Gemini: عائلة نماذج فائقة القدرات تجمع بين وسائط متعددة

قبل Gemini كان بناء نظام ذكاء اصطناعي يفهم أكثر من وسيط يمرّ بمرحلتين منفصلتين. المرحلة الأولى: ندرّب نموذجاً لغوياً قوياً على النصوص حتى يتقنها. المرحلة الثانية: نأتي بـمُرمِّز بصري منفصل — غالباً من نوع المُحوِّل البصري — ونربطه بالنموذج اللغوي عبر طبقة وسيطة تُحوِّل سمات الصورة إلى تضمينات يفهمها النموذج. نماذج مثل Flamingo وPaLI سارت على هذا الدرب وحقّقت نتائج مبهرة.

لكن هذا النهج التسلسلي يحمل قيداً جوهرياً: النموذج اللغوي لم يُصمَّم أصلاً للتفكير بالصور. ما يصله ليس الصورة ذاتها بل ملخّص لها — كمن يصف لك لوحة بالكلمات بدل أن يُريك إياها. التفاصيل المكانية الدقيقة والأنماط الزمنية في الفيديو ونبرات الصوت — كلها تضيع أو تُشوَّه في هذه «الترجمة». النموذج لا يستطيع التفكير فيما لم يرَه فعلاً.

تخيّل أنك تتعلّم الموسيقى بقراءة أوصاف للأغاني بدل سماعها. قد تحفظ أن هذا اللحن سريع وذاك بطيء، لكنك لن تشعر يوماً بجمال لحنٍ — لأنك لم تسمع لحناً قط.

من الناحية البنيوية، Gemini عبارة عن نموذج أحادي المُفكِّك مبني على بنية المُحوِّل — الأساس نفسه الذي يقوم عليه GPT-4 وPaLM. الفرق الجوهري ليس في البنية بل في ما يدخل إليها. بدل أن يرى النموذج نصاً فقط، يستقبل Gemini تسلسلاً واحداً تتناوب فيه رموز النص مع رموز الصور والصوت والفيديو، وتمرّ جميعها عبر طبقات المُفكِّك ذاتها.

كيف تدخل كل وسيط؟ الصور تُقطَّع إلى رُقع صغيرة وتُحوَّل إلى تضمينات رُقع بالبُعد نفسه المستخدم للنص. الفيديو يُعامَل ببساطة كسلسلة من الإطارات. أما الصوت فيُعالَج عند تردد 16kHz باستخدام سمات نموذج الكلام الشامل (USM) التي تحتفظ بنبرة الصوت وهوية المتحدّث — تفاصيل تضيع لو اكتفينا بتحويل الكلام إلى نص. النتيجة: كل هذه الرموز تمرّ عبر طبقات الانتباه نفسها، فيتعلّم النموذج الروابط بين الوسائط بشكل مباشر.

لتسريع المعالجة يعتمد Gemini على انتباه الاستعلام المتعدد، ويدعم نافذة سياق تتسع لـ 32 ألف رمز. النماذج مُحسَّنة للعمل على مسرّعات TPU من Google، مع تحسينات بنيوية تضمن استقرار التدريب على نطاقات غير مسبوقة.

الابتكار الحقيقي ليس في أي مكوّن معماري بعينه — فكل من انتباه الاستعلام المتعدد وتضمينات الرُّقع والنماذج أحادية المُفكِّك كانت موجودة قبل Gemini. ما يميّز هذا العمل هو القرار بتدريب نموذج واحد على كل الوسائط معاً من الصفر، فينمو الفهم العابر للوسائط بشكل طبيعي بدل أن يُركَّب لاحقاً.

الفرق كالفرق بين من يتعلّم الطبخ باتباع وصفات مكتوبة وبين من يتعلّمه بالتذوّق والشمّ والتجريب مع المكوّنات. كلاهما يُنتج وجبات، لكن الثاني يطوّر حسّاً لا تستطيع أي وصفة أن تمنحه إياه.

