«كيف تمكنت شركة صغيرة من بناء نموذج لغوي ضخم للذكاء الاصطناعي بمستوى الأفضل عالميًا؟»
كيف بنت شركة ناشئة صغيرة نموذجًا لغويًا ضخمًا؟
هذا هو السؤال الأكثر طرحًا منذ أن كشفت كليفِي عن نموذجها الأساسي الذي يبلغ حجمه 1.4 تريليون معلمة.
على عكس العديد من الشركات التي تكتفي بإجراء الضبط الدقيق لنماذج مفتوحة المصدر، نفذت كليفِي جميع العمليات بشكل مستقل، بدءًا من جمع البيانات وتصميم النموذج، مرورًا بالتدريب الموزع واسع النطاق، ووصولًا إلى التحقق من الجودة.
سنقدم أدناه تفاصيل عن هذا السر وهذه القدرة التنافسية.
1. هل تستطيع شركة صغيرة بناء نموذج لغوي ضخم؟
في يوليو 2025، عندما طرحت كليفِي نموذجها اللغوي الضخم المطوَّر ذاتيًا في السوق، ضجّ العديد من العملاء (المستخدمين) بالدهشة والشك. «هل طُوِّر فعلًا داخليًا؟» «ألم يكن مجرد تعديل طفيف لنموذج مفتوح المصدر؟»
في الواقع، غالبًا ما تكتفي العديد من الشركات المحلية والدولية بإجراء التعلم الانتقالي (الضبط الدقيق) على نماذج مفتوحة المصدر، ثم تروّج لها باعتبارها نماذج خاصة بها.
لكن كليفِي رفعت شعار **«النموذج الأساسي من الصفر»**.
أي أنها صممت ونفذت جميع العمليات بنفسها، بدءًا من جمع البيانات وتصميم النموذج، مرورًا بالتدريب الموزع واسع النطاق، ووصولًا إلى التحقق من الجودة.
2. أسباب صعوبة تطوير نموذج لغوي ضخم
لتدريب النموذج الأساسي من الصفر، يجب تدريب جميع العناصر التالية.
مجموعة بيانات واسعة النطاق وعالية الجودة ضرورية
- التنوع: ضمان التنوع في اللغات والمجالات والصيغ (النصوص والصور وغيرها)
- التنقية: إزالة الضوضاء، وإدارة الجودة، وتصفية البيانات المكررة/الضارة
- التراخيص: توضيح حقوق الطبع والنشر وحقوق استخدام البيانات
بنية تحتية حاسوبية واسعة النطاق
- مجموعة GPU/TPU عالية الأداء: تقنية لدمج معدات تضم آلافًا إلى عشرات الآلاف من العقد ودعم التدريب الموزع واسع النطاق
- إطار عمل فعال للتدريب الموزع: DeepSpeed وMegatron-LM وRay وغيرها
- التخزين/الشبكة: إدخال وإخراج كميات كبيرة من البيانات، وبيئة شبكية سريعة
تصميم بنية النموذج
- يعكس أحدث البنى: Transformer، وMoE (Mixture of Experts)، ومتعدد الوسائط وغيرها
- قابلية التوسع: مراعاة قابلية التوسع من حيث عدد المعاملات، وعدد الطبقات، وطول المدخلات وغيرها
- الكفاءة: تحسين سرعة التدريب/الاستدلال واستخدام الذاكرة
استراتيجيات التدريب والخوارزميات
- هدف التدريب المسبق: نماذج اللغة (مثل next token prediction)، ومتعددة الوسائط (مثل contrastive learning) وغيرها
- تقنيات التحسين: mixed precision، وgradient accumulation، وlearning rate schedule وغيرها
- التطبيع/الاستقرار: dropout، وlayer norm، وweight decay وغيرها
منظومة التقييم والتحقق
- مجموعات الاختبار المعيارية: الاستفادة من مجموعات البيانات المعيارية (Benchmarks)
- التقييم الداخلي: التقييم استنادًا إلى سيناريوهات الاستخدام الفعلية
- المراقبة المستمرة: فحص الجودة والتحيز والسلامة أثناء التدريب وبعده
الكوادر والقدرات التنظيمية
- باحثو الذكاء الاصطناعي/تعلم الآلة: تصميم النماذج وتطوير الخوارزميات
- مهندسو البيانات: جمع البيانات وتنقيتها وإدارتها
- مهندسو البنية التحتية: إدارة الأنظمة الموزعة والسحابة/البيئات المحلية
- مديرو المشاريع: إدارة الجداول الزمنية والميزانيات والجودة
الاعتبارات الأخلاقية والقانونية والأمنية
- أخلاقيات الذكاء الاصطناعي: التحيز والسلامة والشفافية والمساءلة
- الامتثال القانوني: الخصوصية وحقوق الطبع والنشر وسيادة البيانات
- الأمن: منع تسرب البيانات/النماذج والتحكم في الوصول
يبلغ عدد العاملين في أبحاث الذكاء الاصطناعي حول العالم حاليًا نحو 2,000 شخص، ومع ذلك يتركز معظمهم في شركات التكنولوجيا الكبرى مثل META وGoogle وXAI. ونادرًا ما توجد في كوريا الجنوبية فرق قادرة على تصميم كل شيء بدءًا من جمع البيانات ووصولًا إلى بنية التدريب واسعة النطاق، وإنشاء نموذج Foundation مباشرةً.
