يفتح نموذج (Jev) سؤالًا يتجاوز قدراته الحالية إلى شكل المنافسة المقبلة في الذكاء الاصطناعي: هل ستتوزع المهام بين نماذج متخصصة، يتولى كل منها وظيفة محددة داخل نظام متكامل؟ أهمية السؤال أن احتياجات العمل تتفاوت. فكتابة تحليل مطول تختلف عن تصنيف طلب، واختيار أداة يختلف عن التحقق من اكتمال إجراء، وهذا التفاوت يمنح التخصص قيمة تستحق النظر.
تتعلم النماذج اللغوية أنماط اللغة والعلاقات داخل البيانات، وتنتج استجابات وفق السياق والتعليمات قد جعلتها مرونتها قابلة للاستخدام في الكتابة والترجمة والتحليل والبرمجة. لكنها تختلف في جودة الأداء والسرعة والتكلفة، وتتغير ملاءمتها بحسب المهمة. لذلك، فإن المقارنة بينها تحتاج إلى سؤال محدد: ما العمل الذي نريد إنجازه، وما مستوى الدقة والوقت والتكلفة الذي يتطلبه؟
مع إدخال هذه القدرات إلى البرمجيات، تظهر حاجة إلى اختيارات متكررة. تحديد وجهة الطلب، وتقييم صلة المعلومات، واختيار الخطوة التالية. تستطيع النماذج اللغوية أداء هذه الوظائف وإنتاج إجابات منظمة. واللافت أن تصميم نموذج حولها تحديداً يطرح إمكانية تحسين كفاءتها، خصوصاً حين تتكرر بأعداد كبيرة وتصبح تكلفة كل استجابة وزمنها عاملين مؤثرين في تشغيل الخدمة.
وفي هذا السياق، تقدم شركة (TypeSafe AI) نموذج جيف، الذي يعيد اختيارات وتقييمات واحتمالات تستطيع البرمجيات استخدامها مباشرة، بدل توليد نصوص حرة. تُحدد الإجابات الممكنة مسبقًا، ويُعرض عليه سياق المهمة ليقيّمها. وتقول الشركة إن تصميمه يمنحه مزايا في السرعة والتكلفة ضمن الوظائف المستهدفة. وتبقى هذه المقارنات مرتبطة بشروط الاختبار، فيما تظل جودة الاختيار بحاجة إلى تقييم في بيئة الاستخدام الفعلية.
توضح تجربة منشورة من فريق (Browser Use) كيف يمكن توظيف هذا الاختلاف. فقد بنى الفريق مساعدًا يستخدم جيف لاختيار العملية والعنصر المناسب داخل صفحة المتصفح، ويستعين بنموذج لغوي صغير عندما يحتاج إلى كتابة نص. وفي تجربة للبحث عن رحلات من زيورخ إلى لندن، تابع النظام خطوات البحث حتى عرض الخيارات المطابقة، وتوقف قبل الحجز. هنا تتوزع الأدوار: نموذج يختار، وآخر يصوغ، وبرمجيات تنفذ وتتحقق من النتيجة.
هذه مشروعات منشورة تشرح طريقة الاستخدام، وليست دليلًا كافيًا على الجاهزية لجميع الظروف. لكنها تقدم أساساً لتصور أنظمة تتعاون داخلها نماذج مختلفة. وقد يصبح اختيار النموذج المناسب لكل خطوة جزءًا من تصميم الخدمة نفسها، بما يسمح بالموازنة بين جودة الأداء وسرعته وتكلفته. عندها تتسع المنافسة لتشمل القدرة على تنسيق التخصصات، إلى جانب تطوير قدرات كل نموذج.
الخلاصة استناداً إلى الاتجاه الذي يمثله جيف، يمكن توقع نماذج تختار الأدوات، وأخرى تتحقق من استيفاء المهمة لمحدداتها ومتطلباتها، وثالثة تحدد المعلومات الناقصة قبل متابعة التنفيذ. وقد تتجه النماذج اللغوية بدورها إلى تخصيص أعمق. هذا مسار محتمل، يتوقف اتساعه على إثبات المنفعة عملياً وتكلفة التوكن والتدريب. لكنه يفتح معياراً أكثر دقة للتقدم: إتقان الوظيفة داخل عمل متكامل ومعدل أخطاء "هلوسة" أقل. وإذا ترسخ هذا الاتجاه، فستُقاس قيمة الذكاء الاصطناعي بقدرته على أداء الدور المناسب، في اللحظة المناسبة، وبكفاءة يمكن الاعتماد عليها وتقل حينها أهمية التدخل البشري في أنظمة الذكاء الاصطناعي.