تعتبر رموز التفكير في الذكاء الاصطناعي واحدة من أهم أجزاء أداء الذكاء الاصطناعي الحديث.
تظهر OpenAI وAnthropic الآن التبادل بشكل أوضح من قبل. تمتلك OpenAI `reasoning.effort`. وقد قامت Anthropic بتوسيع التفكير و`budget_tokens`. تشير كلا التحكمات إلى نفس النمط: في المهام الصعبة، غالبًا ما تأتي النتائج الأفضل من إعطاء النموذج المزيد من المساحة للتفكير.
هذا مفيد في البرمجة، البحث، التخطيط، الرياضيات، وتدفقات عمل الوكلاء. كما يعني أن صناعة الذكاء الاصطناعي تنقل المزيد من العمل إلى وقت الاستدلال. المزيد من رموز التفكير تعني المزيد من وقت المعجل، المزيد من التبريد، المزيد من سعة مراكز البيانات، والمزيد من الكهرباء.
قرائتي بسيطة: سباق النماذج يتحول إلى سباق للبنية التحتية.
ما هي رموز التفكير في الذكاء الاصطناعي؟
رموز التفكير في الذكاء الاصطناعي هي الرموز التي ينفقها النموذج أثناء العمل على مشكلة قبل أو بالتزامن مع الإجابة النهائية. قد يكون بعض هذا العمل مخفيًا عن المستخدم. لا ترى دائمًا نص التفكير، لكن المزود لا يزال مضطرًا لتشغيل الحساب.
تقول وثائق التفكير الخاصة بـ OpenAI إن `reasoning.effort` تتحكم في مقدار التفكير الذي يقوم به النموذج. تفضل الجهود المنخفضة السرعة وعدد أقل من الرموز. يمكن أن تنتج الجهود الأعلى إجابات أكثر اكتمالًا في المهام المعقدة. تشرح OpenAI أيضًا أن نماذج التفكير يمكن أن تستخدم رموز التفكير المخفية بالإضافة إلى رموز الإدخال والإخراج المرئية.
تصف Anthropic نفس فئة التبادل مع التفكير الممتد لـ Claude. تقول وثائقها إن `budget_tokens` تحدد الحد الأقصى لعدد الرموز التي يمكن أن يستخدمها Claude للتفكير الداخلي. يمكن أن تحسن الميزانيات الأكبر جودة الاستجابة في المشكلات المعقدة، على الرغم من أن النموذج قد لا ينفق الميزانية الكاملة وقد تتسطح المكاسب في النطاقات الأعلى.
التمييز المهم هو هذا: الإجابات النهائية الأطول ليست الهدف. الهدف هو تحسين التفكير الوسيط.
لماذا يمكن أن تؤدي المزيد من الرموز إلى نتائج أفضل في الذكاء الاصطناعي
تحسن نماذج التفكير عندما يكون لديها ميزانية كافية لفحص المهمة، واختبار الإجابات المحتملة، وتصحيح الأخطاء، واستخدام الأدوات دون تسرع. يمكن أن تعمل ميزانية الرموز الصغيرة مع المطالبات البسيطة. غالبًا ما تفشل عندما تحتوي الأعمال على تبعيات مخفية.
أرى هذا بوضوح في وكلاء البرمجة. يمكن أن يمرر تمرير سريع رخيص اسم متغير أو يشرح دالة صغيرة. لكن نفس الوضع يواجه صعوبة عندما تحتاج المهمة إلى سياق المستودع، والاختبارات، والتحقق من المتصفح، وقيود النشر، وقرار بشأن ما يجب عدم لمسه.
يحتاج النموذج إلى ميزانية للقيام بالأجزاء المملة بشكل جيد:
تستهلك تلك التدفقات الرموز. كما أنها تنتج برمجيات أفضل من تخمين سريع.
كتبت عن ذلك من تجربتي الخاصة في وكلاء البرمجة بعد 21.54 مليار رمز→. كانت الدرس المفيد هو أن نموذجًا واحدًا لا يصلح لكل شيء. النظام المحيط بالنموذج مهم: السياق، الأدوات، التحقق، الذاكرة، وميزانية كافية لاستخدامها.
OpenAI وAnthropic يحولان الحساب إلى إعداد منتج
تجعل التحكمات الجديدة للنموذج الذكاء يبدو قابلاً للتعديل.
يمكن لمزود الآن تقديم سلوكيات مختلفة من نفس عائلة النموذج: إجابة سريعة، إجابة متوازنة، تفكير عميق، عمل وكيل طويل السياق، أو استخدام أدوات عالية الجهد. قد لا يهتم المستخدم بعدد الرموز الداخلية. لا يزال المنتج مضطرًا لدفع ثمنها.
بالنسبة للبنائين، يغير هذا التوجيه. لا تريد أقصى تفكير في كل طلب.
| نوع المهمة | الافتراضي الأفضل |
|---|---|
| --- | --- |
| التنسيق، الاستخراج، إعادة الكتابة القصيرة | جهد تفكير منخفض |
| البحث العادي، تحرير الشيفرة، تحليل الدعم | جهد تفكير متوسط |
| تغييرات الشيفرة الإنتاجية، المراجعة القانونية، المنطق المالي | جهد تفكير عالي |
| وكلاء متعددون الخطوات مع أدوات والتحقق | تفكير ممتد أو ميزانية تفكير أكبر |
هنا تتقارب OpenAI وAnthropic. يكشفون عن واجهات برمجة تطبيقات مختلفة ولغة منتج، لكن كلاهما يعلم البنائين أن الذكاء ليس إعدادًا ثابتًا. إنه قرار ميزانية.
