نموذج المؤسسة

📅 آخر تحديث: ٢٠ يوليو ٢٠٢٦
✍️ نُشر في: ٢٠ يوليو ٢٠٢٦
📷 يحتوي على 1 صور
الموسوعة الحرة

في مجال الذكاء الاصطناعي ، يُعرف النموذج الأساسي ( FM )، أو نموذج x الكبير ( LxM ، حيث يُمثل "x" متغيرًا يُشير إلى أي نص أو صورة أو صوت، إلخ)، بأنه نموذج تعلّم آلي أو تعلّم عميق مُدرّب على مجموعات بيانات ضخمة، ما يُتيح تطبيقه في نطاق واسع من حالات الاستخدام. [ 1 ] وتُعد تطبيقات الذكاء الاصطناعي التوليدي ، مثل نماذج اللغة الكبيرة (LLM)، أمثلة شائعة على النماذج الأساسية. [ 1 ]

غالبًا ما يتطلب بناء نماذج أساسية موارد ضخمة، حيث تصل تكلفة النماذج الأكثر تطورًا إلى مئات الملايين من الدولارات لتغطية نفقات الحصول على مجموعات البيانات الضخمة وتنسيقها ومعالجتها، فضلًا عن القدرة الحاسوبية اللازمة للتدريب. [ 2 ] تنبع هذه التكاليف من الحاجة إلى بنية تحتية متطورة، وفترات تدريب طويلة، وأجهزة متقدمة، مثل وحدات معالجة الرسومات (GPUs) . في المقابل، يُعدّ تكييف نموذج أساسي موجود لمهمة محددة أو استخدامه مباشرةً أقل تكلفة بكثير، إذ يعتمد على قدرات مُدرّبة مسبقًا، ولا يتطلب عادةً سوى ضبط دقيق على مجموعات بيانات أصغر حجمًا ومخصصة لتلك المهمة.

من الأمثلة المبكرة على النماذج الأساسية نماذج اللغة مثل سلسلة GPT من OpenAI و BERT من Google . [ 3 ] [ 4 ] وبالإضافة إلى النصوص، طُوّرت النماذج الأساسية في مجالات متنوعة ، منها DALL-E و Stable Diffusion وFlamingo [ 5 ] للصور، وMusicGen [ 6 ] وLLark [ 7 ] للموسيقى، وRT-2 [ 8 ] للتحكم الروبوتي. كما يجري تطوير نماذج أساسية في مجالات أخرى مثل علم الفلك، [ 9 ] والأشعة، [ 10 ] وطب العيون، [ 11 ] وعلم الجينوم، [ 12 ] وعلوم الأرض، [ 13 ] والبرمجة، [ 14 ] والتنبؤ بالسلاسل الزمنية ، [ 15 ] والرياضيات، [ 16 ] والكيمياء. [ 17 ]

التعريفات

صاغ مركز أبحاث النماذج الأساسية (CRFM) التابع لمعهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان (HAI) مصطلح "النموذج الأساسي" في أغسطس 2021 [ 18 ] ليعني "أي نموذج يتم تدريبه على بيانات واسعة النطاق (باستخدام الإشراف الذاتي على نطاق واسع عمومًا) ويمكن تكييفه (مثل ضبطه بدقة) لمجموعة واسعة من المهام اللاحقة". [ 19 ] استند هذا إلى ملاحظتهم أن المصطلحات الموجودة مسبقًا، على الرغم من تداخلها، لم تكن كافية، حيث ذكروا أن "مصطلح ' نموذج لغوي كبير ' كان ضيقًا جدًا نظرًا لأن التركيز لا يقتصر على اللغة فقط؛ ومصطلح 'نموذج الإشراف الذاتي' كان محددًا جدًا لهدف التدريب؛ ومصطلح 'نموذج مُدرَّب مسبقًا' يوحي بأن الإجراء الجدير بالملاحظة يحدث بعد 'التدريب المسبق'". [ 20 ] تم اختيار مصطلح "النموذج الأساسي" بدلًا من "النموذج التأسيسي" [ 21 ] لأن "التأسيسي" يوحي بأن هذه النماذج توفر مبادئ أساسية بطريقة لا يوفرها مصطلح "الأساسي". [ 22 ] كما يستخدم مصطلح نموذج اللغة البصرية (VLM) كمرادف قريب.

مع قيام الحكومات بتنظيم نماذج المؤسسات الخيرية، ظهرت تعريفات قانونية جديدة.

  • في الولايات المتحدة، عرّف الأمر التنفيذي الذي تم إلغاؤه الآن بشأن التطوير والاستخدام الآمن والموثوق للذكاء الاصطناعي، النموذج الأساسي بأنه "نموذج ذكاء اصطناعي يتم تدريبه على بيانات واسعة النطاق؛ ويستخدم عمومًا الإشراف الذاتي ؛ ويحتوي على عشرات المليارات من المعلمات على الأقل؛ وقابل للتطبيق عبر مجموعة واسعة من السياقات". [ 23 ]
  • في الولايات المتحدة، يُعرّف قانون شفافية نموذج مؤسسة الذكاء الاصطناعي المقترح لعام 2023 [ 24 ] من قبل أعضاء مجلس النواب دون باير ( ديمقراطي - فرجينيا ) وآنا إيشو (ديمقراطية، كاليفورنيا ) نموذج المؤسسة بأنه "نموذج ذكاء اصطناعي مُدرّب على بيانات واسعة النطاق، ويستخدم عمومًا الإشراف الذاتي، ويحتوي عمومًا على ما لا يقل عن 1,000,000,000 معلمة، وقابل للتطبيق عبر مجموعة واسعة من السياقات، ويُظهر، أو يمكن تعديله بسهولة لإظهار، مستويات عالية من الأداء في المهام التي قد تشكل خطرًا جسيمًا على الأمن، أو الأمن الاقتصادي الوطني، أو الصحة العامة الوطنية أو السلامة، أو أي مزيج من هذه الأمور".
  • في الاتحاد الأوروبي، يحدد موقف البرلمان الأوروبي المتفاوض عليه بشأن قانون الذكاء الاصطناعي للاتحاد الأوروبي النموذج الأساسي بأنه "نموذج ذكاء اصطناعي يتم تدريبه على بيانات واسعة النطاق، ومصمم لعمومية المخرجات، ويمكن تكييفه مع مجموعة واسعة من المهام المميزة".
  • في المملكة المتحدة، عرّف التقرير الأولي لهيئة المنافسة والأسواق بشأن نماذج الذكاء الاصطناعي الأساسية [ 1 ] النماذج الأساسية بأنها "نوع من تكنولوجيا الذكاء الاصطناعي التي يتم تدريبها على كميات هائلة من البيانات والتي يمكن تكييفها مع مجموعة واسعة من المهام والعمليات".

تُعدّ تعريفات الولايات المتحدة الوحيدة التي تُشير إلى حجم نموذج الأساس، وتختلف في مقداره. كما يُحدد تعريف باير وإيشو أن نماذج الأساس يجب أن تُحقق مستوى أداء يُؤهلها لتكون خطرًا مُحتملًا. في المقابل، يشترط تعريف الاتحاد الأوروبي تصميم النموذج ليكون ذا مُخرجات عامة. وتتفق جميع التعريفات على ضرورة تدريب نماذج الأساس على نطاق واسع من البيانات ذات التطبيقات المُحتملة في العديد من المجالات.

تاريخ

من الناحية التقنية، تُبنى النماذج الأساسية باستخدام تقنيات التعلم الآلي الراسخة مثل الشبكات العصبية العميقة ، والتعلم بالنقل ، والتعلم الذاتي . وتختلف النماذج الأساسية عن التقنيات السابقة في كونها نماذج عامة الأغراض تعمل كبنية تحتية قابلة لإعادة الاستخدام، بدلاً من كونها نماذج مخصصة لمهام محددة.

ساهمت التطورات في مجال المعالجة المتوازية للحوسبة (مثل وحدات معالجة الرسومات CUDA ) والتطورات الجديدة في بنية الشبكات العصبية (مثل Transformers )، بالإضافة إلى زيادة استخدام بيانات التدريب مع الحد الأدنى من الإشراف، في ظهور نماذج التأسيس. بدأت نماذج التأسيس بالتبلور كأحدث موجة من نماذج التعلم العميق في أواخر العقد الثاني من الألفية الثانية. [ 25 ] بالمقارنة بمعظم الأعمال السابقة في مجال التعلم العميق، أظهرت نماذج اللغة هذه إمكانية التدريب على مجموعات بيانات أكبر بكثير من مصادر الويب باستخدام أهداف ذاتية الإشراف (مثل التنبؤ بالكلمة التالية في مجموعة كبيرة من النصوص). هذه المناهج، التي تستند إلى أعمال سابقة مثل word2vec و GloVe ، تختلف عن مناهج الإشراف السابقة التي تتطلب بيانات مُصنَّفة (مثل التصنيفات المُجمَّعة من مصادر جماعية).

أدى إصدار Stable Diffusion و ChatGPT (الذي كان يعتمد في البداية على نموذج GPT-3.5) في عام 2022 إلى دخول النماذج الأساسية والذكاء الاصطناعي التوليدي حيز النقاش العام على نطاق واسع. علاوة على ذلك، ساهم إصدار LLaMA وLlama 2 و Mistral في عام 2023 في زيادة التركيز على كيفية إصدار النماذج الأساسية، حيث حظيت النماذج الأساسية المفتوحة بدعم كبير [ 26 ] وخضعت لتدقيق مكثف [ 27 ] .

نماذج فرونتير

تُصنّف بعض نماذج البنية التحتية المتقدمة للغاية ضمن "النماذج الرائدة"، لما تتمتع به من قدرات خطيرة قد تُشكّل مخاطر جسيمة على السلامة العامة. [ 28 ] تنبع هذه القدرات الخطيرة من سوء استخدام هذه النماذج، سواءً كان عرضيًا أو متعمدًا، وهو ما قد يؤدي، إلى جانب قوتها الهائلة، إلى أضرار جسيمة. ومع استمرار تحسّن نماذج البنية التحتية، يتوقع بعض باحثي الذكاء الاصطناعي أن تُصنّف جميع نماذج البنية التحتية من الجيل التالي تقريبًا ضمن النماذج الرائدة.

