أعلنت شركة Sapient Intelligence عن نموذج HRM – Hierarchical Reasoning Model، وهو أسلوب تفكير على مرحلتين يحاكي طريقة عمل الدماغ: جزء للتخطيط العام وجزء للتنفيذ السريع. النموذج صغير الحجم ونجح في اختبارات المنطق مثل السودوكو والمتاهات ومعيار ARC-AGI مع استهلاك موارد أقل مقارنة بنماذج ضخمة مثل ChatGPT. المصدر العلمي متاح عبر arXiv والكود مفتوح على GitHub.
ما هو HRM؟ وكيف يعمل بأسلوب مبسّط
HRM اختصار لـ Hierarchical Reasoning Model. الفكرة بسيطة:
• مستوى بطيء للتخطيط يضع الهدف والخطوط العريضة للحل.
• مستوى سريع للتنفيذ يطبّق التفاصيل للوصول إلى الإجابة مباشرة.
هذا يشبه طريقة تفكيرنا كبشر. نقرّر أولًا كيف سنحل المشكلة، ثم ننفّذ الخطوات بسرعة. في المقابل، تعتمد نماذج اللغة التقليدية غالبًا على كتابة سلسلة طويلة من الخطوات النصية للوصول للحل.
لماذا يهم HRM في مشهد الذكاء الاصطناعي؟
- كفاءة عالية في الموارد: نموذج صغير يحقق نتائج قوية في مهام التفكير المنطقي.
- استهلاك طاقة أقل: اتجاه نحو ذكاء اصطناعي أكثر استدامة وكفاءة.
- محاكاة طريقة تفكير الدماغ: انتقال من تقليد اللغة إلى تحسين أسلوب الاستدلال نفسه.
- آفاق تطبيقية: قابلية الاستفادة في البحث العلمي والطب والتعليم وحل المشكلات التقنية المعقدة بموارد محدودة.
مثال عملي سريع: HRM مقابل التفكير التسلسلي في ChatGPT
في ألغاز مثل السودوكو:
• قد يحتاج نموذج محادثة تقليدي إلى كتابة سلسلة طويلة من الخطوات للوصول إلى الحل.
• HRM يضع الخطة العامة أولًا ثم يقفز مباشرة إلى النتيجة بخطوات أقل.
الخلاصة هنا هي الفرق بين التفكير الهرمي الذي يخطط ثم ينفّذ، والتفكير التسلسلي الذي يمر عبر خطوات نصية طويلة.
الاتجاه الجديد: نماذج أصغر لكنها أذكى في طريقة التفكير
خلال سنوات مضت، زادت الشركات حجم النماذج مثل GPT وGemini لتحسين الأداء. هذا جاء بتكلفة عالية للطاقة والبنية التحتية. HRM يعكس اتجاهًا مختلفًا يركّز على تصميم أذكى بدلًا من حجم أكبر، وهو ما قد يفتح الباب لابتكارات فعّالة على أجهزة أبسط وميزانيات أقل.
الأثر العملي المحتمل على المستخدمين والقطاعات
- الطب: نماذج صغيرة قادرة على التفكير المنطقي قد تُسرّع التشخيص على أجهزة محدودة.
- التعليم: أدوات قادرة على حل مسائل معقّدة بخطوات واضحة للطلاب.
- البحث العلمي: تقليص زمن التجارب عبر محاكاة أساليب استدلال أقرب للبشر.
تفاصيل الإطلاق والتوفّر
- يونيو 2025: نشر الورقة البحثية على arXiv.
- يوليو 2025: إعلان رسمي وفتح الكود المصدر على GitHub بترخيص Apache-2.0.
- تحليل نقدي: أشار فريق ARC Prize إلى أن جزءًا من النتائج قد يرتبط بأسلوب التدريب إلى جانب البنية الهرمية، ما يستدعي متابعة علمية مستمرة.
توضيح علمي مبسّط: لماذا يوصف HRM بأنه مستوحى من الدماغ؟
يوظّف HRM مستويين متكاملين: مستوى بطيء للتخطيط يحدّد المسار العام، ومستوى سريع للتنفيذ يتولّى القرارات التفصيلية. هذه القسمة أقرب لما يفعله الدماغ بين التفكير المتأني والقرارات اللحظية، ولهذا نجح النموذج في اختبارات منطقية مثل السودوكو والمتاهات ومعيار ARC-AGI.
الحياد العلمي والتحفّظات
النتائج المنشورة على arXiv تعد أولية ولم تخضع لمراجعة محكّمة حتى تاريخه. كما أن تحليل ARC Prize يشير إلى أن أسلوب التدريب قد يلعب دورًا في الأداء. هذا لا ينتقص من أهمية العمل، لكنه يضعه في سياق علمي متزن يشجّع على مزيد من التحقق.
الخصوصية والتراخيص
HRM مشروع بحثي مفتوح المصدر، وليس خدمة سحابية تجمع بيانات المستخدم. يمكن تجربة الكود تحت ترخيص Apache-2.0 عبر المستودع الرسمي على GitHub.
الأسئلة الشائعة
هل HRM بديل مباشر لبرامج المحادثة مثل ChatGPT؟
لا. HRM يركّز على مهام التفكير المنطقي وحل الألغاز، بينما ChatGPT موجّه للمحادثة وتوليد النصوص متعددة المجالات.
هل يدعم HRM اللغة العربية؟
ليس هدفه دعم اللغات الطبيعية، بل تحسين الاستدلال المنطقي. لذلك لا يُقاس أداؤه بقدرات الترجمة أو فهم النصوص متعددة اللغات.
هل يمكن لأي شخص تجربة HRM؟
نعم. الكود متاح للجميع عبر GitHub ويمكن تشغيل التجارب محليًا وفق الإرشادات.
المصدر : Al city مدينة الذكاء الاصطناعي
