لقد ركزت صناعة الذكاء الاصطناعي بشكل كبير على فكرة واحدة: يجب أن تؤدي النماذج الأكبر إلى أداء أفضل.
أصبح المزيد من المعلمات، والمزيد من بيانات التدريب، والمزيد من الحوسبة، ونماذج جنرال-بوربوز قوية بشكل متزايد، الطريقة القياسية لقياس تقدم الذكاء الاصطناعي.
لكن قد تتطلب العملات المشفرة نهجًا مختلفًا قليلًا.
لهذا السبب جذب اهتمامي Velvet Flash 0.1، الذي قدمه @Velvet_Capital.
بدلًا من محاولة المنافسة بالاعتماد على حجم النموذج وحده، يتبع Velvet نهجًا أكثر تخصصًا من خلال نموذج ذي 4 مليارات معلمة مُصمم خصيصًا لعمليات العملات المشفرة.
والجزء المثير للاهتمام ليس حجم النموذج بحد ذاته.
إنها ما حدث بعد تدريب النموذج على وظيفة محددة.
نموذج أصغر، أداء متخصص أقوى
وفقًا لقياس مهارات Velvet في العملات المشفرة، وصل Velvet Flash 0.1 إلى درجة حوالي 50.
للمقارنة:
Velvet Flash 0.1: ~50
Qwen3.5-27B: ~45
DeepSeek-V4: ~40
Llama-3.3-70B: ~32
Gemma-4-31B: ~31
Mistral-24B: ~20
ما يجعل هذه المقارنة ممتعة هو الفرق الكبير بين حجم نماذج الأغراض العامة والأداء المتخصص.
يمتلك Velvet Flash 4B من المعلمات فقط، ومع ذلك تجاوز أداءه في الاختبار عدة نماذج أكبر بكثير.
هذا لا يعني أن النماذج الأصغر أفضل دائمًا بشكل شامل.
بدلًا من ذلك، يبرز شيئًا مهمًا:
يمكن لنموذج مُدرَّب خصيصًا على مجال أن يتفوق أحيانًا على نماذج أغراض عامة أكبر بكثير في المهام داخل ذلك المجال.
فرق التدريب هو القصة الحقيقية
يُذكر أن النموذج الأساسي سجل حوالي 23 قبل التدريب المخصص على المهمة.
بعد تدريبه خصيصًا حول العمليات المرتبطة بالعملات المشفرة، ارتفع ذلك الرقم إلى حوالي 50.
هذا أكثر من مجرد تحسن صغير.
يشير ذلك إلى أن النموذج لا يصبح «أذكى» فحسب بمعنى عام. بل يصبح أفضل في فهم تدفقات العمل والمتطلبات المحددة التي تهم في مجال العملات المشفرة.
وقد يكون ذلك اتجاهًا أكثر فائدة للتطبيقات المالية.
لا يحتاج ذكاء اصطناعي للعملات المشفرة بالضرورة إلى كتابة شعرٍ أفضل أو الإجابة عن كل سؤال معرفي عام محتمل.
يحتاج إلى فهم أشياء مثل:
ما الإجراء الذي يطلبه المستخدم فعليًا؟
أي أمر يجب تنفيذه؟
ما المعلمات المطلوبة؟
أي سلسلة أو أصل يتضمن؟
هل الإجراء المطلوب قد يكون محفوفًا بالمخاطر؟
هل يحتاج المستخدم إلى التأكيد قبل نقل الأموال؟
هذه مشكلات متخصصة.
قد تكون السلامة أكثر أهمية
أما الرقم الآخر الذي لفت انتباهي فهو التحسن في السلامة المُبلَّغ عنه.
زاد تقييم سلامة Velvet Flash من حوالي 28 إلى 61 بعد التدريب المتخصص.
للتطبيقات الخاصة بالعملات المشفرة، قد يكون هذا أكثر أهمية من الذكاء الخام.
تخيّل طلبًا من ذكاء اصطناعي لتنفيذ إجراء على السلسلة.
إذا أساء النموذج فهم المبلغ، أو اختار الشبكة الخاطئة، أو استخرج عنوانًا غير صحيح، أو فشل في التعرف على نية مشبوهة، أو نفّذ معاملة حساسة دون تأكيد مناسب، فإن العواقب ليست مجرد إجابة غير صحيحة.
قد تكون أصولًا حقيقية معنية.
وهذا يختلف جوهريًا عن استخدام الذكاء الاصطناعي لمحاورة عادية.
