التقطير في نماذج الذكاء الاصطناعي: كيف يتعلّم نموذج صغير من عملاق؟

في أوائل 2026، حدث ما بدا مستحيلًا: نموذج صغير «مقطّر» تفوّق على نماذج دُرّبت مباشرةً وأكبر منه حجمًا في اختبارات رياضية صعبة. لم يكن هذا حظًّا، بل نتيجة تقنية صارت العمود الفقريّ لنشر الذكاء الاصطناعي اقتصاديًّا: «التقطير» (Distillation). الفكرة الجوهرية بسيطة ومدهشة: بدل أن ندرّب نموذجًا صغيرًا على البيانات الخام، ندرّبه على «تقليد» نموذج عملاق خبير. النتيجة نموذج أصغر بعشرة أضعاف وأسرع، يحتفظ بأكثر من 95% من أداء معلّمه. لنفهم كيف يحدث هذا فعلًا، ولماذا ينجح.

المشكلة التي يحلّها التقطير

النماذج اللغوية تزداد ذكاءً، لكنها تزداد ثِقلًا بلا هوادة. نموذجٌ بـ70 مليار معامل قد يقدّم أداءً رائعًا، لكنّ كلفة تشغيله (الذاكرة، والكمون، والفاتورة) تلتهم اقتصاديات أيّ تطبيق واسع. هنا يأتي التقطير كحلّ عمليّ: بدل تشغيل العملاق لكل طلب، تدرّب نموذجًا صغيرًا (كـ7 مليارات معامل) ليقلّده، فينخفض كلفة الاستدلال بمقدار رتبة كاملة (5 إلى 30 ضعفًا حسب الحالة)، مع تسريع يقارب 4 أضعاف. التقطير ليس ترفًا أكاديميًّا، بل التقنية التي تجعل هذا التبديل ممكنًا دون انهيار في الجودة.

السرّ الحقيقيّ: «الأهداف الناعمة»

هنا جوهر الفكرة، ونقطة كثيرًا ما يُساء فهمها. حين تدرّب نموذجًا عاديًّا، تعطيه «أهدافًا صلبة» (Hard Labels): هذه صورة قطّ (100%)، لا شيء آخر. لكنّ النموذج المعلّم يعطي «أهدافًا ناعمة» (Soft Labels) أغنى بكثير: «هذه قطّ باحتمال 90%، لكنها تشبه الكلب بنسبة 6%، والثعلب بنسبة 3%». هذه النسب الثانوية ليست ضوضاء، بل «معرفة مظلمة» (Dark Knowledge): إنها تكشف كيف «يفكّر» المعلّم في العلاقات بين المفاهيم. الطالب الذي يتعلّم من هذه التوزيعات الاحتمالية يستوعب بنية المعرفة نفسها، لا مجرّد الإجابة الصحيحة — فيعمّم أفضل بكثير ممّا لو تعلّم من البيانات الخام وحدها.

التشبيه الأدقّ: تعلّم الفيزياء من ملاحظات أستاذ خبير لخّص وربط المفاهيم، بدل أن تقرأ كل الكتب الخام بنفسك. المعلّم لا ينقل الإجابات فحسب، بل «طريقة التفكير».

دور «الحرارة»: كيف نجعل المعرفة المظلمة مرئية

تفصيلٌ تقنيّ أنيق يجعل هذا ممكنًا: معامل «الحرارة» (Temperature). فمخرجات المعلّم غالبًا حادّة جدًّا (99.9% لفئة، وأصفار تقريبًا للبقية)، ما يخفي العلاقات الثانوية الثمينة. برفع «الحرارة» عند التقطير، «نليّن» هذه التوزيعات فتبرز الفروق الدقيقة: يصبح الفرق بين 6% للكلب و3% للثعلب واضحًا للطالب ليتعلّم منه. هذا التليين هو ما يحوّل مخرجات المعلّم من «إجابة» إلى «درس».

طرائق التقطير: من الأبسط للأعمق

ليست كل عمليات التقطير متساوية؛ هناك ثلاث مقاربات رئيسية بعمق متصاعد. الأولى «القائمة على المخرجات» (Logit-based): الطالب يقلّد التوزيع الاحتماليّ النهائيّ للمعلّم — أبسطها وأكثرها شيوعًا. الثانية «القائمة على السمات» (Feature-based): الطالب لا يقلّد الإجابة النهائية فقط، بل «الحالات الداخلية» (الطبقات المخفية) للمعلّم، فيتعلّم تمثيلاته الوسيطة — وهكذا صُنع DistilBERT الشهير. الثالثة، والأهمّ لنماذج اللغة الحديثة، «التقطير خطوة بخطوة»: يُدرَّب الطالب على توليد سلسلة التفكير (Chain-of-Thought) نفسها التي ينتجها المعلّم العملاق، فيرث «الاستدلال» لا الإجابة وحدها.

الصندوق الأبيض مقابل الأسود

فرقٌ عمليّ مهمّ يحدّد ما تستطيع فعله. في «تقطير الصندوق الأبيض» (White-box)، تملك وصولًا كاملًا لمعمارية المعلّم وأوزانه واحتمالاته الداخلية — يتيح أعمق أنواع التقطير، لكنه يتطلّب نموذجًا مفتوح الأوزان. أمّا «تقطير الصندوق الأسود» (Black-box)، فتملك فيه فقط مخرجات المعلّم النصّية (كما حين تستخدمه عبر API مغلق). هنا لا ترى الاحتمالات الداخلية، فتعتمد على «التبريرات» (Rationales) التي يولّدها المعلّم كتجسيد للمعرفة. هذا التمييز جوهريّ عمليًّا: يحدّد أيّ الطرائق متاحة لك بحسب النموذج الذي تقطّر منه.

حدود يجب أن تعرفها

الأمانة تقتضي ذكر القيود. أوّلًا وأخطرها: الطالب لا يتجاوز معلّمه عادةً؛ فالتقطير غير المتّصل (Offline) يقيّده بمعرفة المعلّم الثابتة، وترثُ أخطاءه وتحيّزاته مباشرةً (وإن أظهرت حالات كـ DeepSeek أن الطالب قد يتفوّق في مهامّ ضيّقة). ثانيًا، تعارض مخرجات المعلّم أحيانًا قد يربك الطالب. ثالثًا، وهو الأهمّ عمليًّا: يجب أن يُقطَّر الطالب ويُقيَّم على بيانات تمثّل حركة الإنتاج الحقيقية لديك، لا على مجموعة تقطير عامّة لا تطابق استخدامك — وإلا حصلت على نموذج يبدو جيّدًا في الاختبار ويفشل في الواقع.

الخلاصة العملية: التقطير ليس مجرّد «ضغط» للنموذج، بل نقلٌ لطريقة تفكيره عبر الأهداف الناعمة. وهو اليوم حجر الأساس في «سلّم النماذج» الذي تنشره الفرق فعليًّا: نموذج حدوديّ للـ5% الأصعب من الطلبات، ونموذج متوسّط مقطّر لـ80% منها، ونموذج صغير للمسارات البسيطة. للمطوّر العربيّ الذي يبني تطبيقات ذكاء اصطناعي، فهم التقطير يفتح باب اقتصاديات مستدامة: أداءٌ قريب من العمالقة بكلفة جزء بسيط. لكنّ القاعدة الذهبية تبقى: قطّر على بياناتك أنت، وقيّم على حالاتك الفعلية، فالنموذج الذي لا يُختبَر على واقعك ليس جاهزًا لواقعك.