بما أن مفهوم القدرات الخطيرة مفهومٌ ذاتي بطبيعته، فلا يوجد تصنيفٌ دقيقٌ للنماذج الأساسية التي تُصنَّف كنماذج رائدة. ومع ذلك، تتضمن بعض الأفكار الشائعة حول القدرات الخطيرة ما يلي:

  • تصميم وتصنيع أسلحة بيولوجية أو كيميائية جديدة [ 29 ]
  • إنتاج ونشر معلومات مضللة مقنعة ومصممة خصيصًا بأقل قدر من تعليمات المستخدم [ 30 ]
  • تسخير قدرات هجومية إلكترونية غير مسبوقة [ 31 ]
  • التهرب من السيطرة البشرية من خلال وسائل خادعة [ 32 ]

ربط التعريف الأمريكي (عبر معهد سلامة الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا ) وضع "الحدود" أيضاً بالعتبة التقنية للحوسبة لإنشاء متطلبات قانونية موضوعية. [ 33 ]

نظراً للقدرات الفريدة للنماذج الرائدة، يصعب تنظيم تطويرها ونشرها بفعالية. وبسبب طبيعتها الناشئة، قد تظهر قدرات خطيرة جديدة من تلقاء نفسها في هذه النماذج، سواءً في مرحلة التطوير أو بعد النشر. [ 28 ] إضافةً إلى ذلك، ونظراً لاستمرار هذه النماذج في التكيف بعد النشر، يبقى من الصعب التخفيف من جميع الأضرار الناجمة عن النماذج المنشورة بالفعل. وإذا كان النموذج الرائد مفتوح المصدر أو منشوراً على الإنترنت، فإنه ينتشر بسرعة، مما يزيد من صعوبة عمل الجهات التنظيمية نتيجةً لغياب المساءلة.

واستجابةً لذلك، تم إنشاء مجموعات مثل منتدى النماذج الرائدة، الذي أسسته OpenAI وAnthropic وGoogle وMicrosoft، لوضع معايير السلامة لهذه النماذج الأساسية المتقدمة. [ 34 ] وقد ظهرت شبكة عالمية من الهيئات الحكومية والدولية لوضع معايير السلامة الرسمية، بما في ذلك الشبكة العالمية لمعاهد سلامة الذكاء الاصطناعي (AISIs) [ 35 ] وعملية هيروشيما للذكاء الاصطناعي لمجموعة السبع (HAIP) [ 36 ] .

الذكاء الاصطناعي للأغراض العامة

نظراً لقدرتها على التكيف مع نطاق واسع من حالات الاستخدام، تُعتبر النماذج الأساسية أحياناً أمثلة على الذكاء الاصطناعي للأغراض العامة. وقد صرّح البرلمان الأوروبي، عند صياغة قانون الذكاء الاصطناعي للاتحاد الأوروبي، بأن موجة جديدة من تقنيات الذكاء الاصطناعي للأغراض العامة تُشكّل النظام البيئي العام للذكاء الاصطناعي. [ 37 ] ويؤثر الهيكل الكامل للنظام البيئي، بالإضافة إلى خصائص أنظمة الذكاء الاصطناعي للأغراض العامة، على تصميم سياسات الذكاء الاصطناعي وأبحاثه. [ 38 ] كما تظهر أنظمة الذكاء الاصطناعي للأغراض العامة في كثير من الأحيان في حياة الناس اليومية من خلال تطبيقات وأدوات مثل ChatGPT و DALL-E .

حددت هيئات حكومية، مثل البرلمان الأوروبي، تنظيم الذكاء الاصطناعي للأغراض العامة، كالنماذج الأساسية، كأولوية قصوى. وتتميز أنظمة الذكاء الاصطناعي للأغراض العامة عادةً بحجمها الكبير، وغموضها، وإمكانية ظهورها، وكلها عوامل قد تُسبب أضرارًا غير مقصودة. كما تؤثر هذه الأنظمة بشكل كبير على التطبيقات اللاحقة، مما يزيد من الحاجة إلى تنظيمها. وفيما يتعلق بالتشريعات البارزة، فقد ضغط عدد من الجهات المعنية لإدراج قيود على أنظمة الذكاء الاصطناعي للأغراض العامة في قانون الذكاء الاصطناعي للاتحاد الأوروبي ، على أن تشمل هذه القيود النماذج الأساسية أيضًا.

نماذج عالمية

تُوصف نماذج العالم أحيانًا بأنها نماذج أساسية. [ 39 ] [ 40 ] تمثل نماذج العالم بيئةً ما، وتهدف إلى التنبؤ بحالة تلك البيئة بعد اتخاذ مجموعة من الإجراءات، [ 41 ] [ 42 ] بالإضافة إلى نمذجة المفاهيم الفيزيائية ضمنيًا، مثل الجاذبية . [ 42 ] يمكن أن تتضمن مدخلات نماذج العالم نصوصًا أو صورًا، [ 43 ] [ 44 ] فضلًا عن مقاطع الفيديو أو المشاهد ثلاثية الأبعاد، [ 45 ] ويمكن تصدير البيئات ثلاثية الأبعاد الناتجة. [ 45 ] تُعتبر نماذج العالم، إلى جانب الذكاء الاصطناعي المُجسّد ، ونماذج العوامل المتعددة ، ونماذج علم الأعصاب للدماغ، بدائلَ لنماذج اللغة الضخمة لتحقيق الذكاء الاصطناعي العام . [ 46 ]

لا يوجد تعريف متفق عليه تمامًا لنماذج العالم، ولكنها تُقسّم إلى نطاقين: أحدهما لتمثيل وفهم البيئة الحالية، والآخر للتنبؤ بحالة تلك البيئة في المستقبل. في النطاق الأول، تُطوّر نماذج العالم باستخدام التعلّم المعزز القائم على النماذج وعملية اتخاذ القرار ماركوف ، مع استخدام التحكم التنبؤي بالنموذج أو بحث شجرة مونت كارلو لإنشاء السياسات. أما في النطاق الثاني، فيمكن استخدام نماذج لغوية كبيرة ( متعددة الوسائط ) أو نماذج توليد الفيديو. إضافةً إلى ذلك، يمكن أن تكون هذه البيئات محاكاة غامرة لتدريب وكلاء الذكاء الاصطناعي القادرين على التفاعل في العالم الحقيقي. [ 47 ]

تاريخ

أرجعت مجلة كوانتا نماذج العالم إلى منشور لكينيث كريك عام 1943 حول النماذج الذهنية وعالم المكعبات في SHRDLU في ستينيات القرن العشرين. [ 48 ] وأرجع موقع بيزنس إنسايدر نماذج العالم إلى ورقة بحثية لجاي رايت فورستر عام 1971. [ 46 ] واقترح مارفن مينسكي فكرة ذات صلة لتنظيم معرفة العالم، وهي تمثيل الإطار ، عام 1974. [ 47 ]

في عام 2018، عرّف الباحثان ديفيد ها ويورغن شميدهوبر نماذج العالم في سياق التعلم المعزز : وكيلٌ مزود بنموذج ترميز تلقائي متغير V لتمثيل الملاحظات البصرية، ونموذج شبكة عصبية متكررة M لتمثيل الذاكرة، ونموذج خطي C لاتخاذ القرارات. واقترحا إمكانية تطبيق الوكلاء المدربين على نماذج العالم في بيئات تحاكي الواقع على بيئات العالم الحقيقي. [ 49 ]

في عام ٢٠٢٢، رأى يان ليكان نموذج العالم (الذي عرّفه بأنه شبكة عصبية تعمل كنموذج ذهني لجوانب العالم التي تُعتبر ذات صلة) كجزء من نظام أوسع للبنية المعرفية - شبكات عصبية أخرى تُشابه مناطق مختلفة من الدماغ . ويرى أن هذا الإطار قد يُفضي إلى التفكير المنطقي السليم . [ ٥٠ ] [ ٥١ ] وقدّر ليكان أن نماذج العالم ستكون جاهزة للعمل بكامل طاقتها بحلول أواخر العقد الثالث من القرن الحادي والعشرين [ ٥٢ ] إلى منتصف العقد الرابع من القرن الحادي والعشرين. [ ٥٣ ]

تمرين

تُدرَّب نماذج العالم على مجموعة متنوعة من وسائط البيانات، بما في ذلك النصوص والصور والصوت والفيديو، وقد طُبِّقت في توليد الفيديو . [ 54 ] تتضمن إحدى مجموعات البيانات مفتوحة المصدر لنماذج العالم مليار نقطة بيانات عبر وسائط متعددة (نصوص وصور وصوت وفيديو وسحب نقاط )، بما في ذلك مليون تعليق يدوي . [ 42 ]

أمثلة

اعتبر موقع TechCrunch برنامج Sora مثالاً على نموذج العالم، [ 54 ] بينما أصدرت شركة Nvidia في يناير 2025 مجموعة نماذجها الخاصة للعالم. [ 55 ] [ 40 ] وذكرت صحيفة South China Morning Post أن شركة Manycore Tech مثال آخر على الشركات التي تهدف إلى بناء نموذج للعالم، وتعتبر عملها مثالاً على الذكاء المكاني . [ 56 ] وفي مايو 2025، أصدرت جامعة محمد بن زايد للذكاء الاصطناعي نموذجًا للعالم لبناء محاكاة لاختبار وكلاء الذكاء الاصطناعي . [ 57 ]

