أخبار ar.wedoany.com، في السادس من يونيو، وخلال مؤتمر تطبيقات الذكاء الاصطناعي السحابي لعام 2026 لشركة تينسنت، أجرى تانغ داوشينغ، النائب التنفيذي الأول لرئيس مجموعة تينسنت، حوارًا مع ياو شونيو، كبير علماء الذكاء الاصطناعي في تينسنت. وعند سؤاله عن أسباب انضمامه إلى تينسنت وكيفية فهمه لـ"المرحلة الحاسمة القادمة للذكاء الاصطناعي"، أوضح ياو شونيو أن منهجيات الذكاء الاصطناعي أصبحت أكثر نضجًا، وأن التحدي الحقيقي يكمن في إيجاد المشكلات الجيدة التي تستحق الحل؛ وأضاف أن تينسنت تمتلك عددًا كبيرًا من هذه المشكلات الجيدة والمنتجات المتميزة، وهو ما كان أحد الأسباب الرئيسية لاختياره الانضمام إليها.
لا يقتصر جوهر هذا الحوار على تفسير بسيط لتنقل الكفاءات، بل يتعلق بكيفية إعادة تعريف تينسنت للقدرات التنظيمية اللازمة بعد دخول النماذج الكبيرة مرحلة التطبيقات الصناعية. في الجولة السابقة من المنافسة في مجال الذكاء الاصطناعي، كان تركيز الصناعة منصبًا بشكل كبير على معايير النموذج، وحجم التدريب، ونتائج التصنيفات، وتكاليف الاستدلال، والقدرات المنفردة، مما دفع الشركات إلى المقارنة بشكل أساسي حول "ما إذا كان النموذج قادرًا على تحقيق ذلك". أما منطق "المشكلات الجيدة" الذي طرحه ياو شونيو، فإنه يحول زاوية الرؤية من قدرات النموذج بحد ذاتها إلى سيناريوهات التطبيق الفعلية: فمع تزايد نضج أساليب مثل التدريب المسبق، والتدريب اللاحق، وأطر العمل للوكلاء الأذكياء، واستدعاء الأدوات، لم يعد التحدي الذي يواجه الفرق التقنية يقتصر على البحث عن خوارزمية أقوى، بل أصبح يتمثل في تحديد أي من احتياجات المستخدمين، وعمليات الأعمال، وسيناريوهات المنتجات تستحق حقًا إعادة البناء باستخدام الذكاء الاصطناعي. تكمن خصوصية تينسنت في تنوع خطوط منتجاتها الذي يغطي العديد من السيناريوهات عالية التكرار مثل التواصل الاجتماعي، والمحتوى، والألعاب، والعمل المكتبي، والخدمات السحابية، والتكنولوجيا المالية، والإنترنت الصناعي. تحتوي هذه السيناريوهات على تفاعلات هائلة مع المستخدمين، وعمليات مؤسسية معقدة، بالإضافة إلى عدد كبير من تجارب المنتجات التي تتطلب صقلًا طويل الأمد. بالنسبة لفرق الذكاء الاصطناعي، فإن هذا النوع من المشكلات أقرب إلى جوهر المنافسة في المرحلة القادمة من المؤشرات التقنية المجردة: فلكي تدخل قدرات النموذج إلى المنتج، يجب إيجاد حلقة مغلقة تتضمن مهام محددة، وبيانات حقيقية، وتغذية راجعة مستقرة، وتكرارًا مستدامًا.
كما أشار ياو شونيو إلى أن تينسنت، بشكل عام، هي شركة تعمل بناءً على "الثقة" وليس فقط على "المؤشرات"، وأن هذه الثقافة مهمة جدًا لبناء منظمة ذكاء اصطناعي ذات منظور طويل الأمد.