3. بناء نموذج لغوي فائق الضخامة بعدد قليل من الموظفين.
لكن الرئيس التنفيذي لكلِيفي، لي هوان-هو، عزم على صنع أفضل ذكاء اصطناعي في العالم لدى «كلِيفي».
أسس الرئيس التنفيذي لي هوان-هو الشركة (كلِيفي) قبل 3 سنوات، مستندًا إلى خبرة تزيد على 10 سنوات في أبحاث التعلم العميق وتعلم الآلة، وبهدف «صنع أفضل ذكاء اصطناعي في العالم».
ومن خلال تصميم جميع العمليات مباشرةً، بما في ذلك إنشاء خط أنابيب البيانات الخاص بالشركة، وتصميم بنية التعلم العميق الموزع واسعة النطاق، وتطوير بنية النماذج، والتحقق من الجودة، اكتسبت الشركة القدرات اللازمة لتطوير Foundation Model.
وبعد تدريب النماذج عدة مرات، أصبحت الشركة تمتلك حاليًا نموذج Clevi-5-x القادر على منافسة النماذج ذات المستوى العالمي.
لتدريب نماذج اللغة فائقة الضخامة بفعالية، من الضروري ربط مئات إلى آلاف وحدات معالجة الرسومات (GPU) في مجموعة، وتوفير بنية تحتية قادرة على معالجة عمليات حسابية تصل إلى عشرات الكوادريليونات في الثانية في الوقت نفسه. وفي هذه العملية، تُعد التقنيات التي تقلل إلى أدنى حد من تزامن العمليات وتأخر الاتصالات في بيئات الحوسبة الموزعة واسعة النطاق أمراً أساسياً. وحتى الآن، لم تتمكن معظم الشركات محلياً من تدريب النماذج بشكل صحيح بسبب عدم وجود «خوارزميات تحكم دقيقة». وقد نجح الرئيس التنفيذي لي هوان-هو من كليفي، من خلال تطوير خوارزمية التحكم في العمليات الحسابية الموزعة المستقلة هذه داخلياً، في تدريب أول نموذج لغة فائق الضخامة محلياً بحجم 1.4 تريليون (1.4 Trillion) معلمة.
4. سبب قدرة عدد قليل من المطورين على تطوير نماذج متنوعة
تمتلك معظم شركات التقنية الكبرى أيضاً تقنيات للتحكم في البنية التحتية واسعة النطاق وتنقية البيانات.
ولإدارة ذلك، هناك حاجة إلى مئات أو آلاف الباحثين.
لكن كليفي تطور وتمتلك نماذج متنوعة بعدد قليل من الباحثين.
كيف كان ذلك ممكناً؟
تطور كليفي وتمتلك نماذج متنوعة بعدد قليل من الموظفين من خلال تقنية Teacher-Student Model(Knowledge Distilation).
فلنلقِ نظرة على تقنية Teacher-Student.
Teacher-Student (تقطير المعرفة)
تقنية Teacher-Student هي، ببساطة، تقنية تتيح تطوير نماذج متنوعة بسرعة، حتى مع عدد قليل من الموظفين، من خلال تقييم النموذج الابن (Student Model) وتقديم الملاحظات إليه عبر نموذج اللغة فائق الضخامة (Teacher Model)، وبذلك تحل محل مئات الباحثين.
- يقيّم نموذج Mother Model (النموذج فائق الضخامة) نماذج في مجالات متنوعة ويقدم لها الملاحظات، ليحل محل مئات الباحثين.
- إذا أُجري التدريب بهذه الطريقة من خلال Clevi-x-platform، فيمكن تدريب نماذج عالية الأداء ونشرها، مثل Reasoning وVLM وPhysical AI وCoding Agent، خلال 10 إلى 15 يوماً.