هذا أيضًا كيف أفكر في توجيه النموذج في قطع مثل OpenAI GPT-5.6 Sol, Terra, and Luna→ و24 ساعة مع Claude Fable 5→. أفضل نموذج ليس دائمًا أكبر نموذج. أفضل مسار هو الذي يتناسب مع المهمة.
مشكلة البنية التحتية وراء رموز التفكير
يجب أن تعمل كل رمز تفكير إضافي في مكان ما.
تقدر الوكالة الدولية للطاقة أن مراكز البيانات استخدمت حوالي 415 تيراوات ساعة من الكهرباء في 2024، حوالي 1.5% من استهلاك الكهرباء العالمي. في حالتها الأساسية، يتضاعف استهلاك الكهرباء لمراكز البيانات العالمية تقريبًا ليصل إلى حوالي 945 تيراوات ساعة بحلول 2030. تشير الوكالة الدولية للطاقة أيضًا إلى الخوادم المعجلة المدفوعة بالذكاء الاصطناعي كواحدة من المحركات الرئيسية للطلب المستقبلي.
التوقيت هو الجزء الصعب. يمكن لشركات الذكاء الاصطناعي شحن تحديث نموذج، وزيادة حدود السياق، أو إضافة وضع تفكير جديد بسرعة. توليد الطاقة، وخطوط النقل، والمحطات الفرعية، وأنظمة التبريد، وتصاريح الأراضي، وتخطيط المياه تتحرك بسرعة مختلفة.
تقدم توقعات Gartner لعام 2026، التي أبلغ عنها Tom’s Hardware، إشارة مفيدة أخرى. تتوقع أن يصل استخدام الكهرباء لمراكز البيانات العالمية إلى 565 تيراوات ساعة في 2026 وفوق 1,200 تيراوات ساعة بحلول 2030. كما تتوقع أن تستخدم الخوادم المحسنة للذكاء الاصطناعي 175 تيراوات ساعة في 2026، ارتفاعًا من حوالي 95 تيراوات ساعة في 2025، وأن تستهلك المزيد من الكهرباء من الخوادم التقليدية بحلول 2027.
تجعل هذه الأرقام قصة الرموز مادية. المزيد من التفكير يعني المزيد من الاستدلال. المزيد من الاستدلال يعني المزيد من وحدات معالجة الرسوميات، رفوف أكثر كثافة، تبريد، وصول إلى الشبكة، وعقود الطاقة.
لماذا تصبح مراكز البيانات والكهرباء هي القيود
تركز المحادثة العامة حول الذكاء الاصطناعي على الشرائح. الشرائح مهمة، لكنها ليست القيود الكاملة.
تحتاج نماذج التفكير على نطاق واسع إلى مجموعة كاملة من البنية التحتية المادية:
يمكن أن يكون النموذج جاهزًا قبل أن تكون الشبكة المحلية جاهزة. يمكن لمزود شراء وحدات معالجة الرسوميات قبل أن يتمكن من تشغيلها بالكثافة التي يريدها. يمكن أن تجذب منطقة استثمارات مراكز البيانات ثم تواجه اختناقات النقل.
لهذا السبب أتوقع بناء الكثير من مراكز البيانات الجديدة للذكاء الاصطناعي. أتوقع أيضًا المزيد من الضغط على إمدادات الكهرباء في المناطق التي تتركز فيها مجموعات الذكاء الاصطناعي ذات النطاق الواسع. لن تكون القيود فقط هي بنية النموذج. ستكون الطاقة، والتبريد، والموقع، والقدرة على توصيل كل شيء بسرعة كافية.
المزيد من رموز التفكير ليست ذكاءً مجانيًا
هناك فخ في هذا الاتجاه.
إذا سمعت الفرق "المزيد من الرموز تعني نتائج أفضل"، فسوف يفرطون في استخدام أوضاع الجهد العالي. هذا يجعل التطبيقات أبطأ وأكثر تكلفة. يمكن أن ينتج أيضًا تجربة مستخدم أسوأ. يشعر النموذج الذي يفكر لفترة طويلة في مهمة بسيطة بأنه معطل.
القاعدة العملية أضيق: تساعد ميزانية التفكير الأكبر عندما تحتوي المهمة على تعقيد مخفي كافٍ.
مرشحات جيدة لميزانيات التفكير الأكبر:
مرشحات سيئة:
المستقبل ليس نموذجًا واحدًا يفكر بأقصى ما يمكن في كل طلب. المستقبل هو أنظمة تقرر متى يكون التفكير بجدية يستحق التكلفة.
رأيي
تجعل رموز التفكير في الذكاء الاصطناعي تبادلًا مخفيًا مرئيًا.
تظهر OpenAI وAnthropic كلاهما للمستخدمين نفس النمط الأساسي: تحتاج المهام الأكثر صعوبة إلى المزيد من حساب وقت الاستدلال. يختبر المطورون ذلك كجهد تفكير، تفكير ممتد، نوافذ سياق، رموز مخفية، وفواتير أعلى. تختبر فرق البنية التحتية ذلك كرفوف، تبريد، طاقة، تصاريح، وسعة الشبكة.
أعتقد أن المنتجات الجادة التالية في الذكاء الاصطناعي ستتعامل مع ميزانية التفكير كموارد نادرة. ستنفقها حيث تكون الأخطاء مكلفة، ويكون التحقق مهمًا، أو تحتاج المهمة إلى تخطيط حقيقي. ستتجنب إهدارها على الطلبات البسيطة.
لن تأتي الذكاء الاصطناعي الأفضل فقط من النماذج الأكبر. ستأتي من تخصيص الحساب بشكل أفضل.
المصادر: