
📌یکی از سوالاتی که همیشه در دنیای هوش مصنوعی مطرح میشود، این است که چگونه برخی مدلهای کمتر شناختهشده یا شرکتهای کوچکتر در برخی بنچمارکها از غولهایی مثل GPT-4، Claude یا Grok بهتر عمل میکنند؟ برای بررسی این موضوع، گفتوگویی داشتم با محمدرضا حقیری، یکی از دوستانم که CTO مدل هوش مصنوعی مانی است. او در این زمینه تجربیات زیادی دارد و در توسعه مدلهای هوش مصنوعی فعال است.
📌اندازه شرکت، مقیاس زیرساخت و تعریف «کوچک»
▫️اولین نکتهای که حقیری به آن اشاره کرد این بود که وقتی میگوییم «یک شرکت کوچک» مدل رقابتی ساخته، باید دقیقتر مشخص کنیم که کوچک بودن به چه معناست. در مقایسه با OpenAI یا Meta، بله، این شرکتها کوچک هستند، اما همچنان منابع قابلتوجهی دارند. مثلا شرکتهایی مثل Mistral یا DeepSeek شاید به اندازه OpenAI نباشند، اما همچنان صدها کارت گرافیکی قدرتمند، چندین دیتاسنتر و تیمهای بزرگی دارند که روی مدلها کار میکنند.
تکنیکهای کلیدی که باعث رقابتپذیری مدلهای کوچکتر میشوند رو در زیر آوردم :
📌 معماری بهینه به جای صرفاً مقیاس بزرگ
▫️یکی از نکات کلیدی این است که مدلهای کوچکتر به جای اینکه صرفاً تعداد پارامترها را بالا ببرند، روی بهینهسازی معماری مدل تمرکز میکنند. بسیاری از این شرکتها از معماریهای موجود مثل LLaMA، Command R یا DeepSeek استفاده کرده و روی بهبود آنها کار میکنند. این کار باعث میشود که با هزینه کمتر، مدلهای بهینهتر و سبکتری داشته باشند.
📌 کاهش تعداد پارامترها و افزایش کیفیت داده (Chinchilla Scaling Law)
▫️یک روش دیگر که گوگل با مدل Gemini نشان داد، پیروی از قانون چینچیلا (Chinchilla Scaling Law) است. این قانون میگوید که به جای افزایش صرف تعداد پارامترها، اگر تعداد پارامترها کاهش یابد اما مقدار دادههای آموزشی افزایش یابد، مدل عملکرد بهتری خواهد داشت. مثلا، مدلی با ۹ میلیارد پارامتر میتواند به عملکردی نزدیک به یک مدل ۳۰۰ میلیارد پارامتری برسد، مشروط بر اینکه حجم دادههای باکیفیت افزایش یابد.
📌 استفاده از Distillation برای استخراج دانش از مدلهای بزرگتر
▫️یکی دیگر از تکنیکهای مؤثر، Distillation است. در این روش، یک مدل کوچکتر از مدلهای بزرگتر یاد میگیرد. به این صورت که شرکتها ابتدا یک مدل بزرگ مثل GPT-4 را روی مجموعهای از دادهها اجرا میکنند و از پاسخهای آن برای ساخت یک دیتاست جدید و بهینهشده استفاده میکنند. سپس این دیتاست برای آموزش مدل کوچکتر استفاده میشود. این کار باعث میشود که مدلهای سبکتر بتوانند عملکردی مشابه مدلهای عظیم داشته باشند.
📌 تمرکز بر کاربردهای خاص و شخصیسازی مدل
▫️مدلهای کوچکتر معمولاً برای کاربردهای خاص بهینه میشوند. مثلا، مدلی که برای برنامهنویسی آموزش دیده باشد، ممکن است در این حوزه عملکرد بهتری نسبت به یک مدل عمومی مثل GPT-4 داشته باشد. همین موضوع در بسیاری از کاربردهای دیگر مثل پردازش زبانهای خاص، خلاصهسازی متن یا پاسخدهی به سؤالات تخصصی دیده میشود.
✒️جمعبندی کلی
در نهایت، حقیری تأکید کرد که این مدلهای کوچک که در بنچمارکها موفق ظاهر میشوند، لزوماً مدلهای ساده یا استارتاپهای ضعیف نیستند. بلکه آنها با بهینهسازی معماری، کاهش پارامترها، استفاده از Distillation و تمرکز روی کاربردهای خاص توانستهاند مدلهایی ایجاد کنند که در برخی حوزهها از غولهای هوش مصنوعی پیشی بگیرند .البته این به معنای برتری کلی آنها نسبت به مدلهای عظیم نیست، بلکه نشان میدهد که بهینهسازی و استفاده هوشمندانه از منابع میتواند تأثیر زیادی در عملکرد مدلها داشته باشد