تستمر الأبحاث في مجال الذكاء الاصطناعي في دفع حدود الابتكار، حيث يكشف علماء الحوسبة عن نموذج جديد يُعرف باسم "الكوانتيزات الموقعة" (Signed Symmetric Quantization). هذا الابتكار يهدف إلى معالجة التحديات المرتبطة بكوانتيزات الدقة المنخفضة، والتي قد تؤدي إلى أخطاء كبيرة في الأداء.

عند التعامل مع الأعداد الصحيحة الموقعة، نجد أن هناك قيمة سالبة إضافية قابلة للتعبير مقارنة بالقيم الموجبة. ومع ذلك، عادةً ما يتم ضبط النماذج التقليدية لتكون موجبة فقط، مما يؤدي إلى تقليل القيم السالبة وإجبار البيانات الإيجابية على الاقتراب من الحدود، مما يعرضها لمشكلات تتعلق بالدقة.

يظهر البحث الجديد كيفية تجاوز هذه المشكلة بدرجة من المرونة، من خلال تقديم نموذج الكوانتيزات الموقعة، الذي يحتفظ بمزايا الأداء العالية للنماذج المتوازنة دون الحاجة إلى المشكلات التي يسببها النموذج غير المتناظر. في تجربة أجريت على معالج AMD EPYC، أظهرت الكوانتيزات الموقعة تحسنًا كبيرًا في الأداء، حيث استخدمت ذاكرة أقل بكثير مع زيادة هائلة في سرعة الأداء.

وفقًا للنتائج النظرية، تحققت نسبة خطأ قليلة في القياس، حيث تم تأكيد فعالية النموذج على نماذج مختلفة مثل Qwen3 وLlama3، مما يتيح تحسينات ملحوظة في دقة النتائج دون تكبد أي تكلفة إضافية في القياس.

إن هذا الابتكار يُعد خطوة هامة في تطوير تقنيات الذكاء الاصطناعي، مما يعزز من أهمية الكوانتيزات الموقعة كخيار مدعوم بالبيانات.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!