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

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

تتحدث [الأبحاث](/tag/الأبحاث) أيضًا عن [تجارب](/tag/تجارب) ضخمة تتراوح من [قواعد بيانات](/tag/قواعد-[بيانات](/tag/بيانات)) صغيرة إلى [نماذج](/tag/نماذج) [إنتاجية](/tag/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](/tag/الأداء) النهائي يظل مطابقًا بفضل [الشفافية](/tag/الشفافية) التي تتمتع بها.

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