أصدرت جوجل ديب مايند نموذجين للعالم، أحدهما ثنائي الأبعاد والآخر ثلاثي الأبعاد ، تم تدريبهما على بيانات فيديو، وتزعم جوجل أن النموذج الثالث يُمكن استخدامه كبيئة تدريب لوكلاء الذكاء الاصطناعي. [ 58 ] [ 59 ] أصدرت ميتا نموذجًا للعالم في يونيو 2025، [ 60 ] وأصدرت تينسنت نموذجًا مفتوح المصدر للعالم في يوليو 2025. [ 61 ] وتعمل شركة نيانتيك سبيشال، المنبثقة عن نيانتيك ، على تطوير نموذج للعالم باستخدام بيانات مسح ضوئي مجهولة المصدر للاعبين من لعبة بوكيمون جو . [ 62 ] [ 63 ] وتشمل الشركات الأخرى التي تخطط لبناء نماذج للعالم بحلول عام 2025 كلاً من بايت دانس [ 61 ] و xAI . [ 64 ]

التطبيقات

ترى فاي فاي لي أن نماذج العالم قابلة للتطبيق على الروبوتات والأعمال الإبداعية . ونظرًا لتعقيد هذه النماذج، فهي تدعو إلى استراتيجيات أكثر تعقيدًا في جمع البيانات وهندستها ومعالجتها وتوليفها . [ 65 ] شاركت في تأسيس شركة ناشئة متخصصة في بناء نماذج العالم، والتي خططت، اعتبارًا من عام 2024، للقيام بذلك على ثلاث مراحل: دمج فهم الفضاء ثلاثي الأبعاد مع الزمن؛ ودعم الواقع المعزز ؛ ودعم الروبوتات. [ 66 ] أطلقت شركتها الناشئة، وورلد لابز، نموذجها التجاري للعالم، ماربل، في نوفمبر 2025. [ 67 ]

تُستخدم نماذج العالم في الوسائط التفاعلية (مثل ألعاب الفيديو والأفلام [ 68 ] ) ومحاكاة البيئة. [ 69 ] تشمل حالات الاستخدام المقترحة لنماذج العالم تخطيط الإجراءات والتنبؤ بالنتائج. [ 67 ] تشمل التطبيقات الأخرى محاكاة الأنظمة الاجتماعية . [ 47 ] قارنت مجلة Wired نماذج العالم بالميتافيرس ، [ 66 ] بينما أشارت مجلة Business Insider إلى تطبيقات عسكرية محتملة . [ 65 ]

في عام 2025، يجري تطبيق نماذج العالم على حروب الطائرات المسيّرة ، والروبوتات، والمركبات ذاتية القيادة . وتوقعت صحيفة وول ستريت جورنال أن تُحسّن نماذج العالم من القدرة على الاستدلال المكاني لنماذج الذكاء الاصطناعي، وأن تُسهم في أتمتة وظائف العمالة اليدوية والمكتبية على حد سواء. [ 70 ] وحتى أكتوبر 2025، أظهرت الأبحاث نتائج متباينة في قدرات الاستدلال المكاني لنماذج تحويل النصوص إلى فيديو (وخاصةً Veo 3 ). [ 71 ] وفي طب العيون، طُبقت النماذج الأساسية على تصوير الشبكية، بما في ذلك التصوير المقطعي التوافقي البصري الحجمي. [ 72 ]

مخاوف

أشار موقع TechCrunch إلى أن نماذج العالم قد تستخدم بيانات أكثر من نماذج اللغة الكبيرة ، وستتطلب قدرة حاسوبية أكبر بكثير (بما في ذلك استخدام آلاف وحدات معالجة الرسومات للتدريب والاستدلال). [ 51 ] [ 54 ] كما أشار إلى مخاطر الهلوسة ، وتحيز التغطية ، والتحيز الخوارزمي . [ 54 ] وبالمثل، أشارت صحيفة فايننشال تايمز إلى صعوبة وتكلفة جمع البيانات لمحاكاة العالم وتدريب النماذج على استخدام تلك البيانات. [ 64 ]

أعرب المهنيون المبدعون عن قلقهم من أن النماذج العالمية قد تؤدي إلى تعطيل الوظائف في صناعاتهم. [ 69 ]

وتشمل المخاوف الأخرى خصوصية البيانات ، [ 47 ] ومحاكاة المواقف الضارة، [ 47 ] والمعلومات المضللة والمغلوطة ، [ 47 ] والسلوكيات الناشئة ، [ 73 ] وحقوق التأليف والنشر . [ 68 ]

التفاصيل الفنية

بنية النموذج

لكي يتمكن نموذج الأساس من التعميم بفعالية، يجب أن يكتسب تمثيلات غنية لبيانات التدريب. ونتيجة لذلك، غالبًا ما تُفضَّل بنى النماذج التعبيرية التي تعالج البيانات واسعة النطاق بكفاءة في بناء نماذج الأساس. [ 19 ] حاليًا، تُعد بنية Transformer الخيار الأمثل لبناء نماذج الأساس عبر مجموعة متنوعة من الوسائط. [ 74 ]

تمرين

تُبنى النماذج الأساسية من خلال تحسين دالة الخسارة ، وهي دالة رياضية تحدد كيفية تحديث معلمات النموذج بناءً على تنبؤاته على بيانات التدريب. [ 75 ] غالبًا ما تُدرَّب نماذج اللغة بهدف التنبؤ بالرمز التالي، والذي يشير إلى مدى قدرة النموذج على التنبؤ بالرمز التالي في التسلسل. تُدرَّب نماذج الصور عادةً بأهداف التدريب التبايني أو الانتشار. في التعلم التبايني، تُضاف صور عشوائية قبل تقييمها بناءً على التشابه الناتج في تمثيلات النموذج. أما في نماذج الانتشار، فتُضاف ضوضاء إلى الصور ويتعلم النموذج إزالة الضوضاء تدريجيًا من خلال الهدف. توجد أيضًا أهداف تدريب متعددة الوسائط، بعضها يفصل الصور عن النصوص أثناء التدريب، بينما يفحصها البعض الآخر في آنٍ واحد. [ 76 ] بشكل عام، تُعزز أهداف تدريب النماذج الأساسية تعلم تمثيلات مفيدة على نطاق واسع للبيانات.

مع ازدياد استخدام النماذج الأساسية وتزايد حجم مجموعات البيانات التي تدعمها، يجب أن يكون هدف التدريب قادرًا على تحليل البيانات الضخمة على مستوى الإنترنت لاستخلاص نقاط بيانات ذات دلالة. إضافةً إلى ذلك، ولأن النماذج الأساسية مصممة لحل نطاق واسع من المهام، ينبغي أن تكون أهداف التدريب شاملة للمجال ، أي قادرة على تلبية مجموعة واسعة من الاحتياجات اللاحقة ضمن المجال المحدد. وأخيرًا، يجب أن تسعى أهداف تدريب النماذج الأساسية إلى قابلية التوسع بكفاءة وأن تكون فعالة من حيث الحساب. ونظرًا لأن حجم النموذج وقوة الحوسبة يمثلان قيودًا مهمة، يجب أن يكون هدف التدريب قادرًا على تجاوز هذه المعوقات.

بيانات

تُدرَّب نماذج الأساس على كميات هائلة من البيانات، انطلاقًا من مبدأ "كلما زادت البيانات، كان الأداء أفضل". [ 77 ] يُظهر تقييم الأداء أن زيادة البيانات تؤدي عمومًا إلى تحسين الأداء، إلا أن مشكلات أخرى تظهر مع ازدياد كمية البيانات. فمهام مثل إدارة مجموعة البيانات، ودمج البيانات عبر التطبيقات الجديدة، وضمان الالتزام بتراخيص البيانات، والحفاظ على جودة البيانات، كلها تصبح أكثر صعوبة مع ازدياد حجم البيانات. وقد فاقمت المتطلبات الخاصة بنماذج الأساس هذه المشكلات، إذ لا يزال من المعتاد أن تستخدم نماذج الأساس الكبيرة بيانات مُستخرجة من مواقع الويب العامة. وتشمل نماذج الأساس أيضًا بيانات محركات البحث وبيانات علامات SEO الوصفية. لا تزال بيانات الويب العامة مصدرًا وفيرًا، لكنها تتطلب أيضًا إشرافًا دقيقًا ومعالجة بيانات صارمة من مطوري نماذج الأساس قبل دمجها بنجاح في مسار التدريب. [ 78 ]

غالبًا ما ينطوي تدريب النماذج الأساسية على خطر انتهاك خصوصية المستخدم، إذ يمكن الكشف عن البيانات الخاصة أو جمعها أو استخدامها بطرق تتجاوز النطاق المُعلن. حتى في حال عدم تسريب أي بيانات خاصة، قد تُعرّض النماذج الأمن للخطر دون قصد من خلال السلوك المُكتسب في النموذج الأساسي الناتج. [ 79 ] تُعد جودة البيانات نقطة محورية أخرى، إذ غالبًا ما تحتوي البيانات المُستخرجة من مواقع الويب على مواد متحيزة ومكررة وسامة. بعد نشر النماذج الأساسية، يظل ضمان جودة البيانات العالية تحديًا قائمًا، إذ قد يظهر سلوك غير مرغوب فيه حتى من مجموعات فرعية صغيرة من البيانات.

الأنظمة

يُسبب حجم نماذج الأساس مشاكل في أنظمة الحاسوب التي تُشغّلها. فمتوسط ​​حجم نموذج الأساس كبير جدًا بحيث لا يمكن تشغيله ضمن ذاكرة معالج تسريع واحد، كما تتطلب عملية التدريب الأولية موارد ضخمة. [ 80 ] ومن المتوقع أن تتفاقم هذه المشاكل في المستقبل مع ازدياد حجم نماذج الأساس. ولهذا السبب، بدأ الباحثون في دراسة إمكانية ضغط حجم النموذج من خلال الاستدلال المُحكم.

