نگاهی بر مقاله تازه انویدیا، چرا آینده Agentic AI دست مدل‌های کوچیکه؟

ین روزها بحث زیادی هست که آینده‌ی Agentic AI نه با مدل‌های خیلی بزرگ (LLM) بلکه با مدل‌های کوچک‌تر یا همون SLM‌ها رقم می‌خوره. مقاله‌ی تازه‌ای هم از شرکت NVIDIA منتشر شده که دقیقاً همین موضوع رو توضیح می‌ده و سه دلیل اصلی براش میاره: قدرت کافی، صرفه‌جویی اقتصادی و انطباق عملیاتی.

اول از نظر قدرت. خیلی‌ها تصور می‌کنن برای ساخت یک ایجنت همیشه باید از یک مدل خیلی عظیم استفاده کنیم، اما واقعیت اینه که بیشتر کارهایی که یک ایجنت انجام می‌ده چندان پیچیده نیست. عمده‌ی وظایف به انتخاب ابزار مناسب برمی‌گرده؛ یعنی تصمیم بگیره از بین چند ابزار، کدوم یکی باید به‌کار گرفته بشه. این در عمل شبیه یک مسئله‌ی دسته‌بندی (classification) هست، نه نوشتن مقاله‌ی طولانی یا حل یک معادله‌ی سخت. ایجنت‌ها بیشتر به توانایی‌هایی مثل دنبال‌کردن دستورالعمل‌ها، تولید کدهای کوتاه، استدلال ساده و درک متن نیاز دارن. بنابراین به‌کارگیری یک مدل غول‌آسا برای چنین کاری مثل اینه که برای دوختن یک لباس سوزن بخوای از شمشیر استفاده کنی.

از نظر اقتصادی، تفاوت‌ها چشمگیره. اجرای یک مدل ۷ میلیارد پارامتری بین ۱۰ تا ۳۰ برابر ارزون‌تر از اجرای یک مدل ۷۰ میلیاردی تموم می‌شه. این تفاوت فقط در هزینه‌ی سخت‌افزار و سرویس‌های ابری نیست، بلکه مصرف انرژی کمتر، نیاز به زیرساخت سبک‌تر و حتی امکان اجرا روی دستگاه‌های لوکال مثل رایانه‌ی شخصی یا لپ‌تاپ رو هم شامل می‌شه. علاوه بر این، چون SLMها کوچک‌تر هستن، آموزش و فاین‌تیون کردن‌شون داده و زمان کمتری لازم داره. همین موضوع باعث می‌شه چرخه‌ی آزمایش و بهبود خیلی سریع‌تر پیش بره و توسعه‌دهنده‌ها راحت‌تر ایده‌هاشون رو امتحان کنن. به بیان ساده، این مدل‌ها ماژولار و قابل تعویض هستن و هزینه‌ی تکرار و آزمایش رو پایین می‌آرن.

از نظر انطباق عملیاتی هم SLMها برتری‌های مهمی دارن. ایجنت‌ها معمولاً فقط از بخش کوچکی از قابلیت‌های LLM استفاده می‌کنن. مثلاً تولید یک خروجی JSON تمیز یا برقراری ارتباط درست با یک API. در این موارد، مدل‌های کوچک‌تر هم دقیق‌تر و هم مطمئن‌تر عمل می‌کنن. یکی از مشکلات مدل‌های بزرگ، خطاهای موسوم به «توهم» یا همون hallucination هست. اما SLMها چون برای وظایف محدودتر آموزش می‌بینن، خروجی‌شون سازگارتر و قابل اعتمادتره. نتیجه اینه که فرمت خروجی ثابت می‌مونه، ابزار و کد راحت‌تر یکپارچه می‌شن و ارتباط با APIها بدون خطا انجام می‌شه. NVIDIA حتی پیشنهاد داده که بهترین روش استفاده‌ی ترکیبیه: یعنی LLM برای مرحله‌ی برنامه‌ریزی و SLM برای مرحله‌ی اجرا. اینطوری هم قدرت استدلال مدل بزرگ رو داری و هم سرعت و دقت مدل کوچک رو.

یکی از نوآوری‌های جالبی که در این مقاله مطرح شده، چرخه‌ی تبدیل LLM به SLM هست. ایده اینه که اول کار رو با یک مدل بزرگ عمومی شروع می‌کنی و همه‌ی داده‌های مربوط به تعامل کاربران رو ثبت می‌کنی. بعد این داده‌ها رو دسته‌بندی (خوشه‌بندی) می‌کنی و می‌بینی وظایف به چند گروه تقسیم می‌شن. حالا به جای استفاده‌ی همیشگی از همون LLM، برای هر دسته یک SLM تخصصی طراحی می‌کنی و جایگزینش می‌کنی. این کار باعث می‌شه سیستم هم ارزان‌تر بشه، هم سریع‌تر، هم خروجی دقیق‌تر تولید کنه. از طرف دیگه، هر تعامل کاربر داده‌ی تازه‌ای تولید می‌کنه که می‌تونه برای آموزش دوباره‌ی همین مدل‌های کوچک به کار بره. در نتیجه، یک چرخه‌ی بهبود مستمر شکل می‌گیره که سیستم رو روزبه‌روز بهتر می‌کنه.

با وجود این همه مزایا، هنوز خیلی از شرکت‌ها سراغ مدل‌های بزرگ می‌رن. دلیل اصلی هم سرمایه‌گذاری‌های سنگین روی زیرساخت‌های LLM و همین‌طور نوع معیارهایی هست که برای ارزیابی SLM استفاده می‌شه. معمولاً این ارزیابی‌ها روی توانایی‌های خیلی پیچیده مثل استدلال چندمرحله‌ای متمرکز هستن، در حالی که معیار واقعی در Agentic AI باید چیزهایی مثل دقت در انتخاب ابزار یا پایداری تعامل با API باشه.

در نهایت می‌شه گفت که SLMها هم قدرت کافی دارن، هم اقتصادی هستن و هم عملیاتی. ایجنت‌ها بیشتر از همه به دقت، تمرکز و سازگاری نیاز دارن، نه به یک مدل همه‌فن‌حریف. بنابراین آینده‌ی Agentic AI نه با مدل‌های غول‌آسا و پرهزینه، بلکه با مدل‌های کوچک، تخصصی و ماژولار ساخته خواهد شد.

🔤🔤🔤🔤🔤🔤🔤

🥇 اهورا اولین اپراتور هوش مصنوعی راهبردی ایران در حوزه ارائه خدمات و سرویس‌های زیرساخت هوش مصنوعی

🛍کد تخفیف ۱۰ درصدی محصولات اهورا برای اعضای کانال
AHURA5

🌐 لینک وب‌سایت اهورا

@reza_jafari_ai