يأتي Gemini 1.0 بثلاثة أحجام، كلٌّ منها مصمَّم لسيناريو مختلف. Ultra هو الأكبر والأقوى، مخصَّص للمهام التي تحتاج دقة عالية في الاستدلال حتى لو كلّف ذلك وقتاً أطول. Pro يوازن بين التكلفة والسرعة والأداء — النموذج الذي تعتمد عليه في الإنتاج يومياً. Nano مصمَّم ليعمل على الهاتف مباشرة، ويأتي بنسختين: Nano‑1 بـ 1.8 مليار معامل للأجهزة محدودة الذاكرة، وNano‑2 بـ 3.25 مليار معامل للأجهزة الأقوى.

ما يلفت الانتباه في نماذج Nano هو طريقة بنائها: تُستخلص معرفتها من النماذج الأكبر عبر التقطير المعرفي، ثم تُضغط إلى 4 بتات فقط عبر التكميم. هذه العملية تثبت أن بإمكاننا أخذ فهم نموذج عملاق وتعبئته في نموذج صغير يعمل على هاتف ذكي دون إنترنت.

تتعلّم نماذج Gemini من مجموعة بيانات ضخمة تمزج بين اللغات والوسائط: صفحات ويب وكتب وشيفرات برمجية وصور وتسجيلات صوتية ومقاطع فيديو. هذا التنوّع ليس ترفاً بل ضرورة، لأن النموذج حين يرى صورة وإلى جانبها النص الذي يصفها يبني روابط لن تتشكّل أبداً من نصوص وحدها.

أداة الترميز المستخدمة هي SentencePiece، وقد دُرِّبت على عيّنة كبيرة من بيانات التدريب نفسها. الفائدة من ذلك أن المُرمِّز يتعرّف على الأنماط الفعلية في البيانات — بما فيها اللغات غير اللاتينية — فتصبح عملية الترميز أكثر كفاءة. النتيجة: مُرمِّز واحد يتعامل مع العربية والصينية والإنجليزية والشيفرات البرمجية بعدالة، ما يُحسّن جودة النموذج وسرعة الاستدلال لجميع المستخدمين.

من حيث حجم التدريب، اتبع الفريق نهج قوانين التحجيم من عمل Chinchilla: النماذج الكبرى تحصل على العدد الأمثل حسابياً من الرموز، بينما نماذج Nano الصغيرة تُدرَّب عمداً على رموز أكثر مما تقترحه هذه القوانين — الهدف هو عصر أقصى أداء ممكن ضمن ميزانية استدلال محدودة، وهو النهج نفسه الذي تبنّاه LLaMA.

حقّق Gemini Ultra دقة 90.04% في معيار MMLU — وبذلك صار أول نموذج يتجاوز مستوى الخبراء البشريين (89.8%). يغطي MMLU سبعاً وخمسين مادة تمتد من القانون والأحياء إلى التاريخ والرياضيات، وكان أفضل رقم سابق 86.4% فقط.

السر وراء هذه القفزة تقنية ذكية اسمها سلسلة التفكير الموجَّهة بعدم اليقين. الفكرة بسيطة: حين يكون النموذج واثقاً من إجابته يُجيب فوراً. لكن حين تكون ثقته منخفضة يتحوّل إلى وضع «التفكير بصوت عالٍ» ويحلّ المسألة خطوة بخطوة قبل أن يُقرّر. هذا التبديل التلقائي رفع الدقة من 83.7% (بخمسة أمثلة) إلى 90.04%.

ولم تتوقف النتائج عند MMLU. حقّق Gemini Ultra أيضاً 94.4% في GSM8K (رياضيات ابتدائية) و74.4% في HumanEval (توليد شيفرات برمجية) و53.2% في MATH (رياضيات مسابقات). من أصل 32 معياراً نصياً واستدلالياً تصدّر Gemini Ultra ثلاثين منها.

هنا يظهر الفارق الحقيقي لنهج Gemini. في كل واحد من المعايير العشرين متعددة الوسائط حقّق Gemini أفضل نتيجة على الإطلاق. يشمل ذلك مهام فهم الصور مثل MMMU بنسبة 62.4% (استدلال بمستوى جامعي يمزج بين النص والصور)، وTextVQA (الإجابة عن أسئلة تتطلّب قراءة نصوص داخل صور)، وDocVQA (فهم المستندات)، وMathVista (حل مسائل رياضية من رسوم بيانية).