تُعدّ وحدات معالجة الرسومات (GPUs) الخيار الأكثر شيوعًا لأجهزة الحوسبة في مجال التعلّم الآلي، نظرًا لسعة تخزينها الكبيرة وقدرتها العالية على المعالجة. يتطلب تدريب النماذج الأساسية عادةً عددًا كبيرًا من وحدات معالجة الرسومات في بيئة حوسبة موزعة ، متصلة بالتوازي عبر وصلات سريعة. ويُمثّل الحصول على عدد كافٍ من وحدات معالجة الرسومات ذات الكفاءة الحسابية المطلوبة تحديًا للعديد من مطوري النماذج الأساسية، مما أدى إلى معضلة متزايدة في هذا المجال. تتطلب النماذج الأكبر حجمًا قدرة حسابية أكبر، ولكن غالبًا على حساب تحسين الكفاءة الحسابية. ونظرًا لأن التدريب لا يزال يستغرق وقتًا طويلًا ومكلفًا، فإن المفاضلة بين القدرة الحسابية والكفاءة الحسابية لم تُمكّن سوى عدد قليل من الشركات المختارة من تحمّل تكاليف إنتاج النماذج الأساسية الكبيرة والمتطورة. قد تُساهم بعض التقنيات، مثل الضغط والتقطير، في جعل الاستدلال أكثر فعالية من حيث التكلفة، لكنها لا تُعالج هذا الضعف بشكل كامل.

التوسع

غالبًا ما تتناسب دقة وقدرات النماذج الأساسية بشكل متوقع مع حجم النموذج وكمية بيانات التدريب. وعلى وجه التحديد، تم اكتشاف قوانين قياس، وهي عبارة عن اتجاهات تجريبية قائمة على البيانات تربط الموارد (البيانات، حجم النموذج، استخدام الحوسبة) بقدرات النموذج. وبشكل خاص، يتم تحديد مقياس النموذج من خلال الحوسبة، وحجم مجموعة البيانات، وعدد المعلمات، وكلها تُظهر علاقة أسية مع الأداء النهائي.

مع ذلك، تم اكتشاف قوانين قياس معيبة [ 81 ] حيث تنتقل هذه العلاقة بسلاسة (عند نقاط تُسمى نقاط الانقطاع ) من قانون قوة ذي أس واحد إلى قانون قوة ذي أس آخر (مختلف). وعندما لا يتم جمع أي نقاط بالقرب من (أو بعد) نقطة (نقاط) الانقطاع، قد يصعب الحصول على استقراء دقيق.

التكيف

تتميز نماذج المؤسسة بطبيعتها متعددة الأغراض: يتطلب استخدام هذه النماذج لحالة استخدام محددة نوعًا من التكييف. كحد أدنى، يجب تكييف النماذج لأداء المهمة المطلوبة (تحديد المهمة)، ولكن غالبًا ما يمكن تحقيق أداء أفضل من خلال تكييف أوسع مع مجال الاهتمام (التخصص في المجال).

تُقدّم مجموعة متنوعة من الأساليب (مثل التوجيه ، والتعلم السياقي ، والضبط الدقيق ، وLoRA ) خياراتٍ مختلفة للموازنة بين تكاليف التكييف ومدى تخصص النماذج. من أهم الجوانب التي يجب مراعاتها عند تكييف نموذج أساسي: ميزانية الحوسبة وتوافر البيانات. قد تكون النماذج الأساسية ضخمة جدًا، إذ يصل حجمها إلى تريليونات المعاملات، لذا فإن تكييف النموذج الأساسي بأكمله قد يكون مكلفًا حسابيًا. لذلك، يلجأ المطورون أحيانًا إلى تكييف الطبقة العصبية الأخيرة فقط أو متجهات الانحياز فقط لتوفير الوقت والمساحة. [ 82 ] بالنسبة للتطبيقات المتخصصة جدًا، قد لا تتوفر بيانات محددة لتكييف النموذج الأساسي بشكل كافٍ. في مثل هذه الحالات، يجب تصنيف البيانات يدويًا، وهو أمر مكلف وقد يتطلب خبرةً متخصصة.

تقييم

يُعدّ التقييم جزءًا أساسيًا من تطوير النماذج الأساسية. فهو لا يسمح فقط بتتبع تقدم النماذج عالية الأداء، بل يُنشئ أيضًا معايير مرجعية لتطوير النماذج المستقبلية. ويعتمد أصحاب المصلحة على التقييمات لفهم سلوكيات النماذج واكتساب رؤى معمقة حول سماتها المختلفة. تقليديًا، تُقيّم النماذج الأساسية مقارنةً ببعضها البعض من خلال معايير أداء موحدة مثل MMLU [ 83 ] و MMMU [ 84 ] و HumanEval [ 85 ] وGSM8K [ 86 ] . ونظرًا لتعدد أغراض النماذج الأساسية، يتزايد تطوير معايير مرجعية شاملة تجمع بين معايير مرجعية أساسية مختلفة. ومن الأمثلة على ذلك LM-Harness [ 87 ] و BIG-Bench [ 88 ] و HELM [ 89 ] وOpenLLM Leaderboard [ 90 ] وDecodingTrust [ 91 ] وHEIM [ 92 ] .

بما أن فائدة النماذج الأساسية تعتمد على قدراتها العامة وأداء التطبيقات المُحسَّنة، يجب أن يشمل التقييم كلا المعيارين. يدرس التقييم السليم تطبيقات النموذج الأساسي اللاحقة بشكل إجمالي، بالإضافة إلى خصائصه المباشرة. ولضمان مزيد من العدالة في التقييم، تأخذ بعض أطر التقييم الحالية في الحسبان جميع موارد التكيف، مما يُفضي إلى تحليلات أكثر دقة تصب في مصلحة جميع أصحاب المصلحة. [ 93 ]

الموردين

تُمكّن القدرات العامة لنماذج الأساس من أداء دور فريد في منظومة الذكاء الاصطناعي، [ 94 ] مدعومةً بالعديد من التقنيات الأولية والنهائية. [ 1 ] يتطلب تدريب نموذج الأساس موارد متعددة (مثل البيانات، والحوسبة، والعمالة، والأجهزة، والبرمجيات)، وغالبًا ما تتضمن هذه النماذج كميات هائلة من البيانات والحوسبة (المعروفة أيضًا بالقوة الحاسوبية). ونظرًا لتكاليف تطوير نماذج الأساس المرتفعة ومتطلبات تكييفها منخفضة التكلفة، فقد تحوّل مشهد الذكاء الاصطناعي إلى مجموعة فرعية صغيرة من شركات الذكاء الاصطناعي التي تُنشئ نماذج الأساس لتكييفها لاحقًا. [ 95 ] ولذلك، تُسند معظم شركات نماذج الأساس هذه الخطوة إلى مزودي بيانات متخصصين (مثل Scale AI ، [ 96 ] وSurge [ 97 ] ) ومزودي حوسبة (مثل Amazon Bedrock و Google Cloud و Microsoft Azure ).

لقد ازداد الاستثمار في القدرات الحاسوبية لتدريب نماذج الذكاء الاصطناعي الأكبر حجماً بشكل سريع. [ 98 ]

يقوم مطور النموذج الأساسي نفسه بأخذ البيانات واستخدام موارد الحوسبة المتاحة لتدريب النموذج. بعد اكتمال بناء النموذج، تقلّ متطلبات البيانات والجهد بشكل كبير. في هذه العملية التطويرية، تُعدّ الأجهزة وموارد الحوسبة من أهمّ الموارد وأكثرها حصرية. لتدريب أنظمة ذكاء اصطناعي أكبر وأكثر تعقيدًا، تُعدّ موارد الحوسبة الكافية أساسية. مع ذلك، تتركز موارد الحوسبة في أيدي عدد قليل من الجهات المختارة، والتي يعتمد عليها معظم مطوري النماذج الأساسية. ونتيجةً لذلك، يتركز مسار تطوير النموذج الأساسي بشكل كبير حول هذه الجهات. كما أن موارد الحوسبة مكلفة؛ ففي عام 2023، أنفقت شركات الذكاء الاصطناعي أكثر من 80% من إجمالي رأس مالها على موارد الحوسبة. [ 99 ]

تتطلب نماذج المؤسسات كمية كبيرة من البيانات العامة لتمكين قدراتها. اعتمدت النماذج الأولى على جمع البيانات من مجموعات فرعية من الإنترنت لتوفير هذه المعلومات. ومع ازدياد حجم ونطاق هذه النماذج، تزداد الحاجة إلى جمع كميات أكبر من البيانات من الإنترنت، مما يزيد من احتمالية الحصول على بيانات متحيزة أو ضارة. ويمكن لهذه البيانات الضارة أو المتحيزة أن تلحق ضرراً بالغاً بالفئات المهمشة وتفاقم التحيزات القائمة. [ 100 ]

لمعالجة مشكلة البيانات منخفضة الجودة التي ظهرت مع التدريب غير الخاضع للإشراف، لجأ بعض مطوري النماذج الأساسية إلى التصفية اليدوية. هذه الممارسة، المعروفة باسم "العمل اليدوي في مجال البيانات"، تنطوي على العديد من المشكلات. [ 101 ] غالبًا ما يتم الاستعانة بمصادر خارجية لتنقية البيانات يدويًا لتقليل تكاليف العمالة، حيث يتقاضى بعض العاملين أقل من دولارين في الساعة. [ 102 ]

سيتم بعد ذلك استضافة النموذج الأساسي عبر الإنترنت إما من قِبل المطور أو من خلال منظمة خارجية. وبمجرد إصداره، يمكن لجهات أخرى إنشاء تطبيقات تستند إلى هذا النموذج، سواءً من خلال تحسينه أو استخدامه لأغراض جديدة كليًا. وبذلك، سيتمكن المستخدمون من الوصول إلى هذه التطبيقات لتلبية احتياجاتهم المختلفة، مما يسمح لنموذج أساسي واحد بدعم جمهور واسع والوصول إليه.

