Scaling Laws

تُظهر الملاحظات التجريبية حول توسع الشبكات العصبية في الذكاء الاصطناعي أن أداء النموذج يتحسن بصورة يمكن التنبؤ بها عند زيادة موارد محددة—مثل القدرة الحاسوبية، وحجم مجموعة البيانات، وعدد المعلمات. وقد ذاع انتشار علاقات قوانين القوة هذه في البداية بفضل أبحاث مؤسسات مثل OpenAI وGoogle DeepMind، إذ توضح أن توسيع الموارد يؤدي إلى انخفاضات يمكن التنبؤ بها رياضيًا في خسارة الانتروبيا المتقاطعة. ويتيح فهم هذه المبادئ للباحثين والمهندسين تخصيص ميزانيات بملايين الدولارات بكفاءة، والتنبؤ بدقة بحجم [الشبكة العصبية](https://ultralytics-translation-2.invalid اللازم للوصول إلى دقة مستهدفة قبل بدء عملية تدريب ضخمة.

تطور التوسع في التدريب المسبق#

أثبتت الصياغة الأصلية لهذه القواعد، المعروفة باسم قوانين Kaplan للتوسع والتي قُدّمت في عام 2020، أن أداء نماذج اللغة يتوسع بسلاسة مع زيادة القدرة الحاسوبية المخصصة للتدريب. وقد نُقّح هذا الإطار لاحقًا من خلال قوانين Chinchilla للتوسع في عام 2022، التي كشفت أنه لتحقيق التدريب الأمثل، يجب توسيع حجم النموذج وبيانات التدريب بنسب متساوية. فعلى سبيل المثال، إذا ضاعفت معلمات النموذج، فيجب أيضًا مضاعفة عدد رموز التدريب. وقد وجّه هذا النموذج بنجاح تطوير نماذج اللغة الكبيرة (LLMs) الحديثة المبنية باستخدام أطر مثل PyTorch وTensorFlow، مما يضمن الاستفادة الفعالة من عناقيد GPUs الضخمة دون المخاطرة بحدوث فرط التكيّف أو هدر القدرة الحاسوبية.

التحول الجذري: توسيع القدرة الحاسوبية وقت الاختبار#

بين عامي 2024 و2025، وكما أوضحت تقارير التقدم السنوية في الذكاء الاصطناعي، شهدت صناعة الذكاء الاصطناعي تحولًا هائلًا نحو التوسع وقت الاستدلال. ومع بدء وصول تدريب نماذج أكبر حجمًا إلى عوائد متناقصة وحدود توافر البيانات، اكتشف الباحثون إمكانية توسيع القدرة الحاسوبية لنماذج LLM وقت الاختبار مباشرةً. ومن خلال تزويد النماذج بقدرة معالجة إضافية أثناء الاستدلال، يمكنها تحسين قدرات الاستدلال المعقد تحسينًا كبيرًا.

تتيح تقنيات مثل سلسلة الأفكار (CoT) وأخذ عينات الأفضل من بين N للنماذج استكشاف مسارات متعددة قبل الإجابة. ويثبت قانون التوسع وقت الاختبار هذا، الذي ابتكرته نماذج متقدمة مثل OpenAI's o1 وDeepSeek-R1، إلى جانب نماذج الاستدلال المتقدمة الأخرى، أن زيادة القدرة الحاسوبية في مرحلة التنبؤ يمكن أن تمكّن بنية أصغر بكثير وأكثر كفاءة من التفوق على نموذج ضخم قديم في المعايير المنطقية الصارمة.

التطبيقات الواقعية#

تحكم مبادئ التوسع عملية التطوير في مجالات تتجاوز توليد النصوص بكثير، إذ تؤثر بدرجة كبيرة في مسارات عمل الرؤية الحاسوبية واكتشاف الأجسام الحديثة.

• تخصيص الموارد للنماذج التأسيسية: تعتمد الشركات التي تطور أنظمة القيادة الذاتية على صيغ التوسع لحساب العدد الدقيق للصور المشروحة المطلوبة لخفض معدلات خطأ متوسط الدقة (mAP) إلى مستويات آمنة وجاهزة للاستخدام في بيئة الإنتاج. ومن خلال استخدام منصة Ultralytics من أجل شرح البيانات التعاوني والتدريب الموزع القائم على السحابة، يمكن للفرق تقدير تكاليفها رياضيًا قبل النشر.
• تحجيم النماذج ونشرها على الأجهزة الطرفية: تؤثر صيغ التوسع مباشرةً في التصميم المعماري للنماذج الحديثة مثل Ultralytics YOLO26. ومن خلال توفير عائلة موحدة من النماذج التي جرى تحجيمها رياضيًا من Nano (n) إلى Extra Large (x)، يستطيع المطورون إجراء مفاضلة يمكن التنبؤ بها بين متطلبات الدقة الصارمة وزمن استجابة الاستدلال استنادًا إلى قيود أجهزتهم الطرفية المحددة.

مثال برمجي: التوسع وقت الاستدلال في الرؤية الحاسوبية#

في الرؤية الحاسوبية، يمكنك الاستفادة من شكل عملي للتوسع وقت الاختبار يُسمى التعزيز وقت الاختبار (TTA). ومن خلال إنفاق قدرة حاسوبية إضافية أثناء مرحلة التنبؤ من أجل تقييم إصدارات متعددة معززة من صورة، يحسن النموذج ثقته في الاكتشاف على نحو يمكن التنبؤ به، محاكيًا تقنيات البحث الاستدلالي المستخدمة في نماذج LLM المتقدمة.

from ultralytics import YOLO

# Load the recommended YOLO26 model (nano version for high speed)
model = YOLO("yolo26n.pt")

# Perform standard inference (faster, lower test-time compute)
results_standard = model("https://ultralytics.com/images/bus.jpg")

# Perform inference-time scaling via Test-Time Augmentation (TTA)
# Predictably improves accuracy by utilizing more compute during prediction
results_tta = model("https://ultralytics.com/images/bus.jpg", augment=True)

print(f"Standard detections: {len(results_standard[0].boxes)}")
print(f"Scaled TTA detections: {len(results_tta[0].boxes)}")

قوانين التوسع مقابل المفاهيم ذات الصلة#

رغم ارتباطها الوثيق بقدرات الأجهزة، تقيس قواعد توسع الذكاء الاصطناعي على وجه التحديد الكفاءة البرمجية والخوارزمية بالنسبة إلى تلك الأجهزة.

• قوانين التوسع مقابل قانون Moore: قانون Moore هو ملاحظة عتادية راسخة تتنبأ بأن عدد الترانزستورات على رقاقة إلكترونية يتضاعف تقريبًا كل عامين. وعلى النقيض من ذلك، يتتبع توسع الذكاء الاصطناعي رياضيًا كيفية تحسن قدرة النموذج الفعلية عند إتاحة مجموعة الأجهزة المتنامية تلك.
• توسع التدريب مقابل توسع الاستدلال: تحسب صيغ التدريب المزيج الأكثر كفاءة حاسوبيًا من المعلمات والبيانات أثناء الإنشاء الأولي للنموذج. أما توسع الاستدلال، فعلى العكس، فيقيس كيف يؤدي إنفاق قدرة حاسوبية إضافية بصورة ديناميكية على خطوات البحث والتحقق قبل توليد المخرجات مباشرةً إلى تحسين النتيجة النهائية دون الحاجة إلى إعادة التدريب.