في الفيديو يستطيع Gemini استيعاب تسلسل الإطارات مباشرة داخل نافذة السياق الواسعة، فيصبح قادراً على فهم السبب والنتيجة في مقطع أو تتبّع جسم عبر مشاهد متعاقبة — وهي مهام تتعثّر فيها النماذج التسلسلية. أما في الصوت، فترميز USM يحتفظ بنبرة المتحدّث وهويته، ما يتيح فهماً أعمق بكثير من مجرد تحويل الكلام إلى نص.

هذه النتائج تُثبت عملياً فرضية التدريب الأصلي متعدد الوسائط: النموذج الذي نشأ على النص والصور معاً يبني تمثيلات أغنى بكثير من نموذج أتقن النص أولاً ثم حاول استيعاب الصور لاحقاً.

بعد انتهاء مرحلة التدريب الأساسي تمرّ نماذج Gemini بمرحلة تشذيب وصقل تتضمن خطوتين. الخطوة الأولى: الضبط الدقيق المُشرَف (SFT) — حيث يتعلّم النموذج من أمثلة عالية الجودة كيف يتّبع التعليمات ويُنتج إجابات واضحة ومفيدة. الخطوة الثانية: التعلّم المعزَّز من التغذية الراجعة البشرية (RLHF) — حيث يُصقَل النموذج ليصبح أدق وأكثر أماناً بناءً على تقييمات بشرية.

الأمان لم يكن إضافة في اللحظة الأخيرة. أجرى الفريق تقييمات أثر شاملة، ووضع سياسات تغطّي أمان المحتوى والتحيّزات التمثيلية، ونفّذ جولات مكثّفة من اختبارات الفريق الأحمر. وللمخرجات متعددة الوسائط تحديداً طُوِّرت مجموعات بيانات ومرشّحات خاصة للحدّ من التوليدات الضارة. خفّضت هذه التدخّلات الأخطاء الواقعية من 6.7% إلى 3.8% وحسّنت معدّلات إسناد المعلومات إلى مصادرها.

هذا النهج يعكس قناعة ناضجة في المجال: بناء نماذج قوية ونشرها بأمان ليسا هدفين يتنافسان على الموارد — بل وجهان لعملة واحدة.

تستعرض الورقة أمثلة توضّح قدرات لم تكن ممكنة من قبل. في أحد الأمثلة يُقدّم طالب حلاً مكتوباً بخط اليد لمسألة فيزياء. يقرأ Gemini الخط ويفهم المسألة ويتحقّق من خطوات الحل الرياضي ويكتشف خطأ الطالب ويُصحّحه بصيغة LaTeX — كل ذلك دفعة واحدة. لاحظ أن هذا يتطلّب أربع قدرات في آن: قراءة خط يد، ومعرفة فيزيائية، وتحقّق رياضي، وتوليد LaTeX.

في مثال آخر ينظر Gemini إلى رسم بياني أنتجته شيفرة matplotlib ويقترح تحسينات — فهو يفهم شكل المخطط والشيفرة التي ولّدته في الوقت نفسه. وفي مثال ثالث يحلّل تسلسل إطارات من مباراة كرة قدم ويقترح تحسينات تقنية للاعب.

هذه ليست حيلاً انتُقيت بعناية، بل نتائج طبيعية لنموذج نشأ على النص والصور والشيفرات والرياضيات معاً. حين تكون كل هذه الوسائط جزءاً من تجربة التعلّم منذ البداية، فإن المزج بينها لا يُعدّ قدرة استثنائية — بل هو الوضع الطبيعي للعمل.

أثر Gemini يتجاوز الأرقام التي حقّقها في المعايير. أثبت عملياً أن النموذج الذي ينشأ على كل الوسائط منذ البداية يبني فهماً مختلفاً نوعياً — وأعمق — من نموذج رُكِّبت عليه الرؤية لاحقاً. منذ ذلك الحين تحوّلت المختبرات الكبرى جميعها نحو التدريب الأصلي متعدد الوسائط. واستراتيجية النشر على ثلاث طبقات (سحابة، حافة، جهاز) صارت القالب الذي يحتذيه الجميع. أما مسار التقطير من Ultra إلى Nano ثم إلى Gemma المفتوحة فقد أثبت أن النموذج المتقدّم والعلم المفتوح يمكن أن يسيرا معاً.