في عالم الذكاء الاصطناعي المتزايد التعقيد، أصبحت وكالات الذكاء الاصطناعي جزءًا أساسيًا من سير العمل الإنساني، مما أدى إلى زيادة كبيرة في استهلاك الرموز (tokens) من نماذج اللغة الكبيرة (LLMs). لذا، تدور العديد من الأسئلة حول هذا الموضوع الهام، منها:

1. **أين تصرف وكلاء الذكاء الاصطناعي الرموز؟**
2. **ما هي النماذج الأكثر كفاءة في استهلاك الرموز؟**
3. **هل تستطيع هذه النماذج توقع استهلاكها من الرموز قبل بدء المهام؟**

في دراسة أصيلة لم تُنشر من قبل، تم تحليل نماذج متقدمة من الذكاء الاصطناعي، والتي تشمل الثمانية الأحدث في مجال نماذج اللغة. وقد أظهرت النتائج أن المهام الذكية تتطلب موارد ضخمة تصل إلى 1000 ضعف من الاستهلاك مقارنةً بمهام التفكير البرمجي والدردشة.

**فيما يلي أبرز النتائج التي توصلنا إليها:**
- **تكاليف استهلاك الرموز مرتفعة وغير متوقعة:** استهلاك الرموز يتفاوت بشكل كبير، حيث يمكن أن يختلف الأداء على نفس المهمة بما يصل إلى 30 ضعفًا في إجمالي الرموز.
- **تفاوت فعالية النموذج:** على سبيل المثال، استهلك نموذج كيمي-كي 2 ونموذج كلود-سونيت 4.5 أكثر من 1.5 مليون رمز إضافي في نفس المهام مقارنة بنموذج GPT-5.
- **عدم القدرة على التنبؤ بدقة:** فشلت النماذج في توقع استهلاكها من الرموز بشكل دقيق، مع وجود علاقة ضعيفة إلى متوسطة فقط.

هذه المعلومات تقدم رؤى جديدة حول الاقتصاديات الخاصة بالذكاء الاصطناعي، وتفتح المجال أمام مزيد من الأبحاث في هذا الاتجاه، مما يثير تساؤلات حول كيفية استخدام وما هي التكاليف الحقيقية لتطبيقات الذكاء الاصطناعي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.