في عالم الذكاء الاصطناعي، تبرز نماذج اللغة الكبيرة (Large Language Models) بتقديمها قدرات تعميم واسعة، لكنها تحتاج إلى كميات هائلة من البيانات والموارد الحسابية لأداء المهام الخاصة. من ناحية أخرى، تتمتع النماذج الصغيرة (Small Models) بكفاءة أكبر وتكون مخصصة لمجالات معينة، إلا أنها تعاني من نقص في التغطية العامة. في هذا السياق، يتجه الباحثون نحو اعتماد نهج تعاوني، حيث تعمل النماذج الكبيرة والصغيرة بشكل متكامل، مما يمكن أن يسهم في تسريع تكييف نماذج الذكاء الاصطناعي في المجالات الخاصة وفتح آفاق جديدة في هذا المجال.

يتناول هذا البحث استعراضاً شاملاً للتقدمات والتحديات الحديثة في استغلال القوة التعاونية بين النماذج الكبيرة والصغيرة لتكييفها مع المجالات الخاصة. كما يركز على القيود الفريدة في البيئات التي تتقاطع فيها النماذج بين جهات مختلفة، ويستعرض الضغوط المرتبطة بخصوصية البيانات وأمان النماذج ونزاهتها.

من خلال تحليل تدفق المعلومات بين الأطراف المختلفة، نقترح تصنيفاً موحداً يصنف الأبحاث ضمن ثلاثة اتجاهات رئيسية: نقل المعرفة من النموذج الكبير إلى النموذج الصغير، نقل المعرفة في الاتجاه المعاكس، والتعاون في وقت الاستدلال بين الأطراف. وبناءً على هذا التصنيف، نقوم بتحليل التحديات الجوهرية المرتبطة بتبادل المعلومات عبر الحدود، بما في ذلك تهديدات الخصوصية والأمان وكفاءة الأداء.

كما نستعرض التحديات الرئيسية المفتوحة في مثل هذه الأساليب الهجينة، ونسلط الضوء على الاتجاهات الواعدة للبحث في المستقبل. تقدم هذه الدراسة منظوراً مبدئياً يركز على الحدود، وتعتبر مصدراً منظمًا للباحثين والممارسين الذين يسعون إلى تعزيز نشر الذكاء الاصطناعي بطريقة تتمتع بالوعي بالخصوصية وكفاءة الموارد.