شركة ذكاء اصطناعي جديدة تُدعى @subquadratic أطلقت نموذجًا يكسر أحد أقدم القيود في الذكاء الاصطناعي الحديث. لفهم سبب أهميته، عليك فهم مشكلة رياضية واحدة كانت تُشكّل بصمت كل دردشة استخدمتها على الإطلاق. - ➠ المشكلة: يقرأ الذكاء الاصطناعي بالأزواج، والأزواج لا تتوسع يقرأ كل نموذج لغوي حديث (ChatGPT، Claude، Gemini) النص من خلال التحقق من كيفية ارتباط كل كلمة بكل كلمة أخرى. هذا يبدو جيدًا حتى تقوم بالحساب: ▸ 10 كلمات → 100 مقارنة ▸ 1,000 كلمة → مليون مقارنة ▸ مليون كلمة → تريليون مقارنة مضاعفة المدخلات لا تضاعف العمل. بل تربّعه. هذا ما يُسمى التوسع التربيعي، وهو مدمج في الذكاء الاصطناعي منذ عام 2017. ما يعنيه ذلك لك: ▸ تصبح المستندات الطويلة باهظة الثمن بسرعة ▸ غالبًا ما يفوت النماذج حقائق مخبأة عميقًا في المدخلات الطويلة ▸ لا يمكن أن تتناسب قواعد الكود الكاملة أو مكتبات الأبحاث معها الآن تعرف لماذا، كلما طال السياق، أصبحت نماذجك اللغوية أبطأ وأكثر تكلفة. - ➠ كيف يخفي الذكاء الاصطناعي الحديث المشكلة اليوم أنشأ الصناعة حلولًا مؤقتة بدلًا من تصحيح الرياضيات: ▸ RAG: محرك بحث يلتقط بعض المقاطع ذات الصلة، ويوفر فقط تلك المقاطع للنموذج ▸ التقطيع: تُقسّم المستندات الطويلة إلى قطع صغيرة ▸ أنظمة الوكلاء: عدة استدعاءات ذكاء اصطناعي تعالج أجزاء مختلفة، وتُربط معًا بواسطة كود ▸ FlashAttention: حيل ذكية في الذاكرة تجعل نفس الرياضيات الباهظة تعمل بشكل أسرع هذه الحلول تعمل، لكنها لا تصلح المشكلة الحقيقية. إن كل بنية الذكاء الاصطناعي الحديثة (قواعد البيانات المتجهية، خطوط استرجاع المعلومات، هندسة المطالبات) موجودة لأن النماذج لا تستطيع ببساطة أن تحتفظ بكل شيء في مجال رؤيتها. — ➠ ما الذي يفعله SubQ بشكل مختلف يستخدم SubQ نهجًا جديدًا يُسمى SSA (الانتباه النادر غير التربيعي). الفكرة في جملة واحدة: بدلًا من مقارنة كل كلمة بكل كلمة أخرى، يحدد النموذج أي الكلمات مهمة فعليًا للسؤال، ويتغاضى عن الباقي. هذا يغيّر التوسع من تربيعي إلى خطي. الآن، عندما تضاعف المدخلات، تضاعف العمل بدلًا من تربيعه. الجزء الصعب ليس الفكرة، لأن الناس جربوا هذا من قبل. كل محاولة سابقة تضحي بشيء: إما الدقة، أو القدرة على العثور على حقائق مخبأة بعيدًا في النص، أو الكفاءة نفسها. تقول Subquadratic، التي أسسها @alex_whedon، إنهم أخيرًا حَلّوا الثلاثة معًا. — ➠ الأدلة اختبارات مُحققة من طرف ثالث: ▸ تساوي Claude Opus 4.6 في RULER 128K (اختبار استدلال سياق طويل) ▸ تتفوق على Opus 4.7 وGPT 5.4 وGemini 3.1 Pro في MRCR v2 (استرجاع بأدلة متعددة)، لكنها تخسر أمام Opus 4.6 وGPT 5.5 ▸ تتفوق على Opus 4.6 وGemini 3.1 Pro في SWE-Bench (مهام برمجية حقيقية)، لكنها تتبع Opus 4.7 ▸ أسرع بـ 52 مرة من FlashAttention عند 1 مليون رمز ▸ نسخة بحثية تتعامل مع 12 مليون رمز باستخدام حوالي 1000 مرة أقل من حسابات الانتباه مقارنة