استراتيجيات الإصدار

بعد بناء نموذج أساسي، يمكن إصداره بعدة طرق. يتضمن الإصدار جوانب عديدة: الأصل نفسه، ومن لديه حق الوصول إليه، وكيف يتغير هذا الوصول بمرور الوقت، وشروط الاستخدام. [ 103 ] تُسهم جميع هذه العوامل في تحديد كيفية تأثير النموذج الأساسي على التطبيقات اللاحقة. [ 104 ] على وجه الخصوص، يُعدّ كل من واجهات برمجة التطبيقات (APIs) وتنزيل النموذج مباشرةً أكثر أشكال إصدار النموذج الأساسي شيوعًا.

عند إصدار نموذج عبر واجهة برمجة التطبيقات (API) ، يمكن للمستخدمين الاستعلام عن النموذج وتلقي الردود، لكن لا يمكنهم الوصول إليه مباشرةً. في المقابل، يمكن تنزيل النموذج مباشرةً ليتمكن المستخدمون من الوصول إليه وتعديله. تُصنف كلتا استراتيجيتي الإصدار عادةً ضمن الإصدارات المفتوحة. يُعدّ التعريف الدقيق للإصدار المفتوح محل خلاف، لكن مبادرة المصادر المفتوحة ( OPI) تُقدّم متطلبات مقبولة على نطاق واسع .

من بين نماذج المؤسسات المفتوحة: PaLM 2 و Llama 2 و Granite و Mistral . ورغم أن هذه النماذج تُسهّل البحث والتطوير، إلا أنها أكثر عرضةً لسوء الاستخدام. إذ يُمكن لأي شخص تحميلها، كما يُمكن تعديل النماذج القوية منها بدقةٍ لإحداث ضررٍ، سواءً كان ذلك عن قصدٍ أو غير قصد.

خلال فترة الإصدار المغلق، لا يمكن للجمهور الوصول إلى نموذج المؤسسة، وإنما يُستخدم داخليًا من قِبل المنظمة. تُعتبر هذه الإصدارات أكثر أمانًا، لكنها لا تُقدم أي قيمة إضافية للمجتمع البحثي أو للجمهور بشكل عام.

بعض النماذج الأساسية مثل Flamingo من Google DeepMind [ 105 ] مغلقة تمامًا، مما يعني أنها متاحة فقط لمطور النموذج؛ والبعض الآخر، مثل GPT-4 من OpenAI ، محدود الوصول، ومتاح للجمهور ولكن فقط كصندوق أسود ؛ والبعض الآخر، مثل Llama 2 من Meta ، مفتوح، مع أوزان نموذج متاحة على نطاق واسع تتيح التعديل والتدقيق اللاحق.

