نموذج ذكاء اصطناعي صغير يغير قواعد مراقبة المحتوى

هل يمكن لنموذج ذكاء اصطناعي لا يتجاوز حجمه 1.7 مليار معامل أن يراقب رسائل منصة كاملة في أقل من 50 ميلي ثانية؟ هذا بالضبط ما تعد به شركة Musubi مع نموذجها الجديد PolicyLM-1.7B، الذي أعلنت عنه يوم الثلاثاء وأتاحته بأوزان مفتوحة أي أنّ أي مطوّر يستطيع تنزيله وتشغيله على بنيته الخاصة، لا الاكتفاء بواجهة برمجية مغلقة تمرّ عبر خوادم الشركة.

كيف يعمل النموذج فعلياً؟

الفكرة التسويقية هنا بسيطة، لكن التقنية خلفها أقلّ بساطة. PolicyLM-1.7B مصمَّم ليقرأ سياسات المحتوى كما تُكتب عادةً بالإنجليزية العادية جملة مثل «امنع المحتوى الذي يحضّ على العنف»ثم يطبّقها مباشرةً على الرسائل دون الحاجة إلى إعادة تدريب النموذج كلما تغيّرت السياسة. هذا الفرق مهمّ عملياً: أي منصة تضطر اليوم لتحديث قواعد المحتوى بشكل متكرر، بينما إعادة تدريب نماذج التصنيف الكلاسيكية (classifiers) التي تعتمد عليها غالبية الشبكات الاجتماعية حالياً عملية بطيئة ومكلفة.

وتقول Musubi إنها صمّمت PolicyLM-1.7B ليضاهي هذه المصنّفات التقليدية من حيث التكلفة والسرعة، لكنه يطبّق سياسات معقّدة دون أي تدريب خاص إضافي. الفارق الجوهري هو أنّ النموذج لا يُنتج نصاً كما تفعل النماذج اللغوية الكبيرة، بل يُصدر حكماً ثنائياً: المحتوى إمّا أنه يندرج ضمن فئة معينة أو لا يندرج. هذا النوع يُعرف بـ«نماذج القرار» (decision models)، وهي تخرج باحتمالات نتائج محددة سلفاً بدلاً من توليد نص حرّ، ما يجعلها أسرع وأرخص بكثير من نماذج اللغة الكبيرة، مع الاحتفاظ بمرونة بنية المحوّلات (transformer) نفسها.

لماذا الآن؟ قصة الموضة التقنية الجديدة

نماذج القرار ليست اختراعاً جديداً، لكنها أصبحت موضوعاً بارزاً في نقاشات الذكاء الاصطناعي بعد إصدار شركة TypeSafe AI لنموذجها Jev في سبتمبر الماضي. بعد ذلك مباشرة أطلقت كل من OpenAI وAmazon نماذج منافسة من الفئة نفسها، ما يوحي بأن الصناعة بدأت ترى في هذا النهج بديلاً عملياً عن النماذج الضخمة في مهام محددة كالإشراف على المحتوى، وأيضاً كأداة مبكرة لكبح سلوكيات غير مرغوبة لدى عملاء الذكاء الاصطناعي (AI agents) أنفسهم.

لكن فيليب يانكوفيتش، الشريك المؤسس لشركة Musubi ورئيسها لشؤون الذكاء الاصطناعي، يؤكد أنّ اهتمامه بنماذج القرار يسبق صدور Jev، وأنه استلهم بعض تقنياته من مشروع GLiNER وهو نموذج تعرّف على الكيانات المسمّاة، ومختصره يعني «النموذج العام للتعرف على الكيانات المسمّاة» الذي ظهر عام 2024.

وفي تعليقه على دوافع إطلاق النموذج، قال يانكوفيتش: «فرق المنتجات تريد ببساطة فهماً أفضل لما يجري على منصّاتها، خصوصاً مع تزايد حجم المحتوى بشكل أُسّي»، مضيفاً أنّ «القدرة على تصنيف كل ذلك بطريقة قابلة للتوسّع والتخصيص مفيدة للغاية».

نقطة الأوزان المفتوحة: لماذا تهمّ؟

هذا هو الجزء الذي يستحق وقفة. في بيان الإطلاق، وضعت Musubi مقارنة مباشرة مع منافسها: «إذا كان Jev قد لفت انتباهك، فإنّ PolicyLM-1.7B هو النوع نفسه من النماذج، مدرَّب خصيصاً للإشراف على المحتوى، ويمكنك تشغيله بنفسك». عبارة «تشغيله بنفسك» ليست تفصيلاً هامشياً؛ فهي تعني أنّ أي فريق تقني سواء منصة ناشئة أو مطوّر مستقل يستطيع تشغيل النموذج على بنيته التحتية الخاصة دون إرسال محتوى المستخدمين إلى خوادم خارجية، وهو ما يختلف جوهرياً عن الاعتماد على واجهة برمجية سحابية مغلقة تمرّ من خلالها كل رسالة يُراد فحصها.

هذا لا يعني أنّ النموذج خالٍ من الأسئلة المفتوحة: الأوزان المفتوحة لا تكشف بالضرورة عن بيانات التدريب أو معايير اتخاذ القرار الداخلية، وتبقى دقة التصنيف الثنائي في حالات المحتوى الملتبس مسألة تحتاج اختباراً مستقلاً قبل أي اعتماد واسع. لكن بالنسبة لمنصّة تتعامل مع كمّ متزايد من المحتوى وتريد تطبيق سياسات تتغيّر باستمرار دون كلفة إعادة تدريب متكررة، يبدو PolicyLM-1.7B خياراً يستحق المتابعة خصوصاً أنّ إتاحته مفتوحة تضعه في مسار مختلف عن النماذج المغلقة التي تتحكم فيها شركة واحدة بكل تفاصيل تشغيلها.