يتوافق هذا التقييم مع تناقض واقعي في بناء مؤسسات الذكاء الاصطناعي. فالمؤشرات قصيرة الأمد يمكنها دفع إطلاق النماذج، وإطلاق المنتجات، ونمو البيانات بسرعة، لكن الأبحاث والتطوير المتطورة في الذكاء الاصطناعي غالبًا ما تتطلب دورات زمنية أطول، وتحتاج إلى السماح بالاستكشاف، والتجربة والخطأ، والتعاون عبر الفرق. خاصة في مراحل إعادة بناء الوكلاء الأذكياء، والنماذج الأساسية، والبنية التحتية للذكاء الاصطناعي، والمنتجات المعقدة، فإن العديد من الإنجازات الرئيسية لا تظهر فورًا كزيادة في مؤشر واحد، بل تتجلى في تراكم القدرات الأساسية، وتحسين تجربة المنتج، واستقرار الأنظمة الهندسية، والتكيف مع السيناريوهات طويلة الأمد. إذا كانت المؤسسة تدور فقط حول حجم الاستدعاء الفوري، أو درجات التصنيف، أو تحويل حركة المرور، فإن فرق الذكاء الاصطناعي قد تقع في فخ السعي وراء الحلول المثلى المحلية؛ أما إذا أمكن، في ظل توجيه واضح، منح فرق البحث والمنتجات درجة أعلى من الثقة، فسيكون من المرجح أكثر صقل النموذج، والمنتج، والبيانات، وتغذية المستخدم الراجعة في نفس النظام طويل الأمد. إن تينسنت، في سعيها الحالي لتطوير نموذج هونيوان الكبير، ومجموعة أدوات الوكلاء الأذكياء، والبنية التحتية للذكاء الاصطناعي، والتطبيقات الصناعية، تحتاج تحديدًا إلى هذه القدرة التنظيمية القائمة على "التصميم المشترك للنموذج والمنتج"، بحيث لا ينفصل البحث والتطوير التقني عن السيناريوهات الحقيقية، وتتمكن فرق المنتجات من فهم حدود قدرات النموذج.
يوضح طرح ياو شونيو لـ"المرحلة الحاسمة القادمة للذكاء الاصطناعي" أيضًا أن صناعة النماذج الكبيرة تنتقل من مرحلة الانفجار التقني إلى مرحلة اختيار المشكلات. ففي المستقبل، قد لا تعتمد المنافسة فقط على من يمتلك أقوى نموذج لمرة واحدة، بل على من يستطيع باستمرار إيجاد مشكلات عالية القيمة، ودمج قدرات النموذج في المنتجات التي يستخدمها المستخدمون يوميًا. بالنسبة لتينسنت، هذا يعني أن الذكاء الاصطناعي ليس مجرد خدمات سحابية، أو منصة نماذج، أو منتجات وكلاء أذكياء جديدة، بل يجب أن يدخل تدريجيًا في مجالات التواصل الاجتماعي، وإنتاج المحتوى، والتعاون المكتبي، وتطوير الألعاب، والخدمات المؤسسية، والعمليات الصناعية. كلما زادت المشكلات الجيدة، زادت ثراء التغذية الراجعة لتكرار النموذج؛ وكلما زادت المنتجات الجيدة، أصبح مسار تطبيق قدرات الذكاء الاصطناعي أكثر وضوحًا.
ستركز الملاحظات اللاحقة على ما إذا كانت تينسنت قادرة على تحويل "المشكلات الجيدة" التي تحدث عنها ياو شونيو إلى نتائج منتجات قابلة للتوسع. ستختبر المنافسة في المرحلة الحاسمة القادمة للذكاء الاصطناعي صبر المؤسسات، وفهمها للمنتجات، وقدراتها الهندسية، وكثافة السيناريوهات. ومن يستطيع دمج القدرات التقنية في المنتجات عالية التكرار والعمليات الصناعية المعقدة، سيكون لديه فرصة أكبر لدفع النماذج الكبيرة من مجرد عرض للقدرات إلى قوة إنتاجية حقيقية.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com
