الذكاء الاصطناعي الذي يحسّن الذكاء الاصطناعي يعمل الآن على بطاقة RTX 4090 واحدة

قضى التحسين الذاتي التكراري عقودًا بصفته أكثر أفكار الذكاء الاصطناعي تخمينًا، الفكرة التي تظهر في المقالات التشاؤمية والخيال العلمي. حوّلته FrontisAI للتو إلى مستودع على GitHub. تصف ورقة المختبر، المقدَّمة في 30 يوليو، منصة OpenMLE، وهي بنية مفتوحة للأنظمة التي تحسّن طريقة بناء الذكاء الاصطناعي نفسه، وFrontis-MA1، نموذجًا بحجم 35 مليار معامل مُدرَّبًا على تشغيلها. وسجّلت صفحة المشروع 161 صوتًا مؤيدًا على Hugging Face.

ما يجعل هذا الإعلان جديرًا بأكثر من نظرة عابرة هو العتاد. جرى تقييم Frontis-MA1 على بطاقة RTX 4090 واحدة بسقف 12 جيجابايت من ذاكرة الفيديو، بميزانية 12 ساعة لكل مهمة. في معيار MLE-Bench Lite، معيار هندسة تعلّم الآلة، يسجّل النموذج الأساسي 39.39% في متوسط الميداليات. وبالاقتران مع OpenMLE-Evo، مكوّن البحث، يقفز إلى 60.61%. ومع OpenMLE-Evo-Max، الذي يضيف خبرات سابقة مستقلة عن المعيار وبحثًا غير متزامن، يصل إلى 71.21%.

تتفوّق هذه الأرقام على تركيبة GPT-5.5 + Codex وتقترب من GPT-5.6 Sol وKimi K3، النموذج ذي 2.8 تريليون معامل الذي يفوق Frontis-MA1 حجمًا بعامل 80. الفجوة في القدرة الحاسوبية بين هذه الإعدادات هي القصة الفعلية.

استخدمت جميع عمليات التشغيل ميزانية 12 ساعة لكل مهمة على بطاقة RTX 4090 واحدة بسقف 12 جيجابايت من ذاكرة الفيديو.

أربع عمليات، حلقة واحدة

يعامل التصميم بناء النموذج بوصفه عملية تطورية وليس تمريرة أمامية واحدة. تعرّف FrontisAI أربع عمليات ذرّية: الصياغة (Draft)، والتحسين (Improve)، وتصحيح الأخطاء (Debug)، والتهجين (Crossover). يخضع Frontis-MA1 لتدريب لاحق لتنفيذ هذه العمليات استنادًا إلى التغذية الراجعة للتنفيذ، باستخدام الضبط الدقيق الموجه والتعلم المعزز على بيانات أُزيل تكرارها مقابل معايير التقييم. في زمن الاستدلال، تتآلف العمليات نفسها لتشكيل بحث بعيد الأفق: يقترح النظام مرشحين، ويحوّرهم، ويصلح إخفاقاتهم، ويعيد دمج ما ينجح. تسمي الورقة النتيجة "اقتران التعلم والتطور في حلقة واحدة".

تبقى البنية سهلة القراءة، وهذا أمر مهم. يمكن أن تكون أنظمة "AI4AI"، أي الأنظمة التي تحسّن عملية بناء الذكاء الاصطناعي، غامضة إلى حد عدم الجدوى. هنا تتبلور في أربع عمليات مسماة وحلقة بحث يمكن لأي شخص فحصها وإعادة إنتاجها. هذه هي المساهمة الحقيقية، بصرف النظر عن أي نتيجة منفردة.

نتائج النقل والتفاصيل الدقيقة

تفصيلان يمنعان النتيجة من أن تشبه الحظ في المعيار. على NatureBench Lite المستبعد من التدريب، يعمّم المكوّنان كلٌّ على حدة. مع تثبيت الإطار، يؤدي استبدال النموذج المدرَّب إلى رفع Match-SOTA من 50% إلى 70%. ومع تثبيت النموذج، يؤدي استبدال OpenMLE-Evo إلى رفعه من 20% إلى 50%. البيانات المستبعدة تعني أن لا شيء من هذا كان جزءًا من التدريب، وهو الحد الأدنى لتصديق أيٍّ منه.

التحفظات ملموسة بنفس القدر. كلا المعيارين هما نسختا Lite، نسختان مبتورتان من مجموعات أكبر. يصف كل رقم إعدادًا واحدًا مقيدًا: بطاقة رسوميات واحدة، وسقف 12 ساعة لكل مهمة. المقارنات ضد GPT-5.5 + Codex وGPT-5.6 Sol وKimi K3 هي ادعاءات الورقة نفسها، ولا يذكر الملخص كيف أُعدّت تلك الأنظمة أو شُغّلت. لم يحدث التحقق المستقل بعد. تعاملوا مع النسب المئوية بوصفها تقرير مختبر، لا حكمًا مستقلًا.

السؤال المفتوح

بالنسبة إلى نظام يهدف إلى التحسين الذاتي التكراري، السؤال هو ما إذا كانت الحلقة تتراكم. تُظهر هذه النتائج نموذجًا مدرَّبًا يستخدم التطور لحل مهام هندسة تعلّم الآلة بشكل أفضل من نموذجه الأساسي. وهي لا تُظهر Frontis-MA1 يُنتج خلفًا يتفوّق عليه، وهو ما يتطلّبه التحسين الذاتي التكراري في نهاية المطاف. عنوان الورقة يقول "نحو"، وهذه الكلمة تحمل الثقل.

ما يغيّره الإصدار هو مَن يحق له طرح السؤال. أوزان النموذج ومنصة OpenMLE الكاملة على GitHub. لم يعد بحث RSI محصورًا في مختبرات الحدود والأوراق البيضاء للسياسات؛ إنه الآن تجربة يمكن لأي شخص يملك بطاقة رسوميات قادرة تشغيلها، بمعيار محدد ومواصفات عتاد معلنة. ما إذا كان المجال بحاجة إلى ذلك حجة منفصلة. حقيقة أنه أصبح ممكنًا الآن هي الخبر.