تاريخ النشر: ١٩ أبريل ٢٠٢٥ / تاريخ التحديث: ١٩ أبريل ٢٠٢٥ - المؤلف: Konrad Wolfenstein
بديل مفتوح المصدر للذكاء الاصطناعي: أطلقت شركة Together AI برنامج "Open Deep Research" مفتوح المصدر لإجراء بحوث معمقة على الإنترنت – الصورة: Xpert.Digital
منظم، مفتوح المصدر، قوي: معًا، يرتقي الذكاء الاصطناعي بالبحث المعمق إلى مستوى جديد
تُقدّم Together AI خدمة "Open Deep Research": وهي بديل مفتوح المصدر لخدمة Deep Research من OpenAI
في 16 أبريل 2025، أطلقت شركة Together AI نظام "Open Deep Research"، وهو نظام مفتوح المصدر لإجراء بحوث ويب منظمة، مصمم كبديل لنظام Deep Research من OpenAI. يستطيع هذا النظام الإجابة عن أسئلة معقدة من خلال بحوث ويب متعددة المراحل، وإنشاء تقارير شاملة تستند إلى المصادر. وعلى عكس الحلول الاحتكارية، تتيح Together AI الكود الكامل ومجموعات البيانات وبنية النظام للعموم لتشجيع التطوير المجتمعي.
مناسب ل:
بنية البحث العميق المفتوح
تستخدم منصة Open Deep Research منهجية عمل من أربع مراحل تحاكي عملية البحث البشري. تبدأ العملية بخطوة تخطيط، حيث يقوم نموذج ذكاء اصطناعي بإنشاء قائمة باستعلامات البحث ذات الصلة. بعد ذلك، يتم جمع المحتوى ذي الصلة من الإنترنت باستخدام واجهة برمجة تطبيقات البحث Tavily. ثم يقوم نموذج تقييم بالتحقق من وجود أي ثغرات معرفية متبقية قبل أن يقوم نموذج كتابة بإنشاء التقرير النهائي.
يتميز نهج Together AI الفريد باستخدامه نماذج متخصصة متنوعة لمهام مختلفة ضمن سير العمل، وهو ما يُعرف بنهج "مزيج العوامل" (MoA). وتُستخدم نماذج الذكاء الاصطناعي التالية في التنفيذ:
- مخطط: Qwen2.5-72B-Instruct-Turbo من علي بابا لتنمية مهارات التخطيط والتفكير المنطقي
- ملخص: برنامج Llama-3.3-70B-Instruct-Turbo من شركة Meta لتلخيص محتوى الويب الطويل
- مستخرج JSON: Llama-3.1-70B-Instruct-Turbo من Meta لاستخراج المعلومات المنظمة
- أداة إنشاء التقارير: DeepSeek-V3 لتجميع المعلومات وإنشاء تقارير بحثية عالية الجودة
لمعالجة النصوص الطويلة، يقوم نموذج التلخيص بتلخيص المحتوى بإيجاز وتقييم مدى ملاءمته. وهذا يمنع نوافذ السياق في نماذج اللغة من التجاوز.
البنية التقنية والتكامل
تُقدَّم النماذج عبر منصة الحوسبة السحابية الخاصة بشركة Together AI. ويتولى نظام Tavily عمليات البحث على الويب واسترجاع المحتوى، مع ميزة خاصة تتمثل في إمكانية إجراء كل من البحث واسترجاع محتوى الموقع الإلكتروني من خلال استدعاء واحد لواجهة برمجة التطبيقات (API).
يتراوح وقت معالجة الطلب النموذجي بين دقيقتين و 5 دقائق، وذلك حسب مدى تعقيد الطلب وعدد حلقات التقييم والتفكير.
مخرجات متعددة الوسائط ووظائف موسعة
لا يقتصر برنامج Open Deep Research على إخراج النصوص فقط، بل يقدم مجموعة من الوظائف متعددة الوسائط:
- مخرجات HTML: يتم عرض النتائج بتنسيق HTML منظم يجمع بين النصوص والعناصر المرئية.
- الرسوم البيانية: إنشاء الرسوم البيانية تلقائيًا باستخدام مكتبة جافا سكريبت Mermaid JS
- صور الغلاف: إنشاء صور مناسبة للموضوع باستخدام نماذج Flux من مختبرات Black Forest.
- وظيفة البودكاست: إنشاء تلقائي لبودكاست صوتي موجز يلخص النقاط الرئيسية للتقرير، باستخدام نماذج الكلام الصوتي من Cartesia.
تتيح تنسيقات الإخراج متعددة الوسائط هذه عرضًا أكثر شمولية وجاذبية للمعلومات التي تم البحث عنها.
تقييم الأداء والمعايير المرجعية
قامت شركة Together AI بتقييم أداء Open Deep Research باستخدام ثلاثة معايير شائعة:
- الأطر: اختبار للاستدلال المنطقي متعدد المراحل
- SimpleQA: اختبار المعرفة الواقعية
- HotPotQA: تقييم الأسئلة متعددة الخطوات التي تتطلب عدة مراحل من التفكير
في جميع المعايير الثلاثة، تفوقت منصة Open Deep Research بشكل ملحوظ على النماذج الأساسية التي لا تحتوي على أدوات بحث. وبالمقارنة مع أنظمة مفتوحة مماثلة مثل Open Deep Research (LDR) من LangChain و Hugging Faces SmolAgents (SearchCodeAgent)، حققت المنصة عمومًا جودة استجابة أعلى.
