الإجاباتمنشور13 المصادر
رهان تونغيان لينغتشي: أن يتعلّم الذكاء الاصطناعي خبراتك لا أن يتذكّرها فقط
تقترح تونغيان لينغتشي إضافة المهارات الشخصية إلى معايير نموذج خفيفة فوق نموذج أساسي مشترك، بدلاً من الاعتماد على التعليمات أو المعلومات المسترجعة وحدها. تهدف تقنية TIP إلى مشاركة موارد وحدات معالجة الرسوميات بين التدريب والاستدلال، فيما صُممت Paged LoRA لإدارة عدد كبير من المعايير الشخصية بمرونة أكبر.
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- تقترح تونغيان لينغتشي إضافة المهارات الشخصية إلى معايير نموذج خفيفة فوق نموذج أساسي مشترك، بدلاً من الاعتماد على التعليمات أو المعلومات المسترجعة وحدها.
- تهدف تقنية TIP إلى مشاركة موارد وحدات معالجة الرسوميات بين التدريب والاستدلال، فيما صُممت Paged LoRA لإدارة عدد كبير من المعايير الشخصية بمرونة أكبر.
- التقارير تدعم توجّه الشركة، لكنها لا تثبت اكتمال حلقة تعلّم ذاتية آلية أو تكشف أرقاماً كافية للحكم على نتائج اختبار الأداء المذكور.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Tongyan Lingzhi, incubated by the Beijing Institute for General Artificial Intelligence’s industry platform, developing personal AI t. Article summary: Tongyan Lingzhi’s stated approach is to turn accumulated professional knowledge and experience into lightweight, personalized model parameters on top of a shared foundation model, rather than relying exclusively on infor. Topic tags: general, documentation, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
تراهن شركة تونغيان لينغتشي على أن الذكاء الاصطناعي الشخصي يمكن أن يتجاوز تذكّر معلومات المستخدم، ليكتسب مع الوقت خبرة تخصّ شخصاً أو مشروعاً أو مؤسسة. الفكرة هي إضافة معايير شخصية خفيفة إلى نموذج أساسي مشترك، بحيث تصبح بعض الخبرات المهنية جزءاً من قدرة النموذج نفسه. لكن ما نشرته الشركة والتقارير عنها يصف توجهاً تقنياً، ولا يثبت أن دورة التعلّم كاملة أو جميع ضماناتها تعمل بالفعل في الإنتاج.2
3
من تذكّر المعلومات إلى تعلّم الخبرة
تخصّص كثير من أنظمة الذكاء الاصطناعي إجاباتها عبر تزويد النموذج بسياق وقت الاستخدام، مثل التعليمات أو المعلومات المسترجعة أو البيانات المحفوظة. أما هدف تونغيان لينغتشي المعلن فيذهب خطوة أبعد: تدريب مخصّص يحوّل بعض الخبرات المتراكمة إلى معايير في النموذج.
يقوم التصور على فصل القدرات العامة عن التخصيص. يوفّر النموذج الأساسي (Base Model) القدرات العامة، فيما تحمل المعايير الشخصية (Personal Parameters) ما يخص مستخدماً أو مشروعاً أو دوراً وظيفياً أو مؤسسة. ووفق التغطيات، تستند هذه المعايير إلى وحدات تكييف خفيفة من نوع Personal LoRA، بدلاً من تدريب نموذج أساسي كامل من الصفر لكل مستخدم.2
3
جوهر الفكرة أن يقدّم النموذج الأساسي المعرفة العامة، فيما تضيف المعايير الشخصية الخبرة المتخصصة المتراكمة. لكن التقارير المتاحة لا تشرح كيف ستُنقل هذه الوحدات أو يعاد تدريبها والتحقق منها عند تغيير النموذج الأساسي. لذلك لا يوجد ما يثبت أن المعايير الشخصية ستظل متوافقة تلقائياً مع تحديثات النموذج.2
3
حلقة التعلّم المستمر: طموح لم تتضح تفاصيله بعد
تصف الشركة هدفها بأنه الانتقال من حفظ المعلومات إلى تحديد الخبرات التي تستحق أن تتحول إلى قدرة دائمة في النموذج. وبهذا المعنى، تحتفظ الذاكرة بالمعلومات، ويستحضر الاسترجاع معرفة خارجية، بينما يسعى التخصيص على مستوى المعايير إلى ترسيخ الخبرة المتكررة أو أسلوب التقدير المهني.
وتطرح الشركة طموحاً أوسع تسميه الذكاء الاصطناعي الشخصي المتحسن ذاتياً بصورة تكرارية (Recursive Self-Improving Personal AI)، أي أن تتطور القدرات الشخصية مع الاستخدام.3 لكن ما توفر من تغطية لا يثبت وجود آلية آلية مكتملة تجمع سجلات المهام وتصحيحات البشر ونتائج العمل، ثم تبني أدوات تقييم خاصة بكل مستخدم، وتستخلص أنماطاً موثوقة من التغذية الراجعة، وتحدّث المعايير وتختبرها أو تتراجع عنها عند ظهور أخطاء.
