عندما نتحدث عن نماذج الذكاء الاصطناعي، نركز غالبا على النماذج التي “تجيب”. لكن كثيرا من التطبيقات الذكية تبدأ بخطوة أسبق: كيف نجد المعلومة المناسبة أصلا؟ كيف نعرف أن هذه الصورة مرتبطة بهذا النص، أو أن هذه اللحظة في فيديو توافق وصفا صوتيا؟
EmbeddingGemma 2 من Google DeepMind يستهدف هذه الطبقة. هو نموذج مفتوح وخفيف للـembeddings، صمم لكي يوحد النص والصورة والفيديو والصوت في فضاء تمثيل واحد، مع إمكانية العمل على أجهزة يومية بدل الاعتماد الدائم على خادم سحابي.
ما هي embeddings ولماذا تهم؟
الـembedding هو تمثيل عددي يحول المحتوى إلى متجه يمكن مقارنة قربه من متجهات أخرى. بدلا من البحث عن كلمة مطابقة حرفيا، يمكن للنظام أن يبحث عن معنى قريب.
لهذا تستخدم embeddings في محركات البحث الدلالي، وأنظمة التوصية، وتجميع الوثائق، وRAG. عندما تسأل مساعدا عن سياسة داخل شركة، غالبا تمر العملية أولا عبر نموذج embedding يبحث في الوثائق عن المقاطع الأقرب إلى السؤال، ثم يرسلها إلى نموذج التوليد.
ماذا يضيف تعدد الوسائط؟
EmbeddingGemma 2 يضع النص والصورة والفيديو والصوت في فضاء مشترك. هذا يعني، من حيث المبدأ، أن استعلاما نصيا يمكن أن يجد صورة، أو أن وصفا صوتيا يمكن أن يقود إلى لحظة مناسبة في فيديو.
تذكر DeepMind مثالا مباشرا: البحث عن صورة باستخدام نص، أو العثور على لحظة داخل فيديو انطلاقا من مذكرة صوتية. عندما تتقارب الوسائط داخل تمثيل واحد، لا يحتاج المطور إلى بناء نظام مستقل لكل زوج من الوسائط.
النموذج يأتي في بنية 740 مليون معامل، مع مكونات اختيارية للصوت والرؤية بحيث يمكن تشغيل ما يحتاجه التطبيق فقط. كما يدعم سياقا يصل إلى 8K token، ويستطيع معالجة تسجيلات صوتية ممتدة تصل، وفق وصف DeepMind، إلى نحو 5.5 دقائق.
لماذا التشغيل على الجهاز مهم؟
في تطبيقات كثيرة، إرسال كل صورة أو تسجيل صوتي أو وثيقة إلى السحابة غير مرغوب. قد تكون البيانات شخصية، أو الاتصال ضعيفا، أو الكلفة التراكمية مرتفعة.
إذا أمكن إنشاء embeddings محليا، يبقى المحتوى الخام على الجهاز، ويمكن إرسال نتائج البحث أو المتجهات فقط حسب تصميم التطبيق. هذا لا يجعل النظام آمنا تلقائيا، لكنه يفتح خيارات أقوى للخصوصية والعمل دون اتصال مستمر.
وهو مهم أيضا للزمن. البحث في مكتبة محلية على الهاتف لا يحتاج في كل مرة إلى رحلة شبكة كاملة إلى خادم بعيد.
أثره على البحث وRAG
RAG متعددة الوسائط كانت مكلفة ومعقدة نسبيا: استخراج نص من الصور، تفريغ الصوت، معالجة الفيديو، ثم محاولة ربط كل ذلك. نموذج embedding موحد لا يلغي كل هذه الخطوات، لكنه يوفر طبقة مشتركة للاسترجاع.
يمكن تصور تطبيق تعليمي يخزن محاضرات وفيديوهات وصورا وملفات PDF، ثم يسمح للطالب بالبحث بجملة واحدة عبر كل هذه المواد. أو أرشيف مؤسسي يجد لقطة من فيديو اجتماع انطلاقا من سؤال مكتوب.
بالنسبة للغة العربية، تبقى جودة الأداء الفعلية نقطة تحتاج اختبارا مستقلا. وجود نموذج متعدد اللغات أو متعدد الوسائط لا يعني أن كل اللغات متساوية في الجودة، ولذلك يجب تقييمه على محتوى عربي حقيقي قبل اتخاذ قرار إنتاجي.
ما القيود العملية؟
الـembedding لا “يفهم” المحتوى بالطريقة التي نفهمها من نموذج محادثة. هو ممتاز في قياس التشابه والاسترجاع، لكنه لا يعطي تفسيرا طويلا ولا يحسم صحة الوثيقة التي وجدها.
كما أن العمل على الجهاز يفرض حدودا على الذاكرة والبطارية والسرعة. الوصف “on-device” لا يعني أن الأداء سيكون متطابقا على كل هاتف قديم وجديد.
خلاصة Neo Agora AI
EmbeddingGemma 2 مثال على تحول مهم: بعض أكثر طبقات الذكاء الاصطناعي فائدة قد تعمل بصمت، محليا، ولا يراها المستخدم كنموذج محادثة أصلا.
إذا أثبت النموذج جودة جيدة في البيئات الواقعية، يمكن أن يوسع البحث متعدد الوسائط والـRAG إلى تطبيقات أصغر وأكثر خصوصية. القيمة هنا ليست في أن “يتحدث” النموذج، بل في أن يجد الشيء الصحيح بسرعة قبل أن يبدأ أي نموذج آخر في الكلام.
المصادر
