في عالم الذكاء الاصطناعي، يعتمد نجاح النماذج العصبية على القدرة على دمج التغييرات والتحديثات بسلاسة. لكن كما تُظهر الأبحاث الجديدة، فإن معظم استراتيجيات الدمج الحالية، مثل وزن النقاط (Weight Averaging) وطريقة SLERP، تواجه تحديات هائلة بسبب عدم توافقها مع الخصائص الجبرية الأساسية (مثل التبادلية) المطلوبة للعمليات الموزعة الخالية من التعارض.

تتحدث الدراسة المقدمة في arXiv عن كيفية فشل 26 استراتيجية دمج تم اختبارها في تحقيق هذه الخصائص. لكن الحلول لا تأتي بلا تعقيدات. لتجاوز هذه المشكلة الهيكلية، يقدم الباحثون معمارية جديدة تعرف باسم CRDTMergeState، التي تتألف من طبقتين:- **الطبقة الأولى** تدير المساهمات عبر سمات CRDT، حيث تقوم عملية الدمج هنا على اتحاد المجموعات (set union)، والتي تعتبر عملية بسيطة من حيث التبادلية والتقابلية.
- **الطبقة الثانية** تطبق استراتيجيات الدمج كدوال محددة على مجموعة من المساهمات مرتبة بترتيب قياسي، مما يضمن اتساقًا قويًا في النتائج.

تتحدث الأبحاث أيضًا عن تجارب ضخمة تتراوح من قواعد بيانات صغيرة إلى نماذج إنتاجية تصل إلى 7.24 بليون معلمة، حيث حققت الأداة الجديدة CRDTMergeState نتائج مذهلة، مع وقت استجابة أقل من 0.5 مللي ثانية. ورغم وجود طبقة التداخل، إلا أن الأداء النهائي يظل مطابقًا بفضل الشفافية التي تتمتع بها.

لذلك، تعتبر هذه السنوات المقبلة مثيرة للغاية بالنسبة لمجتمع الذكاء الاصطناعي، إذ تفتح آفاقًا جديدة لطرق دمج النماذج العصبية. هل سنرى المزيد من هذا النوع من الابتكارات في المستقبل؟ ما رأيكم في هذه الأنظمة الجديدة؟ شاركونا تعليقاتكم.