive إلى أن نظامه الأوتوماتيكي للبحث، Eureka Machine، شارك تقريبًا في كل خطوة من مراحل تطوير Flint، مما مكن فريقًا صغيرًا من إكمال هذا النموذج من الصفر في أقل من أربعة أشهر.
Flint هي تجربة عامة مبكرة على "التحسين الذاتي التكراري": حيث يمكن للذكاء الاصطناعي بناء ذكاء اصطناعي أفضل، والذي بدوره يمكنه بناء ذكاء اصطناعي أفضل. وهي أيضًا واحدة من أكثر الأفكار إثارة للجدل في الصناعة. يخشى بعض الباحثين من أن تحسين الذكاء الاصطناعي المستمر لذاته قد يخرج عن السيطرة البشرية. حاليًا، إصدار Recursive أكثر حدودًا: إنه مساعد بحثي بالذكاء الاصطناعي تحت إشراف بشري، وتكون النماذج الناتجة صغيرة بما يكفي لتشغيلها على أجهزة الكمبيوتر المحمولة.
أنهت الشركة إخفاءها في مايو من هذا العام، وحققت تمويلًا بقيمة 650 مليون دولار أمريكي، بقيمة تقييم قدرها 4.65 مليار دولار أمريكي، مع مستثمرين يشملون GV وNVIDIA وAMD Ventures. يقود Recursive المدير التنفيذي ريتشارد سوشر، الذي كان سابقًا عالمًا أول في Salesforce.
بما أن Flint يعمل على جهاز الكمبيوتر الخاص بالمستخدم وليس على خوادم سحابية للشركة، يمكن للمطورين استخدامه دون اتصال بالإنترنت، والحفاظ على سرية الكود، وتجنب رسوم استخدام خدمات الذكاء الاصطناعي السحابية التي تُفرض بناءً على كمية النصوص المعالجة بناءً على النموذج. يمكن تنزيل النموذج مجانًا من موقع Hugging Face الشهير لمشاركة نماذج الذكاء الاصطناعي، وهو مُرخّص بموجب ترخيص Apache 2.0، وهو ترخيص مفتوح المصدر يسمح بالاستخدام والتعديل الحر.
Flint هو نموذج خبير مختلط، مما يعني أنه عند تنفيذ أي مهمة معينة، فإنه يستدعي فقط جزءًا صغيرًا من نفسه: من بين 4 مليارات معلمة، يتم استخدام 2.5 مليار فقط في كل مرة. وهذا يجعله خفيفًا بما يكفي للعمل على أجهزة الكمبيوتر المحمولة العادية، وأصغر بكثير من نموذج Meta المفتوح المصدر المُعلن عنه الأسبوع الماضي للماك، وهو Muse Spark Open. يستخدم Muse Spark Open 816 مليار معلمة، ويتطلب على الأقل 1 تيرابايت من الذاكرة.
سرعة Flint أيضًا عالية جدًا. وفقًا لاختبارات Recursive، يمكنها توليد حوالي 131 رمزًا (كتلة نصية) في الثانية على جهاز MacBook Pro مزود بمعالج Apple M4 Pro، وهو ما يقارب ضعف سرعة نماذج مشابهة على نفس الجهاز، مثل Gemma 4 من Google وNemotron 3.5 Lightning من NVIDIA، والتي تتراوح سرعتها بين 58 و69 رمزًا في الثانية. وعلى وحدة NVIDIA RTX Spark، تتجاوز سرعة Flint 150 رمزًا في الثانية.
على معيار SWE-Bench Verified الذي يقيّم قدرة الذكاء الاصطناعي على إصلاح ثغرات برمجية حقيقية، تفوق Flint على جميع النماذج الأخرى التي يقل عدد معلماتها عن 50 مليارًا. ووفقًا للمتوسط الذي حققه Recursive في ستة اختبارات، فإن النموذج الوحيد الذي تجاوز Flint في التقييم هو Qwen3.8 27B التابع لعلي بابا.
اعترفت الشركة بأن Flint يحتاج إلى مزيد من التوجيه مقارنة بمساعدي البرمجة المدفوعين الكبار، واقترحت تقسيم المهام الكبيرة إلى خطوات أصغر. ومع ذلك، كانت التقييمات المبكرة إيجابية. استخدم مراسل Wired ويل نايت Flint على جهاز Mac مزود بذاكرة 48 جيجابايت لبناء عدة تطبيقات صغيرة، بما في ذلك تطبيق مهام و أداة للبحث على الويب. ووجد أن نماذج البرمجة الصغيرة غالبًا ما ترتكب أخطاء أو تكون أبطأ مقارنة بـ Claude أو Codex، لكن Flint نجحت دائمًا في تنفيذ طلباته البرمجية بدقة.
ستقترح Eureka Machine أفكارًا، وتنفذ تجارب، وتستخدم النتائج لتحديد ما يجب تجربته بعد ذلك. وفقًا لفيديو الإصدار الخاص بالشركة، فقد شاركت تقريبًا في بناء كل جزء من Flint، من ما قبل التدريب إلى ما بعد التدريب وحتى الاستدلال.
أشار Recursive إلى أن مساهمات Eureka تشمل هيكل نموذج أكثر ندرة، والتدريب ببتات منخفضة — الذي قلل حجم Flint بنسبة 71% تقريبًا دون فقدان الجودة — بالإضافة إلى النوى المخصصة، وهي برامج مخصصة لتسريع الحسابات الأساسية.
لم تُحدّد Recursive كم من الوقت وفّرته Eureka Machine للباحثين، لكنها ليست الشركة الوحيدة التي تعتمد على الذكاء الاصطناعي في البحث. فقد أفادت OpenAI الشهر الماضي أنه بحلول منتصف أغسطس، سجّلت وكلاء الذكاء الاصطناعي لديها 3.1 مرة أكثر من أيام العمل التي سجّلها الباحثون البشريون.
إذا نجح الرهان على Recursive، فيجب أن يكون كل نموذج جديد قادرًا على العمل لفترات أطول دون مساعدة بشرية. وقد أخبرت الشركة سابقًا TechCrunch أن اتفاقية الحوسبة التي أبرمتها في يونيو مع خدمات Amazon السحابية بقيمة 410 ملايين دولار "موجهة أكثر لزيادة عدد الوكلاء بدلاً من زيادة عدد الموظفين".
قال سوشر في مقابلة مع Wired إن الهدف على المدى الطويل هو تمكين Eureka Machine من إجراء تحسين ذاتي تكراري كامل، مع إشراف بشري على العملية بأكملها، والقدرة على إيقافها في حال حدوث مشكلات. وذكر Recursive أن كل نموذج جديد يجب أن يجعل Eureka Machine باحثًا أفضل، مما يساعدها على بناء النموذج التالي بشكل أسرع.