Vectron: توقفت عن أن أطلب منهم تخيّله

أُقدّم دورة في الذكاء الاصطناعي في كل شهر تقريبًا: أربع جلسات، كل واحدة منها ساعة ونصف. وفي مرحلة ما من الجلسة الأولى أصل دائمًا إلى النقطة نفسها: أطلب من الحضور أن يتخيّلوا نموذج لغة. لا كقاعدة بيانات تقليدية، بجداول وصفوف، بل كشيء أقرب إلى فضاء. المشكلة أنني لا أتحكم في ذلك التخيّل. كل شخص في القاعة يبني له استعارة مختلفة، والعديد من تلك الاستعارات خاطئ.

لاحظتُ ذلك بسرعة: فحين كنت أُريهم الأمر بدلاً من أن أطلب منهم تخيّله — ولو برسم مرتجل على السبورة — كانت الجلسة تتغيّر. ومن هناك، ومع الوقت، نشأ نظام تعليمي بالكامل. هذا النظام هو Vectron.

ما هو، بلا استعارات

Vectron خريطة ثلاثية الأبعاد عامة لمعنى الكلمات، تعمل مباشرة على vectron.kilowatto.com. كل جسيم في المكعب هو كلمة حقيقية من مجموعة نصية تضم 20,473 مفهومًا، وموقعه ناتج عن embedding حقيقي بـ1,024 بُعدًا يولّده bge-m3 (Workers AI)، مضغوط إلى 3 إحداثيات عبر PCA.

ليست هذه نموذجًا تجريبيًا ولا رسمًا متحركًا مسجّلًا مسبقًا. تكتب جملة فتُقسَّم فعليًا إلى وحدات بنفس خوارزمية BPE (cl100k_base) التي يستخدمها نموذج حقيقي. تُثبّت جسيمًا فيخرج جيرانه من بحث متجهي حقيقي في Cloudflare Vectorize، ضمن الـ1,024 بُعدًا كاملة، لا الأبعاد الثلاثة التي تراها على الشاشة. تقارن بين مفهومين فيكون جيب التمام الذي يُعرض لك هو القيمة الحقيقية. المكدّس التقني بأكمله: Workers وVectorize وD1 وR2 وWorkers AI، مع واجهة أمامية مبنية على Three.js فوق WebGPU — 20,473 جسيمًا في استدعاء رسم واحد فقط — ومجموعة نصية تنمو تلقائيًا كل 30 دقيقة عبر cron.

لماذا لم أتركه مجرد تجربة عابرة لنهاية أسبوع

أعمل في التكنولوجيا منذ أكثر من 25 عامًا، ومعظم ذلك الوقت في بناء الشركات — Ignia Cloud، واستثماراتي، وYucatech Festival. لكن Vectron لم يولد من الطموح نفسه. بل وُلد بالضبط من المكان نفسه الذي وُلد منه الإحباط في قاعة الدرس: إذا كان بالإمكان عرض شيء بدلاً من وصفه، فيجب عرضه بشكل جيد، حتى لو تطلّب ذلك التعمّق في shaders وPCA والعرض عبر GPU بدلاً من تركه كتجربة عابرة لنهاية أسبوع.

أن نُعلّم أيضًا أين يكذب

الجزء الذي أفتخر به أكثر في هذا المشروع ليس الجزء الذي يبدو جميلًا. بل الجزء الذي يقيس، بأرقام حقيقية عن مجموعة البيانات، إلى أي مدى يمكنك أن تصدّق ما تراه.

ما يقيسه Vectron عن نفسه: المحاور الثلاثة الظاهرة لا تحتفظ إلا بـ11.69% من التباين الحقيقي (16 مكوّنًا كاملاً لا تتجاوز 26%). نحو 31% من الجيران الذين تقترحهم الشاشة هم من اختلاق الإسقاط (trustworthiness يبلغ 0.694 عند k=10). جيب التمام بين كلمتين لا تربطهما أي علاقة هو 0.412 — أي أن الصفر غير موجود. وهناك تركّز حقيقي: مفهوم واحد يظهر في 77 قائمة جيران مقابل متوسط قدره 10.

من هنا ينبع أهم قرار تصميمي في المنتج: الوعد يرتبط بالاستعلام الذي تطرحه أنت، لا بالموضع الذي تسقط فيه النقاط. الخطوط التي تربط المفاهيم هي القناة الصادقة — جيب التمام الحقيقي في 1,024 بُعدًا — أما الموضع فهو القناة غير الصادقة — 11.69% من التباين فقط. لهذا أبقينا على الخطوط، مع تصحيحات: حدّ أقصى لعدد الخطوط المرسومة، وسُمك متناسب مع جيب التمام الحقيقي، وتسمية تُصرّح بما سألت عنه، وخطوط مقطوعة حين لا تكون العلاقة متبادلة.

اللحظة التي أدركتُ فيها أن الفكرة ستنجح

لم تكن تلك اللحظة حين أنهيت العرض ثلاثي الأبعاد، ولا حين بلغت مجموعة البيانات هدفها المتمثل في 20,473 مفهومًا. بل كانت في إحدى الدورات، حين عرضته على طلابي، وثبّتوا كلمة ورأوا جيرانها الحقيقيين يضيؤون في الفضاء. تلك التعبيرة، تعبيرة “آه، فهمت الآن”، التي كنت أطاردها منذ سنوات برسوم على السبورة، رأيتها أخيرًا تحدث في الزمن الحقيقي، دون أن أضطر لشرح أي شيء إضافي.

ما التالي

Vectron لا يقتصر على مستوى واحد. هناك نسخة لمن لم يتعامل قط مع نموذج لغة — بلا مصطلحات متخصصة، بـ300 مفهوم مُنتقى بعناية بدلاً من الـ20,473 كاملة، لأن عناصر أقل تنتج تعلّمًا حقيقيًا أكثر. وهناك نسخة متوسطة، بالـtokens والـembeddings ومختبر للأخطاء. وهناك نسخة متقدّمة، لمن يريد الأداة كاملة: الرياضيات غير المُبسّطة والتحكم الكامل في مجموعة البيانات. الفصل بحسب مستوى الخبرة، لا بحسب الصعوبة، هو ما يميّز المبتدئ الذي ينظر إلى السمات السطحية عن الخبير الذي ينظر إلى المبادئ العميقة.

والمشروع يستمر في تصحيح نفسه. فحين وجدت إحدى المراجعات التي أجريتها له — ست مراجعات في المجموع، بأكثر من 190 مرجعًا تم التحقق منه — أن مجموعة البيانات لا تُثبت شيئًا عن ثنائية اللغة الحقيقية، طبّقت البروتوكول الصحيح، وتبيّن أن الإسبانية كانت تصيب 50.7% من المرات مقابل 100% للإنجليزية: فجوة كاملة بين اللغتين. وتم تصحيح ذلك عبر تضمين الشكلين معًا، واليوم أصبحت النسبة 99.3%.

أعتقد أن هذه هي الفكرة الحقيقية وراء Vectron: أداة تعليمية عن الذكاء الاصطناعي تُطبّق على نفسها المستوى ذاته من التدقيق الذي تُعلّمه للناس ليطالبوا به أي ذكاء اصطناعي. ادخلوا، العبوا به، وأخبروني إلى أي مدى يشرح لكم جيدًا — أو بشكل سيئ — شيئًا كنت من قبل أطلب منكم فقط تخيّله: vectron.kilowatto.com.