مراجع

  1. ١ ٢ ٣ ٤ هيئة المنافسة والأسواق (١٨ سبتمبر ٢٠٢٣). "نماذج الذكاء الاصطناعي الأساسية: التقرير الأولي" ( ملف PDF) . gov.uk. مؤرشف (ملف PDF) من الأصل بتاريخ ١١ ديسمبر ٢٠٢٣. تم الاطلاع عليه بتاريخ ١١ ديسمبر ٢٠٢٣ .
  2. ↑ نيستور ماسليج، لوريدانا فاتوريني، إريك برينجولفسون، جون إتشيمندي، كاترينا ليجيت، تيراه ليونز، جيمس مانيكا، هيلين نجو، خوان كارلوس نيبليس، فانيسا بارلي، يواف شوهام، راسل والد، جاك كلارك، وريموند بيرو، "التقرير السنوي لمؤشر الذكاء الاصطناعي 2023"، اللجنة التوجيهية لمؤشر الذكاء الاصطناعي، معهد الذكاء الاصطناعي المتمحور حول الإنسان، جامعة ستانفورد، ستانفورد، كاليفورنيا، أبريل 2023.
  3. ↑ روجرز، آنا؛ كوفاليفا، أولغا؛ رومشيسكي، آنا (2020). "مقدمة في علم BERT: ما نعرفه عن كيفية عمل BERT". arXiv : 2002.12327 [ cs.CL ].
  4. ↑ حداد، محمد. "كيف يعمل GPT-4 وكيف يمكنك البدء باستخدامه في ChatGPT؟" . الجزيرة . مؤرشف من الأصل في 5 يوليو 2023. تم الاطلاع عليه في 20 أكتوبر 2024 .
  5. ↑ معالجة مهام متعددة باستخدام نموذج لغة مرئي واحد ، 28 أبريل 2022، مؤرشف من الأصل في 28 أبريل 2022 ، تم استرجاعه في 13 يونيو 2022
  6. ^ كوبت، اليشم. كروك، فيليكس. جات، إيتاي؛ رميز، طال؛ كانط، ديفيد. سينايف، غابرييل؛ عدي، يوسي؛ ديفوسيز ، ألكسندر (7 نوفمبر 2023). “جيل موسيقى بسيط ويمكن التحكم فيه”. أرخايف : 2306.05284 [ cs.SD ].
  7. ↑ "LLark: نموذج أساسي متعدد الوسائط للموسيقى" . بحث سبوتيفاي . 13 أكتوبر 2023. تم الاطلاع عليه بتاريخ 11 ديسمبر 2023 .
  8. ↑ "روبوت ناطق: نموذج الذكاء الاصطناعي الجديد لدينا يترجم الرؤية واللغة إلى حركات روبوتية" . جوجل . ٢٨ يوليو ٢٠٢٣. مؤرشف من الأصل في ١١ ديسمبر ٢٠٢٣. تم الاطلاع عليه في ١١ ديسمبر ٢٠٢٣ .
  9. ↑ نغوين، توان دونغ؛ تينغ، يوان سين؛ تشيوكا، إيوانا؛ أونيل، تشارلي؛ صن، زي تشانغ؛ يابلونسكا، مايا؛ كروك، ساندور؛ بيركوفسكي، إرنست؛ ميلر، جاك (12 سبتمبر 2023). "AstroLLaMA: نحو نماذج تأسيسية متخصصة في علم الفلك". arXiv : 2309.06126 [ astro-ph.IM ].
  10. ^ تو، تاو؛ عزيزي، شكوفيه؛ دريس، داني؛ شكرمان، مايك. أمين، محمد؛ تشانغ، بي تشوان. كارول، أندرو؛ لاو، تشاك. تانو ، ريوتارو (26 يوليو 2023). “نحو الذكاء الاصطناعي الطبي الحيوي”. أرخايف : 2307.14334 [ cs.CL ].
  11. ↑ جودكيويتش، رافائيل (2026). "تحويل نموذج أساس الشبكية من الشرائح إلى الأحجام في التصوير المقطعي التوافقي البصري" . مجلة npj للطب الرقمي . doi : 10.1038/s41746-026-02496-7 . PMID 41786902 . 
  12. ↑ زفياغين، ماكسيم؛ بريس، ألكسندر؛ هيبي، كايل؛ دينغ، يونتيان؛ تشانغ، بين؛ بوهوركيز، سيندي أوروزكو؛ كلايد، أوستن؛ كيل، بهارات؛ بيريز-ريفيرا، دانيلو (2023). "نماذج اللغة على نطاق الجينوم (GenSLMs): تكشف ديناميكيات تطور فيروس سارس-كوف-2". المجلة الدولية لتطبيقات الحوسبة عالية الأداء . 37 (6): 683-705 . bioRxiv 10.1101/2022.10.10.511571 . doi : 10.1177/10943420231201154 . 
  13. ↑ تشو، شياو شيانغ؛ شيونغ، زيتونغ؛ وانغ، يي؛ ستيوارت، آدم جيه؛ هايدلر، كونراد؛ وانغ، يوانيوان؛ يوان، تشنغهانغ؛ دوجاردان، توماس؛ شو، تشينغسونغ؛ شي، ييلي (8 يناير 2026). "حول أسس نماذج الأساسات الأرضية" . مجلة اتصالات الأرض والبيئة . 7 (1): 103. doi : 10.1038/s43247-025-03127-x . ISSN 2662-4435 . مؤرشف من الأصل في 8 يناير 2026. تم الاطلاع عليه في 12 يوليو 2026 . 
  14. ^ لي ، ريموند. علال، لبنى بن؛ زي، يانغتيان؛ مونيجوف، نيكلاس؛ كوسيتكوف، دينيس؛ مو، تشنغهاو؛ مارون، مارك؛ أكيكي، كريستوفر. لي جيا (9 مايو 2023). "StarCoder: أتمنى أن يكون المصدر معك!". أرخايف : 2305.06161 [ cs.CL ].
  15. ↑ سي، كسينيا؛ سبيكتور، إيان (5 أبريل 2024). "إحداث ثورة في التنبؤ بالسلاسل الزمنية: مقابلة مع مبتكري TimeGPT" . تورينج بوست . تم الاطلاع عليه بتاريخ 11 أبريل 2024 .
  16. ^ أذربيجان، زانغير؛ شولكوبف، هيلي؛ باستر، كيران؛ سانتوس، ماركو دوس؛ ماكالير ، ستيفن. جيانغ، ألبرت س. دنغ، جيا؛ بيدرمان، ستيلا؛ ويليك ، شون (30 نوفمبر 2023). “Llemma: نموذج لغة مفتوح للرياضيات”. أرخايف : 2310.10631 [ cs.CL ].
  17. ↑ "أوربيتال" . مؤرشف من الأصل في 3 سبتمبر 2024. تم الاطلاع عليه في 5 سبتمبر 2024 .
  18. ↑ "تقديم مركز أبحاث نماذج المؤسسات (CRFM)" . ستانفورد HAI . ١٨ أغسطس ٢٠٢١. مؤرشف من الأصل في ٤ يونيو ٢٠٢٣. تم الاطلاع عليه في ١١ يونيو ٢٠٢٢ .
  19. 1 2 بوماساني، ريشي؛ وآخرون . (18 أغسطس 2021). حول فرص ومخاطر نماذج المؤسسات (تقرير). arXiv : 2108.07258 . 
  20. ↑ "تأملات في نماذج المؤسسات" . ستانفورد HAI . ١٨ أكتوبر ٢٠٢١. مؤرشف من الأصل في ١٥ أغسطس ٢٠٢٤. تم الاطلاع عليه في ٢٢ مايو ٢٠٢٣ .
  21. ↑ بومساني، ريشي؛ ليانغ، بيرسي (18 أكتوبر 2021). "تأملات في نماذج المؤسسات" . ستانفورد CRFM . تم الاطلاع عليه في 11 ديسمبر 2023 .
  22. ↑ ماركوس، غاري (11 سبتمبر 2021). "هل وجد الذكاء الاصطناعي أساسًا جديدًا؟" . ذا غريديانت . مؤرشف من الأصل في 11 ديسمبر 2023. تم الاطلاع عليه في 11 ديسمبر 2023 .
  23. ↑ «أمر تنفيذي بشأن التطوير والاستخدام الآمن والموثوق للذكاء الاصطناعي» . البيت الأبيض . 30 أكتوبر 2023. مؤرشف من الأصل في 1 فبراير 2025. تم الاطلاع عليه في 12 فبراير 2024 .
  24. ↑ "قانون الشفافية النموذجية لمؤسسة الذكاء الاصطناعي" (ملف PDF) . مؤرشف (ملف PDF) من الأصل بتاريخ 13 فبراير 2024. تم الاطلاع عليه بتاريخ 13 فبراير 2024 .
  25. ^ ليانغ ، بيرسي. بوماساني، ريشي؛ لي توني. تسيبراس، ديميتريس؛ صويلو، ديلارا؛ ياسوناجا، ميتشيهيرو؛ تشانغ، إيان؛ نارايانان، ديباك؛ وو ، يوهواي (1 أكتوبر 2023)، “التقييم الشامل لنماذج اللغة”، حوليات أكاديمية نيويورك للعلوم ، 1525 (1): 140–146 ، أرخايف : 2211.09110 ، بيب كود : 2023NYASA1525..140B ، دوى : 10.1111/nyas.15007 ، بميد 37230490 
  26. ↑ "بيان مشترك بشأن سلامة الذكاء الاصطناعي وانفتاحه" . موزيلا . 31 أكتوبر 2023. مؤرشف من الأصل في 4 نوفمبر 2023. تم الاطلاع عليه في 12 فبراير 2024 .
  27. ↑ «هاولي وبلومنتال يطالبان شركة ميتا بتقديم إجابات، ويحذران من إساءة استخدام نموذج الذكاء الاصطناعي الخاص بها بعد تسريبه» . السيناتور جوش هاولي . 6 يونيو 2023. مؤرشف من الأصل في 13 فبراير 2024. تم الاطلاع عليه في 12 فبراير 2024 .
  28. 1 2 أندرليونغ، ماركوس؛ بارنهارت، جوسلين؛ كورينيك، أنطون؛ ليونغ، جايد ؛ أوكيف، كولين؛ ويتلستون، جيس؛ أفين، شاهار؛ بروندج، مايلز؛ بولوك، جاستن (7 نوفمبر 2023)، تنظيم الذكاء الاصطناعي الرائد: إدارة المخاطر الناشئة على السلامة العامة ، arXiv : 2307.03718
  29. ^ سينغال، كاران. عزيزي، شكوفيه؛ تو، تاو؛ مهدوي، س. سارة؛ وي، جايسون. تشونغ، هيونغ وون؛ موازين، ناثان؛ تنواني، أجاي؛ كول لويس، هيذر؛ بفول، ستيفن. باين، بيري. سينيفيراتني، مارتن؛ غامبل، بول؛ كيلي، كريس؛ بابكر، أبو بكر (أغسطس 2023). "نماذج اللغة الكبيرة تشفر المعرفة السريرية" . طبيعة . 620 (7972): 172– 180. أرخايف : 2212.13138 . بيب كود : 2023Natur.620..172S . دوى : 10.1038/s41586-023-06291-2 . ردمك 1476-4687 . PMC 10396962. PMID 37438534 .​   
  30. ↑ نوري، هارشا؛ كينغ، نيكولاس؛ ماكيني، سكوت ماير؛ كاريغنان، دين؛ هورفيتز، إريك (12 أبريل 2023)، قدرات GPT-4 في حل المشكلات الطبية الصعبة ، arXiv : 2303.13375
  31. ↑ "الذكاء الاصطناعي التوليدي والآفاق الجديدة في الأمن السيبراني" . مجلة أعمال الذكاء الاصطناعي . 7 فبراير 2024. مؤرشف من الأصل في 20 يناير 2025. تم الاطلاع عليه في 15 يناير 2025 .
  32. ↑ بيلاي، ثارين (15 ديسمبر 2024). "اختبارات جديدة تكشف قدرة الذكاء الاصطناعي على الخداع" . مجلة تايم . مؤرشف من الأصل في 22 أبريل 2025. تم الاطلاع عليه في 15 يناير 2025 .
  33. ↑ "التطوير والاستخدام الآمن والموثوق للذكاء الاصطناعي" . السجل الفيدرالي . 1 نوفمبر 2023. مؤرشف من الأصل في 29 أبريل 2026. تم الاطلاع عليه في 20 أبريل 2026 .
  34. ↑ "نبذة" . منتدى نماذج الحدود . مؤرشف من الأصل في 14 أبريل 2026. تم الاطلاع عليه في 20 أبريل 2026 .
  35. ↑ ألين وآدمسون (30 أكتوبر 2024). "الشبكة الدولية لمعهد سلامة الذكاء الاصطناعي: الخطوات التالية والتوصيات" . مركز الدراسات الاستراتيجية والدولية (CSIS) .
  36. ↑ "وثائق الإنجاز | عملية الذكاء الاصطناعي في هيروشيما" . www.soumu.go.jp . تاريخ الاطلاع: 20 أبريل 2026 .
