موسسه مدلهای پایه (IFM) مستقر در ابوظبی هفته گذشته K2 Horizon را رونمایی کرد؛ مجموعهای از شش مدل پایه هوش مصنوعی که طیف پارامترهایشان از ۰.۹ میلیارد تا ۳۷۵ میلیارد متغیر کشیده شده است. این موسسه ادعا دارد بزرگترین «ناوگان کاملاً باز» مدلهای هوش مصنوعی را در اختیار توسعهدهندگان قرار داده، اما جامعه فنی همچنان در مورد عمق و صدق این باز بودن تردیدهای جدی دارد.
تعریف IFM از «باز بودن کامل» فراتر از وزنهای مدل است
باز بودن در واژگان IFM تنها به معنای دانلود وزنها (model weights) نیست. برای هر یک از مدلهای K2 Horizon، موسسه متعهد شده است که موارد زیر را به صورت شفاف منتشر کند:
- کدهای کامل آموزش و ارزیابی
- دادههای آموزشی (در صورت امکان بازتوزیع) یا دستورالعملهای دقیق ساخت دادهها
- پیکربندیها، لاگهای آموزشی و چکپوینتهای میانی
- معماری، ترکیب دادهها (mixture compositions) و نتایج ارزیابی
هدف اعلام شده، امکان بازبینی، بازتولید (reproduce) و انطباق فرآیند توسعه برای کاربردهای اختصاصی محققان و مهندسهاست. اریک زینگ، بنیانگذار IFM و استاد دانشگاه محمد بن زاید هوش مصنوعی (MBZUAI) تأکید میکند: «علم زمانی کار میکند که دیگران بتوانند دادهها را ببینند، روش را دنبال کنند، نتیجه را بازتولید کنند و بر آن بهبود بخشند. K2 Horizon بر این نیاز اساسی پاسخ میدهد.»
واقعیت روز اول: همه مصنوعات در دسترس نبودند
با وجود شعارهای بلند، سطح باز بودن در لحظه انتشار یکسان نبود. تنها مدلهای ۳.۷ میلیاردی و ۷ میلیاردی با مجموعه کامل مصنوعات (artifacts) — شامل وزنها، دستورالعملها، کدهای آموزش و دادهها — عرضه شدند. وضعیت بقیه مدلها به شرح زیر است:
- مدل ۰.۹ میلیاردی: دادهها و کدهای آموزش هنوز منتشر نشدهاند.
- مدل ۳۲ میلیاردی (Dense): تنها یک چکپوینت مرحله ۱ منتشر شده؛ مدل نهایی و مصنوعات باقیمانده در راه است.
- مدل ۳۶ میلیاردی-A4B (Sparse) و ۳۷۵ میلیاردی-A23B (Mixture of Experts): وزنهای نهایی موجود است، اما کدهای کامل آموزش، دادههای خام و چکپوینتهای میانی برای بهروزرسانیهای بعدی تنها «وعده داده شدهاند».
این ناهمگامی باعث شده تا بسیاری از مهندسین یادگیری ماشین بپرسند: «آیا این باز بودنِ تدریجی، باز بودنِ واقعی است؟»
معماری مشترک و مسیریابی پویا
شش مدل K2 Horizon یک معماری هسته، واژگان (به جز مدل ۰.۹B که واژگان کوچکتری دارد)، متدولوژی آموزش، اینترفیسها و ابزارهای استقرار را به اشتراک میگذارند. IFM تکنیک «مسیریابی مدل پویا» (dynamic model routing) را معرفی کرده که وظایف را به مدل کارآمدترین از نظر هزینه هدایت میکند و مسیری یکپارچه از نمونهسازی (prototyping) تا تولید (production) فراهم میآورد.
| مدل | نوع | کاربرد هدف | وضعیت انتشار |
|---|---|---|---|
| 0.9B | Dense | ساعتهای هوشمند، عینکهای هوشمند | فقط وزنها؛ داده/کد بعداً |
| 3.7B | Dense | موبایل، روی دستگاه (on-device) | کامل (وزن، داده، کد، لاگ) |
| 7B | Dense | موبایل، روی دستگاه | کامل (وزن، داده، کد، لاگ) |
| 32B | Dense | میزبانی محلی، سرورهای داخلی | چکپوینت مرحله ۱؛ نهایی در راه |
| 36B-A4B | MoE (Sparse) | میزبانی محلی، سرورهای داخلی | وزن نهایی؛ کد/داده/چکپوینت بعداً |
| 375B-A23B | MoE (Flagship) | استقرارهای سازمانی پرسشکننده | وزن نهایی؛ کد/داده/چکپوینت بعداً |
نگاه کارشناسان: ردیابی استدلال و بازتولیدپذیری واقعی
نیتیش گارگ، بنیانگذار و مدیرعامل CellCog، در تحلیلی از فرآیندهای آموزش K2 Horizon تأکید میکند که اگر «ردیابیهای استدلال» (reasoning traces) و لولهکشهای تولید دادههای مصنوعی به طور کامل قابل بازتولید (reproducible) نباشند، مهندسین هوش مصنوعی تحت تأثیر قرار نخواهند گرفت. او میگوید: «ردیابیهای استدلال برای بازسازی چگونگی تفکر مدل حیاتی هستند. بدون دسترسی کامل به آنها، ادعای باز بودنِ کامل، تنها یک شعار بازاریابی باقی میماند.»
چرا باز بودنِ کامل برای علم هوش مصنوعی حیاتی است؟
تفاوت بین «باز بودن وزنها» (open weights) و «علم باز» (open science) در جامعه پژوهشگران هوش مصنوعی بحثی داغ است. مدلهایی مانند Llama 3.1 یا Mixtral 8x22B وزنهای خود را باز کردهاند، اما دادههای آموزشی، کدهای پیشپردازش و چکپوینتهای میانی را منتشر نکردهاند. این موضوع بازتولید نتایج و حسابرسی مستقل را دشوار، گاهی غیرممکن میکند.
IFM با K2 Horizon تلاش کرده تا این شکاف را پر کند، اما انتشار مراحلهای (staged release) مصنوعات، سوالی بنیادین را مطرح میکند: آیا شفافیت میتواند تدریجی باشد، یا باید از روز اول و برای همه مدلها برقرار باشد؟
آیا K2 Horizon میتواند استاندارد جدیدی برای مدلهای باز باشد؟
پاسخ به این سوال بستگی دارد به اینکه IFM چقدر سریع متعهدات خود را برای مدلهای ۰.۹B، ۳۲B، ۳۶B-A4B و ۳۷۵B-A23B محقق کند. اگر دادههای آموزشی، کدهای کامل و چکپوینتهای میانی به صورت زمانبندیشده، مستند شده و بدون موانع قانونی منتشر شوند، K2 Horizon میتواند مرجعی برای مدلهای منبعباز باشد که فراتر از وزنها میرود. اما اگر تأخیرها طولانی شود یا مستندات ناقص بماند، توسعهدهندگان احتمالاً به سراغ گزینههایی خواهند رفت که اکوسیستم بازتولیدپذیر کاملتری ارائه میدهند.
در حال حاضر، پیامد کلیدی این است: K2 Horizon گامی جسورانه در جهت شفافیت است، اما قضاوت نهایی جامعه فنی، نه بر اساس شعارها، بلکه بر اساس تحویل کامل و در زمان مصنوعات سپرده شده است.