Clevi Coding Agent
Clevi Phsycal AI Learning Platform
VLM-Vision Language Model
وكيل أمني
5. تميّز تقنية وجودة Clevi-x-platform
أداء النموذج وقابليته للتوسع
- التفوّق في الاستدلال (CoT/Reasoning): أُدرجت في فلسفة تصميم cip-5-x آليات الاستدلال المنطقي المتدرّج وعرض الأدلة، ما يتيح مستوى عالياً من الموثوقية في الحساب والتفسير عند حل المشكلات العلمية والرياضية والهندسية. ويجري تصميمه وتشغيله بهدف تحقيق أداء بمستوى GPT-5 أو أعلى استناداً إلى المعايير الداخلية، مع إدارة قابلية إعادة الإنتاج والتحقق في ظل ظروف المطالبة نفسها باعتبارهما مؤشرين أساسيين للجودة.
- كامل طيف تعدد الوسائط: من خلال إنتاج ودمج نموذج VLM موجّه للأهداف (cip-5-vision)، ونموذج معالجة متعدد الوسائط واسع النطاق (ivy-4-mm)، ونموذج خفيف على الجهاز (ivy-3-text) ضمن منصة واحدة، يمكن توفير التركيبة المثلى بما يتوافق مع خصائص المهمة (البحث/التصنيف/التلخيص مقابل الاستدلال/الشرح/التنفيذ).
القابلية لتطبيقات المؤسسات
- الأمان والتوافر في الموقع: التشغيل ضمن كامل نطاق الشبكة المغلقة (الإدخال-التدريب-الخدمة-النسخ الاحتياطي)، وتصميم التوافر العالي (HA)، والتوسّع المعياري، وحماية البيانات ومعلمات النموذج بشكل منفصل من خلال SVCE (بيئة تنفيذ آمنة ومعزولة).
- التبنّي والتوسّع السريعان: دعم التطبيق والتشغيل السريعين من خلال Ivy Chat (محادثة/وكلاء متعدد الوسائط مخصصون للأعمال) وAPI Platform (منصة SaaS بمعيار عالمي).
تميّز الذكاء الاصطناعي الفيزيائي (Physical AI)
- من خلال الجمع بين المحاكاة القائمة على NVIDIA Isaac والتعلّم المعزّز القائم على التطور (Evolutionary RL)، والتدريب المتوازي عبر نقل Sim2Real والبيانات الاصطناعية، تم رفع كفاءة التدريب والقدرة على التكيّف في الميدان. كما أن الجهات التي تغطي كامل دورة التعلّم والنشر، من العالم الرقمي إلى الروبوتات، نادرة بين البدائل.
جودة الخدمة والحوكمة
- تتم إدارة إصدارات النماذج/المطالبات/الأدوات، ومجموعة التقييم (المعرفة الكورية والإنجليزية، والمهام الخاصة بكل قطاع، ومؤشرات الهلوسة والسلامة)، وإدارة التغيير (SLO/SLA)، ومراقبة التشغيل (زمن الاستجابة/معدل النجاح/TCO) ضمن إجراءات منصة واحدة.
يوجد حالياً في كوريا الجنوبية أكثر من 300 شركة تقدم خدمات نماذج الذكاء الاصطناعي، إلا أن
كليفاي هي الوحيدة التي تستطيع تقديم الخدمات داخل الموقع وعبر السحابة في الوقت نفسه من خلال نموذج أساس مستقل وعالي الأداء.
6. طرق استخدام نماذج اللغة في القطاعات الصناعية
نظراً لأن تبنّي الذكاء الاصطناعي يتطلب استثمارات ضخمة وتحققاً دقيقاً، فمن الضروري فعلياً مقارنة الحلول وتجربتها مباشرة للتأكد من أنها حلول مفيدة للشركات.
- لا تكتفي Clevi ببناء النماذج، بل تقدم حلول ذكاء اصطناعي قابلة للتطبيق في مواقع العمل الصناعية الفعلية.
- على سبيل المثال، تملك قنوات مؤسسية متكاملة تشمل Ivy Chat Platform وClevi API Platform والتخصيص حسب القطاع والاستجابة لمتطلبات الأمان وغيرها.
- كما تمتلك قدرات تقنية يصعب العثور على مثيل لها محليًا أو دوليًا، بما في ذلك الذكاء الاصطناعي الفيزيائي والروبوتات ومعالجة البيانات متعددة الوسائط.
تقدم Clevi حلول ذكاء اصطناعي ملموسة تستخدم الذكاء الاصطناعي كـ«وسيلة» لا «غاية»، وتسهم في تحسين كفاءة العمل الفعلية والابتكار الصناعي.اختبروا بأنفسكم تميّز نموذج الأساس الحقيقي المبني من الصفر.
للاستفسارات وطلبات العرض التوضيحي: [email protected]
حقوق النشر© 2025 Clevi Inc. جميع الحقوق محفوظة.