  37. ↑ "الذكاء الاصطناعي للأغراض العامة | مركز أبحاث | البرلمان الأوروبي" . www.europarl.europa.eu . مؤرشف من الأصل بتاريخ 13 فبراير 2024. تم الاطلاع عليه بتاريخ 12 فبراير 2024 .
  38. ↑ بوماساني، ريشي؛ سويلو، ديلارا؛ لياو، توماس آي؛ كريل، كاثلين أ؛ ليانغ، بيرسي (28 مارس 2023)، رسوم بيانية للنظام البيئي: البصمة الاجتماعية لنماذج المؤسسات ، arXiv : 2303.15772
  39. ↑ بيلان، ريبيكا (5 أغسطس 2025). "ديب مايند تعتقد أن نموذجها العالمي الجديد جيني 3 يمثل خطوة نحو الذكاء الاصطناعي العام" . تك كرانش . مؤرشف من الأصل في 5 أغسطس 2025. تم الاطلاع عليه في 8 نوفمبر 2025 .
  40. ١ ٢ تاكاهاشي، دين (٧ يناير ٢٠٢٥). "إنفيديا تطلق منصة نموذج مؤسسة العالم Cosmos لتسريع الذكاء الاصطناعي الفيزيائي" . فينشر بيت . مؤرشف من الأصل في ٨ يناير ٢٠٢٥. تم الاسترجاع في ١٥ يونيو ٢٠٢٥ .
  41. ↑ بيرل، مايك (15 نوفمبر 2025). "«تخيل مكعبًا يطفو في الهواء»: حلم الذكاء الاصطناعي الجديد الذي يُزعم أنه دفع يان ليكان للابتعاد عن ميتا . جيزمودو . مؤرشف من الأصل في 16 نوفمبر 2025. تم الاطلاع عليه في 28 نوفمبر 2025 .
  42. 1 2 3 فريد، إينا (17 نوفمبر 2025). "القفزة الكبيرة التالية للذكاء الاصطناعي هي نماذج تفهم العالم" . أكسيوس . تم الاطلاع عليه بتاريخ 28 نوفمبر 2025 .{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  43. ↑ حسين، ميشال (21 نوفمبر 2025). "عرابة الذكاء الاصطناعي لم تتوقع أن يكون بهذا الحجم" . بلومبيرغ نيوز . تم الاطلاع عليه بتاريخ 28 نوفمبر 2025 .{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  44. ↑ ويتوام، رايان (5 أغسطس 2025). "ديب مايند تكشف عن نموذج جيني 3 "العالمي" الذي يُنشئ محاكاة تفاعلية في الوقت الفعلي" . آرس تكنيكا . مؤرشف من الأصل في 12 سبتمبر 2025. تم الاطلاع عليه في 28 نوفمبر 2025 .
  45. 1 2 بيلاي، ثارين (9 ديسمبر 2025). "نظرة على خطة فاي فاي لي لبناء عوالم افتراضية مدعومة بالذكاء الاصطناعي" . مجلة تايم . مؤرشف من الأصل في 10 ديسمبر 2025. تم الاطلاع عليه في 11 ديسمبر 2025 .
  46. 1 2 جيلينج، بيتر؛ فاراناسي، لاكشمي. "المتشائمون بشأن الذكاء الاصطناعي يعيشون لحظتهم" . بزنس إنسايدر . مؤرشف من الأصل في 25 أغسطس 2025. تم الاسترجاع في 14 أكتوبر 2025 .
  47. 1 2 3 4 5 6 دينغ، جينغتاو؛ تشانغ، يونكي؛ شانغ، يو؛ تشانغ، يوهينغ؛ زونغ، زيفانغ؛ فنغ، جي. يوان، يوان؛ سو، هونغ يوان؛ لي، نيان؛ سوكينيك، نيكولاس؛ شو، فنجلي؛ لي يونغ (9 سبتمبر 2025). "فهم العالم أم التنبؤ بالمستقبل؟ مسح شامل للنماذج العالمية " . ايه سي ام للحوسبة. Surv . 58 (3): 57: 1-57: 38. دوى : 10.1145/3746449 . ISSN 0360-0300 . 
  48. ^ بافلوس ، جون (2 سبتمبر 2025). ""نماذج العالم"، فكرة قديمة في مجال الذكاء الاصطناعي، تعود بقوة" . مجلة كوانتا . مؤرشف من الأصل بتاريخ 23 سبتمبر 2025. تم الاطلاع عليه بتاريخ 14 أكتوبر 2025 .
  49. ↑ ها، ديفيد؛ شميدهوبر، يورغن (3 ديسمبر 2018). "نماذج العالم المتكررة تُسهّل تطور السياسات" . وقائع المؤتمر الدولي الثاني والثلاثين لأنظمة معالجة المعلومات العصبية . NIPS'18. ريد هوك، نيويورك، الولايات المتحدة الأمريكية: كوران أسوشيتس إنك: 2455-2467 .
  50. ↑ هيكيلّا، ميليسا؛ دوغلاس هيفن، ويل (24 يونيو 2022). "يان ليكان لديه رؤية جديدة جريئة لمستقبل الذكاء الاصطناعي" . مجلة إم آي تي ​​للتكنولوجيا . مؤرشف من الأصل في 24 يونيو 2022. تم الاطلاع عليه في 15 يونيو 2025 .
  51. 1 2 زيف، ماكسويل (17 أكتوبر 2024). "رئيس قسم الذكاء الاصطناعي في شركة ميتا يقول إن نماذج العالم أساسية لذكاء اصطناعي بمستوى الذكاء البشري - لكن قد يستغرق ذلك 10 سنوات" . تيك كرانش . مؤرشف من الأصل في 4 مارس 2025. تم الاطلاع عليه في 15 يونيو 2025 .
  52. ↑ ساورز، بول (23 يناير 2025). "يتوقع يان ليكان من شركة ميتا ظهور "نموذج جديد لهياكل الذكاء الاصطناعي" خلال 5 سنوات و"عقد من الروبوتات"" . TechCrunch . مؤرشف من الأصل في 28 سبتمبر 2025. تم الاطلاع عليه في 17 ديسمبر 2025. "
  53. ↑ زيف، ماكسويل (17 أكتوبر 2024). "رئيس قسم الذكاء الاصطناعي في شركة ميتا يقول إن نماذج العالم أساسية لذكاء اصطناعي بمستوى الذكاء البشري - لكن قد يستغرق ذلك 10 سنوات" . تيك كرانش . مؤرشف من الأصل في 20 سبتمبر 2025. تم الاطلاع عليه في 17 ديسمبر 2025 .
  54. 1 2 3 4 ويغرز، كايل (14 ديسمبر 2024). "ما هي 'نماذج العالم' للذكاء الاصطناعي، ولماذا هي مهمة؟" . تيك كرانش . مؤرشف من الأصل في 18 مارس 2025. تم الاطلاع عليه في 15 يونيو 2025 .
  55. ↑ ويغرز، كايل (7 يناير 2025). "إنفيديا تُطلق علامتها التجارية الخاصة من النماذج العالمية" . تيك كرانش . مؤرشف من الأصل في 5 مارس 2025. تم الاطلاع عليه في 15 يونيو 2025 .
  56. ↑ تشين، وينسي (5 مايو 2025). "رد الصين على أوتوديسك هو الرهان على الذكاء الاصطناعي لبناء "نموذج عالمي"" . صحيفة ساوث تشاينا مورنينج بوست . تم الاطلاع عليه بتاريخ 15 يونيو 2025. "{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  57. ↑ نايت، ويل. "مختبر إماراتي يعلن عن مشاريع رائدة في مجال الذكاء الاصطناعي - ومقر جديد في وادي السيليكون" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . مؤرشف من الأصل في 22 مايو 2025. تم الاطلاع عليه في 15 يونيو 2025 . 
  58. ↑ أورلاند، كايل (5 مارس 2024). "صانع ألعاب جيني من جوجل هو نتاج مشاهدة الذكاء الاصطناعي لـ 30 ألف ساعة من ألعاب الفيديو" . آرس تكنيكا . مؤرشف من الأصل في 8 ديسمبر 2024. تم الاطلاع عليه في 15 يونيو 2025 .
  59. ↑ أورلاند، كايل (6 ديسمبر 2024). "كشف جوجل عن نموذجها العالمي Genie 2 يثير تساؤلات أكثر من الإجابات" . آرس تكنيكا . مؤرشف من الأصل في 7 ديسمبر 2024. تم الاطلاع عليه في 15 يونيو 2025 .
  60. ↑ براون، رايان (11 يونيو 2025). "ميتا تطلق نموذجًا عالميًا قائمًا على الذكاء الاصطناعي للنهوض بالروبوتات والسيارات ذاتية القيادة" . سي إن بي سي . مؤرشف من الأصل في 27 سبتمبر 2025. تم الاطلاع عليه في 14 أكتوبر 2025 .
  61. 1 2 أوساوا، جورو؛ ليو، تشيانر؛ يانغ، جينغ. "نموذج بايت دانس العالمي القادم؛ أفكار ألتمان حول فشل GPT-5، والربحية، والاكتتاب العام" . المعلومات . تم الاسترجاع في 14 أكتوبر 2025 .{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  62. ↑ كريدل، كريستينا؛ مورفي، هانا؛ برادشو، تيم (29 سبتمبر 2025). "شركات الذكاء الاصطناعي الكبرى تضخ الأموال في نماذج العالم مع تباطؤ تقدم برامج الماجستير في القانون" . آرس تكنيكا . مؤرشف من الأصل في 4 أكتوبر 2025. تم الاطلاع عليه في 14 أكتوبر 2025 .
  63. ↑ ليفين، آدم. "لعبة بوكيمون جو تُحقق أرباحًا بقيمة 4 مليارات دولار من خلال مشروع فرعي. خرائط اللعبة هذه قد تُشكل كنزًا ثمينًا للذكاء الاصطناعي" . بارونز . مؤرشف من الأصل في 18 مارس 2025. تم الاطلاع عليه في 20 نوفمبر 2025 .
  64. 1 2 كريدل، كريستينا (12 أكتوبر 2025). "شركة xAI التابعة لإيلون ماسك تنضم إلى سباق بناء "نماذج عالمية" لتشغيل ألعاب الفيديو" . فايننشال تايمز . تم الاطلاع عليه بتاريخ 14 أكتوبر 2025 .{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  65. 1 2 فاراناسي، لاكشمي. "يقول كبار باحثي الذكاء الاصطناعي إن اللغة تُقيّد الإمكانيات. إليكم نوع النموذج الجديد الذي يعملون على تطويره بدلاً منها" . بزنس إنسايدر . مؤرشف من الأصل في 15 يونيو 2025. تم الاطلاع عليه في 21 يونيو 2025 .
  66. 1 2 ليفي، ستيفن (13 سبتمبر 2024). "عرابة الذكاء الاصطناعي تريد من الجميع أن يكونوا بناة عالم" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . مؤرشف من الأصل في 7 فبراير 2025. تم الاطلاع عليه في 21 يونيو 2025 . 
  67. 1 2 بيلان، ريبيكا (12 نوفمبر 2025). "مختبرات فاي فاي لي العالمية تُسرّع سباق عارضات الأزياء العالمي مع ماربل، أول منتج تجاري لها" . تيك كرانش . تم الاسترجاع في 28 نوفمبر 2025 .{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  68. 1 2 ويغرز، كايل (6 يناير 2025). "جوجل تُشكّل فريقًا جديدًا لبناء ذكاء اصطناعي قادر على محاكاة العالم المادي" . تيك كرانش . مؤرشف من الأصل في 12 أكتوبر 2025. تم الاطلاع عليه في 3 ديسمبر 2025 .
  69. 1 2 ويغرز، كايل (28 مايو 2025). "نموذج الذكاء الاصطناعي الجديد في أوديسي يبث عوالم تفاعلية ثلاثية الأبعاد" . تيك كرانش . مؤرشف من الأصل في 30 مايو 2025. تم الاطلاع عليه في 15 يونيو 2025 .