وهنا فارق مهم: شرح استراتيجية للتعلّم لا يعني أن نظاماً كاملاً قد نُفّذ. ما تدعمه التقارير هو طموح لإدخال الخبرات المهنية وسير العمل في قدرات نموذج تتطور بمرور الوقت؛ أما مدى أتمتة كل خطوة أو جاهزيتها للاستخدام الإنتاجي، فلا يزال غير واضح.3
TIP وPaged LoRA: بنية تحتية لتقليل كلفة التخصيص
يطرح التخصيص المستمر تحدياً تشغيلياً: كيف يمكن تحديث المعايير مع استمرار تقديم الخدمة، وإدارة عدد كبير منها من دون تخصيص نموذج كامل لكل مستخدم؟
TIP، أي التوازي بين التدريب والاستدلال (training-inference parallelism)، تستهدف تنسيق هذه العمليات. وتصف التقارير تقنيات تشمل مشاركة وحدات معالجة الرسوميات بين التدريب والاستدلال، وتشغيلهما ضمن الدفعات نفسها، وتجميع التدرجات بصورة غير متزامنة، والتبديل السريع بين دوري التدريب والاستدلال. والهدف المعلن هو الاستفادة من الموارد المتاحة لتحديث وحدات Personal LoRA تدريجياً مع استمرار الخدمة، بدلاً من الحاجة إلى حوض موارد منفصل للتدريب.4
أما Paged LoRA فتعالج إدارة ذاكرة الوحدات الشخصية. ويعتمد التصميم الموصوف على إدارة الذاكرة بأسلوب الصفحات وربط الوحدات عند الحاجة، بحيث تتشارك وحدات Personal LoRA متعددة النموذج الأساسي وموارد وحدات معالجة الرسوميات بمرونة أكبر.4 هذه أهداف للكفاءة، لا دليل على أن آلاف الوحدات التي تتعلم باستمرار تعمل بالفعل بكلفة مجدية في بيئة إنتاجية. كما أن الحديث عن مئات الأدوار وآلاف الوكلاء يصف حجم العمل الذي تسعى هذه التقنيات إلى خدمته، لا نتيجة نشر مؤكدة.
ماذا يقول اختبار Qwen2.5، وماذا لا يقول؟
تصف إحدى التقارير اختباراً مرحلياً يقارن بين Paged LoRA ونمط LoRA التقليدي، باستخدام Qwen2.5-72B-Instruct على ثماني وحدات Nvidia H800، مع ميزانية ذاكرة قدرها 5.79 غيغابايت لوحدات التكييف. يوضح ذلك إعداد الاختبار المعلن، لكن المقتطف المتاح لا يعرض أرقاماً مقارنة لزمن الاستجابة أو نتائج زمن الاستجابة عند النسب المئوية العليا. كما لا يتيح التحقق من فروق الأداء عند مستويات حركة الاستخدام المطروحة.
وحتى لو توفرت نتائج كاملة لاختبار تقديم الخدمة، فستجيب عن جانب واحد فقط. قد تساعد في تقدير كفاءة تشغيل الوحدات ضمن ظروف الاختبار، لكنها لا تثبت جودة المهارات التي تعلّمها النموذج، أو استمرار توافقها بعد تغيير النموذج الأساسي، أو أن التحديثات لا تضعف أداءه السابق.
ما الذي نعرفه وما الذي لا يزال مفتوحاً؟
حتى التغطية المنشورة في 22 أكتوبر 2026، تدعم المعلومات المتاحة وجود استراتيجية تجمع نموذجاً أساسياً مشتركاً بمعايير شخصية، وطموحاً للتعلّم المستمر من الخبرات المهنية، وعملٍ على تنسيق التدريب والاستدلال وإدارة ذاكرة وحدات التكييف.3
4
لكن التقارير لا تحدد أي المكونات جاهز للإنتاج، ولا تثبت أن حلقة التحسين الذاتي مؤتمتة بالكامل، أو أن نقل المعايير بين إصدارات النموذج الأساسي والتراجع عن التحديثات التي تسبب تراجعاً في الأداء قد جُرّبا بنجاح.3
4 كذلك، لا تتضمن تفاصيل اختبار Qwen2.5 ما يكفي لإثبات ادعاءات محددة عن زمن الاستجابة أو أدائه في الحالات الطرفية.
وتبقى أسئلة التقييم أساسية: كيف يمكن تمييز إشارات التعلّم المفيدة من التغذية الراجعة الخاطئة أو المضللة؟ وكيف تُختبر التحديثات لرصد تراجع القدرات السابقة أو نسيانها؟ وكيف يقاس التخصيص عندما تتغير احتياجات المستخدم أو يتغير النموذج الأساسي؟ هذه أسئلة مفتوحة، وليست ضمانات ثبت أن الشركة طبقتها.
الخلاصة أن تونغيان لينغتشي طرحت تصوراً لذكاء اصطناعي شخصي يضيف قدرات متخصصة ودائمة إلى معايير نموذج خفيفة، مع بنية تحتية تهدف إلى جعل هذا النهج أكثر عملية. تدعم التقارير اتجاه الشركة، لكنها لا تثبت وجود نظام ذاتي آمن من التراجع في الأداء، ولا التحسن الرقمي المطلوب في نتائج الاختبار.2
3
4
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "رهان تونغيان لينغتشي: أن يتعلّم الذكاء الاصطناعي خبراتك لا أن يتذكّرها فقط"؟
تقترح تونغيان لينغتشي إضافة المهارات الشخصية إلى معايير نموذج خفيفة فوق نموذج أساسي مشترك، بدلاً من الاعتماد على التعليمات أو المعلومات المسترجعة وحدها.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
تقترح تونغيان لينغتشي إضافة المهارات الشخصية إلى معايير نموذج خفيفة فوق نموذج أساسي مشترك، بدلاً من الاعتماد على التعليمات أو المعلومات المسترجعة وحدها. تهدف تقنية TIP إلى مشاركة موارد وحدات معالجة الرسوميات بين التدريب والاستدلال، فيما صُممت Paged LoRA لإدارة عدد كبير من المعايير الشخصية بمرونة أكبر.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
التقارير تدعم توجّه الشركة، لكنها لا تثبت اكتمال حلقة تعلّم ذاتية آلية أو تكشف أرقاماً كافية للحكم على نتائج اختبار الأداء المذكور.