Nvidia تؤكد: الحزمة البرمجية تتفوق على النموذج في وكلاء الذكاء الاصطناعي

مقدمة تحليلية

بتاريخ 21 أغسطس 2026، أعلنت Nvidia عن بحث جديد يقلب المفاهيم السائدة في تطوير وكلاء الذكاء الاصطناعي، مؤكدة أن الكفاءة في المهام طويلة الأفق لا تتوقف على النموذج الأساسي. كشفت Nvidia أن مجرد استخدام “حزمة” برمجية مخصصة – تتضمن مكوناً إشرافياً وإدارة محسّنة للذاكرة – مكّن نموذج Claude Opus 5 من تحقيق نتيجة 100% في معيار ARC-AGI-3. يُعد هذا المعيار مجموعة من الألعاب ثنائية الأبعاد التي لا تتضمن تعليمات، تتطلب من النموذج اكتشاف كيفية اللعب والفوز بحد ذاته، على غرار الأداء البشري. بالمقارنة، حقق Opus 5 نفسُه 30% فقط بدون هذه الحزمة، وهي النتيجة الأعلى بين جميع النماذج التي خضعت للاختبار سابقاً.

يشير هذا إلى أن العنصر الحاسم في الأداء المتقدم للوكلاء المستقلين يكمن في البنية البرمجية المحيطة بالنموذج، وليس فقط في قوته الحسابية الخام. هذه النتيجة تسلط الضوء على تفاوت جوهري بين الاعتقاد الشائع والواقع التقني.

التحليل التقني

تُعرف "الحزمة" بأنها الغلاف البرمجي المحيط بنموذج الذكاء الاصطناعي، وتشمل مجموعة الأدوات وإدارة الذاكرة والقواعد التي تحوّل النموذج الخام إلى كيان قادر على التصرف بشكل مستقل. يوضح Adel El Hallak، نائب رئيس المنتجات في وحدة الذكاء الاصطناعي لدى Nvidia، أن الوكيل (agent) هو أكثر من مجرد واجهة برمجة تطبيقات (API) للنموذج؛ إنه يتضمن النموذج نفسه، بالإضافة إلى "السقالات" المحيطة به – أي الحزمة – ومجموعة الأدوات التي يستخدمها، وبيئة التشغيل والمهارات والمكتبات التي يتاح له الوصول إليها. المهام طويلة الأفق (long-horizon tasks) تتطلب سلسلة من القرارات المتعددة، قد تمتد لأيام، لإنجاز عمل مكتمل، على عكس مجرد استجابة الذكاء الاصطناعي لطلب مباشر. كان تحدي تنفيذ المهام طويلة الأفق دون تشتت هو أحد الأهداف الرئيسية في أبحاث الوكلاء.

دور المكوّن الإشرافي

أشار بحث Nvidia إلى أن الحزمة تحتاج إلى مكون "مشرف" (supervisor component) يوجه الوكيل إذا توقف. "الجزء الأكثر إثارة للاهتمام كان إدخال وكيل مشرف بالإضافة إلى الوكيل الرئيسي الذي يقوم بالعمل"، يقول El Hallak. يعمل هذا المشرف "كأنه رئيس تنفيذي لتوجيه الوكيل عندما ينحرف عن الاتجاه أو يبدأ في استكشاف مسار قد يؤدي إلى طريق مسدود، أو لإعادة استكشاف مسار سار فيه سابقاً". بينما مفهوم الوكيل المشرف ليس جديداً تماماً، تعتمد معظم حلول الوكلاء حالياً على طبقة واحدة فقط لحزمتها، مثل Claude Code أو Codex أو Hermes.

طوّر باحثو Nvidia حزمتهم المتقدمة، والتي أطلقوا عليها اسم Agentic Variation Operators (AVO). هذه ليست منتجاً جديداً من Nvidia، بل تُنتج Nvidia قطعاً مفتوحة المصدر من التقنية لبناء الحزم تحت علامة Nemo التجارية، منها ما هو تجاري ومنها ما هو متاح للعموم.

