Writer تطلق Palmyra X6 وتحديثاً لبنيتها التشغيلية لاحتواء تكاليف الرموز في الذكاء الاصطناعي

في مختلف قطاع الذكاء الاصطناعي، أصبح المستخدمون أكثر إدراكاً لمدى ارتفاع تكلفة عمليات النشر لديهم، ويشعرون بإلحاح جديد لخفض التكاليف، لكن رغم أن النماذج مفتوحة المصدر تقدم تكلفة أقل لكل رمز (توكن)، قد يكون من الصعب إيجاد النموذج المناسب لمهمة معينة. وطرحت Writer، التي تبني أدوات ووكلاء ذكاء اصطناعي للمسوقين، يوم الخميس نموذجاً رئيسياً جديداً باسم Palmyra X6 لمعالجة هذه المشكلة. وباعتباره نسخة معاد تدريبها من نموذج GLM-5.2 مفتوح المصدر التابع لشركة Z.ai، تقول Writer إن النظام الجديد يوفر قدرات جاهزة للنشر بسعر أقل بكثير، وتقدّر أن النموذج، إلى جانب تغييرات في بنية العمل التحتية الخاصة بها، سيخفض تكاليف العملاء بنسبة تصل إلى 50% في المهام الأساسية. وأصبح كل من النموذج وتحديثات البنية التشغيلية متاحين لعملاء Writer اعتباراً من يوم الخميس.

وقالت الرئيسة التنفيذية May Habib لموقع TechCrunch: “أعتقد أن الشركات سئمت تماماً من مطاردة المعيار المرجعي (benchmark) التالي. إنها تريد تكاليف ثابتة، ويبدو أنه لا أحد يستطيع تحقيق ذلك”. ويركز النهج الجديد على المهام المعقدة متعددة الخطوات التي تُنفَّذ بشكل أسرع وباستخدام عدد أقل من الرموز، معتبراً تحسين البنية التشغيلية رافعة أساسية لتحقيق ذلك. ووجدت ورقة بحثية حديثة لباحثي Writer أنه عبر عدة نماذج جرى اختبارها، كانت التغييرات في البنية التشغيلية غالباً وسيلة أكثر موثوقية لخفض التكاليف من تغيير النموذج نفسه، إذ خفضت التكاليف بمعدل 40% في المتوسط خلال اختباراتهم، وهو ما يُعد، بحسب الباحثين، دليلاً على أن البنية التشغيلية هي المكوّن الوحيد الذي تتضاعف مكاسب كفاءته عبر كل نموذج تستخدمه المؤسسة، حاضراً ومستقبلاً.

وبالنسبة لعملاء Writer، تبقى التجربة محايدة تجاه النموذج المستخدم: إذ يتوفر Palmyra X6 إلى جانب نماذج Writer الأخرى والنماذج الخارجية التي يتم استيرادها عبر Azure أو Amazon Bedrock. كما ترى Habib أن الدفع نحو خفض التكاليف جزء من تحول أوسع نحو انعدام الثقة في مختبرات الذكاء الاصطناعي الكبرى، التي قالت إن لديها حافزاً مالياً لزيادة استخدام الرموز، وأنها في رأيها لا تفهم تماماً كيفية مساعدة الشركات على تحقيق قيمة حقيقية من الذكاء الاصطناعي.

لماذا يهم

إذا كانت كفاءة البنية التشغيلية، وليس قدرة النموذج الخام، هي ما يخفض فعلياً تكاليف الذكاء الاصطناعي للشركات، فإن ذلك ينقل الضغط التنافسي بعيداً عن مختبرات الذكاء الاصطناعي المتقدمة المتسابقة لبناء أكبر النماذج، ليتجه نحو الجهات التي تُحسّن طريقة الاستخدام الفعلي لتلك النماذج.