  70. ↑ ميمز، كريستوفر (26 سبتمبر 2025). "ما هي 'النماذج العالمية'؟ مفتاح القفزة الكبيرة التالية في مجال الذكاء الاصطناعي" . صحيفة وول ستريت جورنال . تم الاطلاع عليه بتاريخ 14 أكتوبر 2025 .{{cite web}}: CS1 maint: deprecated archiveal service ( link )
  71. ↑ أورلاند، كايل (1 أكتوبر 2025). "هل تستطيع نماذج الفيديو المدعومة بالذكاء الاصطناعي الحالية محاكاة كيفية عمل العالم الحقيقي بدقة؟" . آرس تكنيكا . مؤرشف من الأصل في 3 أكتوبر 2025. تم الاطلاع عليه في 14 أكتوبر 2025 .
  72. ↑ جودكيويتش، رافائيل (5 مايو 2026). "تحويل نموذج أساس الشبكية من الشرائح إلى الأحجام في التصوير المقطعي التوافقي البصري" . مجلة npj للطب الرقمي . doi : 10.1038/s41746-026-02496-7 . PMID 41786902 . 
  73. ^ تانيجوتشي، تاداهيرو؛ موراتا، شينغو؛ سوزوكي، ماساهيرو؛ أوجنيبين، ديمتري؛ لانيلوس، بابلو؛ أوغور، إمري؛ جامون، لورينزو؛ ناكامورا، تومواكي؛ سيريا، أليخاندرا؛ لارا، برونو؛ بيزولو، جيوفاني (3 يوليو 2023). “النماذج العالمية والترميز التنبؤي للروبوتات المعرفية والتنموية: الحدود والتحديات”. الروبوتات المتقدمة . 37 (13): 780-806 . دوى : 10.1080 / 01691864.2023.2225232 . اتش دي ال : 10281/450879 . ISSN 0169-1864 . 
  74. ↑ بوماساني، ريشي؛ كليمان، كيفن؛ لونغبري، شاين؛ كابور، ساياش؛ ماسليج، نيستور؛ شيونغ، بيتي؛ ​​تشانغ، دانيال؛ ليانغ، بيرسي (19 أكتوبر 2023)، مؤشر شفافية نموذج المؤسسة ، arXiv : 2310.12941
  75. ↑ كلود إلوود، شانون (يوليو 1948). "نظرية رياضية للاتصالات" (ملف PDF) . مجلة بيل سيستم التقنية . مؤرشف (ملف PDF) من الأصل في 4 مايو 2025. تم الاطلاع عليه في 13 فبراير 2024 .
  76. ↑ رادفورد، أليك؛ كيم، جونغ ووك؛ هالاسي، كريس؛ راميش، أديتيا؛ جوه، غابرييل؛ أغاروال، سانديني؛ ساستري، جيريش؛ أسكيل، أماندا؛ ميشكين، باميلا (26 فبراير 2021)، تعلم النماذج البصرية القابلة للنقل من خلال الإشراف على اللغة الطبيعية ، arXiv : 2103.00020
  77. ↑ كابلان، جاريد؛ ماكاندليش، سام؛ هينيغان، توم؛ براون، توم ب.؛ تشيس، بنجامين؛ تشايلد، ريون؛ غراي، سكوت؛ رادفورد، أليك؛ وو، جيفري (22 يناير 2020)، قوانين القياس لنماذج اللغة العصبية ، arXiv : 2001.08361
  78. ↑ جو، إيون سيو؛ جبرو، تيمنيت (27 يناير 2020). "دروس من الأرشيف: استراتيجيات جمع البيانات الاجتماعية والثقافية في التعلم الآلي". وقائع مؤتمر 2020 حول العدالة والمساءلة والشفافية . الصفحات 306-316 . arXiv : 1912.10389 . doi : 10.1145/3351095.3372829 . ISBN  978-1-4503-6936-7.
  79. ↑ بيندر، إميلي م.؛ جبرو، تيمنيت؛ ماكميلان-ماجور، أنجلينا؛ شميتشل، شمارغريت (1 مارس 2021). "حول مخاطر الببغاوات العشوائية: هل يمكن أن تكون نماذج اللغة كبيرة جدًا؟ 🦜" . وقائع مؤتمر ACM لعام 2021 حول العدالة والمساءلة والشفافية . FAccT '21. نيويورك، نيويورك، الولايات المتحدة الأمريكية: رابطة آلات الحوسبة. الصفحات 610-623 . doi : 10.1145/3442188.3445922 . ISBN  978-1-4503-8309-7أُرشف من الأصل في 3 أكتوبر 2021. تم الاطلاع عليه في 13 فبراير 2024 .
  80. ↑ براون، توم ب.؛ مان، بنجامين؛ رايدر، نيك؛ سوبيا، ميلاني؛ كابلان، جاريد؛ داريوال، برافولا؛ نيلاكانتان، أرفيند؛ شيام، براناف؛ ساستري، جيريش (22 يوليو 2020)، نماذج اللغة هي متعلمون بأمثلة قليلة ، arXiv : 2005.14165
  81. ↑ كاباليرو، إيثان؛ غوبتا، كشيتيج؛ ريش، إيرينا؛ كروجر، ديفيد (2022). "قوانين القياس العصبي المكسورة" . المؤتمر الدولي لتمثيلات التعلم (ICLR)، 2023.
  82. ↑ زاكن، إيلاد بن؛ راففوجيل، شاولي؛ غولدبيرغ، يواف (5 سبتمبر 2022)، BitFit: ضبط دقيق بسيط وفعال للمعلمات لنماذج اللغة المقنعة القائمة على المحولات ، arXiv : 2106.10199
  83. ↑ "Papers with Code – MMLU Benchmark (Multi-task Language Understanding)" . paperswithcode.com . مؤرشف من الأصل بتاريخ 13 فبراير 2024. تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  84. ^ يو، شيانغ؛ ني، يوانشنغ؛ تشانغ، كاي. تشنغ، تيانيو؛ ليو، روكي؛ تشانغ، قه. ستيفنز، صموئيل. جيانغ، دونغفو؛ رين، ويمينغ (20 ديسمبر 2023)، MMMU: فهم واستدلال شامل ومتعدد الوسائط للخبراء AGI ، أرخايف : 2311.16502
  85. ↑ "Papers with Code – HumanEval Benchmark (Code Generation)" . paperswithcode.com . تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  86. ↑ "Papers with Code – GSM8K Benchmark (Arithmetic Reasoning)" . paperswithcode.com . مؤرشف من الأصل بتاريخ 13 فبراير 2024. تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  87. ↑ EleutherAI/lm-evaluation-harness ، EleutherAI، 21 أبريل 2024، مؤرشف من الأصل في 8 مايو 2025 ، تم استرجاعه في 21 أبريل 2024
  88. ↑ سريفاستافا، أروهي؛ راستوجي، أبهيناف؛ راو، أبهيشيك؛ شعيب، أبو عوال محمد؛ عابد، أبو بكر؛ فيش، آدم؛ براون، آدم ر.؛ سانتورو، آدم؛ غوبتا، أديتيا (12 يونيو 2023)، ما وراء لعبة التقليد: قياس واستقراء قدرات نماذج اللغة ، arXiv : 2206.04615
  89. ↑ "التقييم الشامل لنماذج اللغة (HELM)" . crfm.stanford.edu . تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  90. ↑ "open-llm-leaderboard (Open LLM Leaderboard)" . huggingface.co . 9 نوفمبر 2023. مؤرشف من الأصل في 11 فبراير 2024. تم الاطلاع عليه في 21 أبريل 2024 .
  91. ↑ "معيار DecodingTrust" . decodingtrust.github.io . تم ​​الاطلاع عليه بتاريخ 21 أبريل 2024 .
  92. ↑ "التقييم الشامل لنماذج الصور (HEIM)" . crfm.stanford.edu . مؤرشف من الأصل بتاريخ 13 فبراير 2024. تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  93. ↑ لينزن، تال (يوليو 2020). جورافسكي، دان؛ تشاي، جويس؛ شلوتر، ناتالي؛ تيتريو، جويل (محررون). "كيف يمكننا تسريع التقدم نحو تعميم لغوي شبيه بالبشر؟" . وقائع الاجتماع السنوي الثامن والخمسين لجمعية اللغويات الحاسوبية . متاح على الإنترنت: جمعية اللغويات الحاسوبية: 5210-5217 . arXiv : 2005.00955 . doi : 10.18653/v1/2020.acl-main.465 . مؤرشف من الأصل في 28 أبريل 2025. تم الاطلاع عليه في 13 فبراير 2024 .
  94. ↑ "مخططات النظام البيئي لنماذج الأساس" . crfm.stanford.edu . مؤرشف من الأصل في 13 فبراير 2024. تم الاطلاع عليه في 13 فبراير 2024 .
  95. ↑ فيبرا، جاي؛ كورينيك، أنطون (2 نوفمبر 2023)، آثار تركيز السوق لنماذج المؤسسات ، arXiv : 2311.01550
  96. ↑ "تسريع تطوير تطبيقات الذكاء الاصطناعي | سكييل إيه آي" . scale.com . تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  97. ↑ "Surge AI | أقوى منصة لتصنيف البيانات في العالم" . www.surgehq.ai . مؤرشف من الأصل بتاريخ 21 أبريل 2024. تم الاطلاع عليه بتاريخ 21 أبريل 2024 .
  98. ↑ "مؤشر الذكاء الاصطناعي لعام 2024 - الفصل 1" (ملف PDF) . 15 أبريل 2024. الصفحات 37-39 . مؤرشف (ملف PDF) من الأصل في 2 يونيو 2024. تم الاطلاع عليه في 15 يونيو 2024 . 
  99. ↑ "القدرة الحاسوبية والذكاء الاصطناعي" . معهد الذكاء الاصطناعي الآن . 27 سبتمبر 2023. تم الاطلاع عليه بتاريخ 13 فبراير 2024 .
  100. ↑ تيكو، نيتاشا؛ شاول، كيفن؛ تشين، سزو يو. "هذه الصور المزيفة تكشف كيف يُضخّم الذكاء الاصطناعي أسوأ الصور النمطية لدينا" . صحيفة واشنطن بوست . مؤرشف من الأصل في 25 أبريل 2024. تم الاطلاع عليه في 13 فبراير 2024 .
  101. ↑ "كيف تستفيد صناعة الذكاء الاصطناعي من الكوارث" . مجلة إم آي تي ​​للتكنولوجيا . تم الاطلاع عليه بتاريخ 13 فبراير 2024 .
  102. ↑ "حصري: العاملون الذين يتقاضون دولارين في الساعة والذين جعلوا ChatGPT أكثر أمانًا" . مجلة تايم . ١٨ يناير ٢٠٢٣. مؤرشف من الأصل في ١٩ يناير ٢٠٢٣. تم الاطلاع عليه في ١٣ فبراير ٢٠٢٤ .
  103. ↑ ليانغ، بيرسي؛ بوماساني، ريشي؛ كريل، كاثلين (17 مايو 2022). "حان الوقت الآن لوضع معايير مجتمعية لإطلاق نماذج المؤسسات" . ستانفورد CRFM . مؤرشف من الأصل في 13 فبراير 2024. تم الاطلاع عليه في 13 فبراير 2024 .
  104. ↑ سليمان، إيرين (5 فبراير 2023)، تدرج إصدار الذكاء الاصطناعي التوليدي: الأساليب والاعتبارات ، arXiv : 2302.04844
  105. ↑ ألايراك، جان بابتيست؛ دوناهو، جيف؛ لوك، بولين؛ ميش، أنطوان؛ بار، إيان؛ حسون، يانا؛ لينس، كاريل؛ مينش، آرثر؛ ميليكان، كاتي (15 نوفمبر 2022)، فلامينغو: نموذج لغوي مرئي للتعلم باستخدام عدد قليل من الأمثلة ، arXiv : 2204.14198.