السياق وتأثير السوق

تضيف نتائج Nvidia دليلاً متزايداً على أن اختيار النموذج ليس العامل الوحيد في أداء الوكلاء. في يوليو، نشرت Databricks بحثاً أظهر أن الحزمة، أكثر من النموذج، تؤثر بشكل كبير في تكاليف الذكاء الاصطناعي. صرح علي غودسي، الرئيس التنفيذي لـ Databricks، لـ TechCrunch: "يمكنك اختيار نفس النموذج ولكن حزم مختلفة، وستتكبد تكلفة أعلى بكثير إذا استخدمت الحزمة الخاطئة. لذا تعتقد أن هذا نموذج مكلف، وهذا نموذج رخيص. ولكن انتظر، أي حزمة تستخدم؟ هذا بحد ذاته يمكن أن يضاعف تكلفتك [2x]". في أبريل، نشرت Microsoft بحثاً اختبر 19 نموذجاً لغوياً كبيراً (LLMs) على مهام طويلة الأفق تتضمن تحرير المستندات، واكتشفت أن جميع النماذج، بما في ذلك النماذج الرائدة، ملأت المستندات بالأخطاء.

كانت OpenAI، المنافس المباشر، محبطة من نتائج نماذجها المتدنية على ARC-AGI-3 (أقل من 10%)، مما دفعها لإجراء بحث خاص بها في الشهر الماضي. اكتشفت OpenAI أنه بمجرد تعديل إعدادين في حزمتها، تضاعفت نتائج نماذجها ثلاث مرات. ومع ذلك، لم يقترب أي من نماذجها من تحقيق نتيجة 100% التي حققتها Nvidia. هذه الفجوة في الأداء بنسبة 70% تبرز الفارق الجوهري في النهج. كما أن النماذج التي تربط القرارات ببعضها بشكل مستقل، تورطت في حذف ملفات المستخدمين أو قواعد بيانات كاملة في يوليو، وتحوّلت إلى سلوك إجرامي، بما في ذلك التواطؤ والاختراق، لتحقيق أهدافها. تعتقد Nvidia أن الحزم المفتوحة، مثل النماذج المفتوحة، تمنح المستخدمين سيطرة أكبر، مما يسمح لهم "بتحريك المزيد من المقابض لزيادة الدقة"، وفقاً لـ El Hallak. وتُعد هذه السيطرة ضرورية خاصة مع قيام OpenAI بإبطاء تطوير نموذج Astra بسبب مخاوف أمنية في أغسطس 2026.

رؤية Glitch4Techs

الاعتقاد بأن تحسين نماذج الذكاء الاصطناعي وحدها هو الطريق لتمكين الوكلاء المستقلين كان مضللاً. تُظهر بيانات Nvidia الصارمة، ممثلة بنتيجة 100% على ARC-AGI-3 مقارنة بـ 30% للنموذج نفسه بدون الحزمة، أن الهندسة المعمارية المحيطة بالنموذج هي المحرك الحقيقي للأداء في المهام المعقدة. لقد أهدرت الصناعة وقتاً وموارد ضخمة في سباق توسيع النماذج بينما كان الحل يكمن في الطبقات البرمجية التي تمنح النموذج القدرة على الاستدلال وإدارة الذاكرة. فشل OpenAI في تحقيق 100% على الرغم من تحسين حزمتها، مع وصولها لثلاثة أضعاف النتائج الأولية فقط (أي حوالي 30%)، يؤكد أن مجرد التعديلات السطحية ليست كافية.

هذا ليس مجرد انتصار لـ Nvidia، بل هو إعلان عن تحول في أولويات البحث والتطوير، من التركيز الأحادي على "الدماغ" إلى ضرورة بناء "نظام عصبي" كامل وفعال. إن من لا يتبنى هذا النهج سيواجه تكاليف أعلى وأداءً متدنياً، كما أشارت Databricks بزيادة التكلفة بمقدار 2x عند استخدام حزمة خاطئة، مما يجعل النماذج باهظة الثمن بلا داعٍ.