بالنماذج الرائدة الأخرى لإيجاز الأمر: هذا ليس "أفضل نموذج في العالم". بل هو دقة على مستوى الرائد بتكلفة أساسية أقل بكثير. — ➠ أين يأتي سام ألتمان يشير اثنان من أكبر ادعاءات ألتمان العلنية إلى نفس المشكلة التي يحلها SubQ. حول التكلفة: في مقاله الشهير في فبراير 2025 بعنوان "ثلاث ملاحظات"، كتب ألتمان أن تكلفة استخدام الذكاء الاصطناعي تنخفض بمقدار 10 أضعاف كل 12 شهرًا. ووصف هذا بأنه "أقوى بكثير" من قانون مور. فرضيته: إن الاستدلال الأرخص هو القوة المهيمنة التي تشكل ما يمكن أن يصبح عليه الذكاء الاصطناعي. حول الحجم: منذ عام 2023، قال ألتمان إن عصر النماذج الأكبر والأكبر قد انتهى، والمنافسة الحقيقية هي القدرة لكل دولار. وقارن سباق عدد المعلمات بسباق السرعات (GHz) في شرائح التسعينيات. محور خاطئ. SubQ يأخذ هذين الافتراضين حرفيًا. شعارهم: الكفاءة هي الذكاء. لكن العقبة: المسار الذي ذكره ألتمان لتحقيق ذكاء اصطناعي أرخص هو التقدم في الأجهزة، وتحسين البرمجيات، وتقليل النموذج. لم يُقرّر علنًا إعادة تصميم الرياضيات الأساسية للانتباه. إذًا، عرض SubQ يتماشى مع اقتصادياته، لكنه أيضًا رهان على أن المختبرات الكبرى تركت دولارًا هيكليًا على الطاولة. — ➠ لماذا هذا مهم إذا نجح SubQ على نطاق الإنتاج: ▸ قواعد الكود كمحادثة واحدة. لا حاجة لأنظمة وكلاء متعددة تدير الملفات. النموذج يحتفظ بالمستودع كاملاً. ▸ يصبح RAG اختياريًا. الكثير من البنية التحتية للذكاء الاصطناعي اليوم موجود لتعويض السقف التربيعي. أزل السقف، وتصبح الهياكل المؤقتة عبئًا. ▸ تتوقف الوكلاء طويلة الأمد عن كونها حيلة. الجلسات التي تمتد لأيام مع ذاكرة مستمرة تصبح مدمجة بشكل طبيعي. ▸ تصبح تطبيقات جديدة ممكنة. المهام التي كانت باهظة الثمن (مراجعة المستندات الكاملة، البحث الشامل عن الكود، فحص الامتثال) تصبح روتينية. — ➠ التحذيرات الصادقة ▸ النموذج في مرحلة بيتا خاصة. لم يتم اختبار موثوقيته في العالم الحقيقي بعد. لذا حتى ذلك الحين، اعتبر الإعلان مجرد مقدمة، حتى أن كثيرين يشككون أنه مجرد فعل إعلامي فقط. ▸ درجة MRCR v2 (65.9%) جيدة لكنها أقل من Opus 4.6 (78.3%) وGPT 5.5 (74%). SSA أكثر كفاءة، لكنها ليست بالضرورة أكثر قدرة. ▸ الاختبارات منشورة ذاتيًا مع التحقق من طرف ثالث. إعادة الإنتاج الأكاديمي هي الاختبار الحقيقي. ▸ نتيجة 12 مليون رمز هي نموذج بحثي، وليس المنتج النهائي (الذي هو 1 مليون). — ➠ الخلاصة على مدى تسعة أعوام، دفعت كل نماذج الترانسفورمر نفس الضريبة التربيعية. تقول Subquadratic إنهم أخيرًا اكتشفوا كيف لا يدفعونها. توحي الاختبارات بأنهم على الأقل في الاتجاه الصحيح. لقد كان ألتمان يخبر الصناعة منذ ثلاث سنوات أن القدرة لكل دولار هي ساحة المعركة الجديدة. SubQ واحدة من أولى الشركات التي تحاول الفوز بهذه المعركة بتغيير الرياضيات الأساسية بدلًا من تجميع الحلول المؤقتة. ما إذا كانوا سيحققون ذلك الآن سؤال تجريبي عام.