خطأ في رد روبوت الدردشة قد يكون مزعجًا.
قد تصبح أخطاء سير العمل في المعاملات مكلفة.
لهذا السبب تعتبر سلوكيات السلامة المتخصصة مهمة جدًا عندما يبدأ الذكاء الاصطناعي بالتفاعل مع البنية التحتية المالية.
تدريب الذكاء الاصطناعي حول تدفقات عمل حقيقية في العملات المشفرة
وهنا يصبح Velvet Flash مثيرًا للاهتمام بشكل خاص.
يتم تدريب النموذج حول عمليات عملية تتعلق بالعملات المشفرة، وليس مجرد محادثة عامة.
يشمل ذلك مجالات مثل:
فهم النية
فهم ما يرغب المستخدم في تحقيقه فعليًا بدلًا من اتباع الكلمات الفردية بشكل أعمى.
اختيار الأمر
اختيار الإجراء المناسب بناءً على طلب المستخدم.
استخراج المعلمات
تحديد التفاصيل المهمة بدقة مثل الأصول والمبالغ والشبكات ومعلمات المعاملات الأخرى.
اكتشاف المخاطر
التعرف على الحالات التي قد تتطلب تدقيقًا إضافيًا أو تأكيدًا من المستخدم.
التأكيد قبل الإجراءات الحساسة
ضمان عدم تنفيذ عمليات قد تنقل أموالًا دون التأكيد المناسب.
قد تبدو هذه تفاصيل صغيرة، لكنها تصبح شديدة الأهمية عندما ينتقل الذكاء الاصطناعي من كونه مساعدًا للمعلومات إلى واجهة لإجراء عمليات مالية.
لماذا يمكن أن يكون التخصص مهمًا لذكاء اصطناعي للعملات المشفرة
هذه هي الفكرة الأكبر التي آخذها من Velvet Flash.
قد لا يكون مستقبل الذكاء الاصطناعي في مجال العملات المشفرة مجرد توصيل أكبر نموذج متاح بمنصة تداول أو محفظة.
بدلًا من ذلك، يمكننا أن نرى نماذج أكثر تخصصًا مُدَرَّبة حول تدفقات عمل مالية محددة.
يمكن لنموذج مُصمَّم خصيصًا للعملات المشفرة أن يركّز تدريبه على المصطلحات وأنماط المعاملات وسيناريوهات المخاطر والأوامر وحالات الحافة التي تهم داخل النظام البيئي.
وقد يؤدي ذلك إلى جعل واجهات الذكاء الاصطناعي أكثر كفاءة وأكثر قابلية للتنبؤ وأكثر أمانًا للمستخدمين.
بالطبع، ما زال Velvet Flash 0.1 إصدارًا مبكرًا.
المعيار القياسي (benchmark) هو طريقة واحدة فقط لتقييم نموذج. في النهاية، ستصبح الأهم أكثر بكثير عند نشر هذه الأنظمة على نطاق واسع: الأداء في العالم الحقيقي، والموثوقية، والأمان، وزمن الاستجابة، وتجربة المستخدم.
لكن الاتجاه نفسه مثير للاهتمام.
أفكار أخيرة
غالبًا ما تم تأطير سباق الذكاء الاصطناعي حول سؤال واحد:
إلى أي مدى يمكن أن يصبح حجم النموذج؟
يجعلني Velvet Flash أفكر بأن سؤالًا آخر يستحق مزيدًا من الاهتمام:
إلى أي مدى يمكن تدريب نموذج بدقة لأداء الوظيفة التي يحتاجها فعلًا؟
إن وصول نموذج يضم 4B معلمة إلى نتائج أقوى في معيار خاص بالعملات المشفرة مقارنةً بعدة نماذج أغراض عامة أكبر بكثير يستحق بالتأكيد المتابعة.
كما أن التحسن المُبلَّغ في السلامة يجعل التجربة أكثر صلة بالتطبيقات المالية.
إنها نسخة v0.1 فقط، لذا ما زال هناك الكثير لإثباته.
لكن إذا استمرت النماذج المتخصصة في التحسن عبر التدريب المرتكز على المجال، فقد تصبح العملات المشفرة واحدة من المجالات التي تتفوق فيها التخصص على масштабية الحجم أكثر مما يتوقعه الناس.
سأتابع لمعرفة إلى أين سيأخذ @Velvet_Capital Velvet Flash من هنا.