ومن أهم نتائج التقييم أن إجراء عدة خطوات بحث متتالية يحسن جودة الإجابات بشكل ملحوظ. أما عند الاقتصار على بحث واحد، فقد انخفضت الدقة بشكل ملحوظ.
القيود والتحديات المعروفة
على الرغم من التقدم المحرز، تشير شركة Together AI إلى العديد من القيود التي يعاني منها نظامها:
- انتشار الأخطاء: يمكن أن تنتشر الأخطاء في الخطوات المبكرة من سير العمل عبر خط الأنابيب بأكمله وتؤدي إلى نتائج نهائية خاطئة.
- الهلوسة: يمكن أن تحدث الهلوسة عند تفسير المصادر، وخاصة المعلومات الغامضة أو المتناقضة.
- الانحيازات الهيكلية: يمكن أن يؤثر الانحياز في بيانات التدريب أو مؤشرات البحث على النتائج.
- التوقيت المناسب: تمثل المواضيع التي تتطلب توقيتاً عالياً أو ذات تغطية منخفضة على الإنترنت تحدياً خاصاً.
- مشكلة التخزين المؤقت: على الرغم من أن التخزين المؤقت المطبق يمكن أن يقلل التكاليف، إلا أنه بدون وقت انتهاء صلاحية كافٍ يؤدي إلى تقديم معلومات قديمة.
تُعد هذه القيود نموذجية لأدوات البحث الحالية في مجال الذكاء الاصطناعي، وتمثل تحديات مهمة للتحسينات المستقبلية.
مناسب ل:
مقارنة بين Open Deep Research والعروض الأخرى
يُعدّ تطوير قدرات البحث المعمّق اتجاهاً سائداً بين مزودي خدمات الذكاء الاصطناعي. وقد طرحت OpenAI هذا المفهوم في البداية، لكن جوجل وGrok وPerplexity تُقدّم الآن ميزات مماثلة. كما أضافت Anthropic مؤخراً وظيفة بحث قائمة على الوكلاء لنموذج Claude الخاص بها.
قدّمت شركة Hugging Face بديلاً مفتوح المصدر بعد فترة وجيزة من إطلاق OpenAI، لكنها لم تُطوّره أكثر. أما Perplexity، وهو محرك بحث يعمل بالذكاء الاصطناعي، فيُقدّم بديلاً مجانياً لخاصية Deep Research في ChatGPT، مما يسمح للمستخدمين بإجراء ما يصل إلى خمس عمليات بحث "متعمقة" يومياً.
على عكس الأنظمة المغلقة والمدفوعة مثل Deep Research من OpenAI (والتي تعد جزءًا من اشتراك ChatGPT Pro مقابل حوالي 200 دولار شهريًا)، يقدم Together AI بديلاً مفتوح المصدر تمامًا.
التركيز على المجتمع وقابلية التوسع
صممت شركة Together AI منصة Open Deep Research عمداً لتكون منصة مفتوحة قابلة للتطوير والتحسين من قبل المجتمع. وقد صُممت بنيتها لتكون قابلة للتوسيع بسهولة، حيث يمكن للمطورين دمج نماذجهم الخاصة، وتكييف مصادر البيانات، أو إضافة تنسيقات إخراج جديدة.
تم نشر الكود الكامل والوثائق على منصة GitHub، بالإضافة إلى مجموعة بيانات تقييمية وشروحات مفصلة على مدونة الشركة. وتعتبر شركة Together AI نظامها أساسًا لمزيد من التجارب والتحسينات من قبل مجتمع المصادر المفتوحة.
يتناقض هذا الانفتاح مع النهج المغلقة لشركات الذكاء الاصطناعي الكبيرة الأخرى ويعكس التزام Together AI الأوسع بالذكاء الاصطناعي مفتوح المصدر، والذي تم التعبير عنه أيضًا في مشاريع سابقة، مثل الإصدار الأخير لنموذج ترميز مفتوح المصدر على مستوى o3-mini، ولكن بمعلمات أقل بكثير من منافسيه المغلقين.
أهمية ذلك بالنسبة لمشهد أبحاث الذكاء الاصطناعي
يمثل إطلاق منصة Open Deep Research من شركة Together AI خطوة هامة نحو إتاحة أدوات البحث المتقدمة في مجال الذكاء الاصطناعي للجميع. فمن خلال الجمع بين نماذج الذكاء الاصطناعي القوية، والبحث المنظم متعدد المراحل عبر الإنترنت، وتنسيقات الإخراج متعددة الوسائط، يقدم النظام بديلاً واعداً للحلول الاحتكارية.
يُتيح النهج المفتوح للمطورين والباحثين إمكانية تكييف النظام وتوسيعه وتحسينه وفقًا لاحتياجاتهم. وعلى المدى البعيد، قد يُفضي ذلك إلى تطبيقات أكثر ابتكارًا وتنوعًا مما هو ممكن مع الأنظمة المغلقة.
على الرغم من استمرار بعض التحديات، لا سيما فيما يتعلق بالهلوسة والتحيز والتوقيت، فإن مبادرة "البحث العميق المفتوح" التابعة لمؤسسة "معًا للذكاء الاصطناعي" تُظهر أن أدوات البحث القوية في مجال الذكاء الاصطناعي لا تقتصر بالضرورة على المنصات الاحتكارية. ولا تقتصر هذه المبادرة على تعزيز الوصول المفتوح إلى تقنيات الذكاء الاصطناعي المتقدمة فحسب، بل تُسهم أيضًا في الشفافية وإمكانية تكرار النتائج، وهما عاملان حاسمان لبناء الثقة في البحوث المدعومة بالذكاء الاصطناعي.
مناسب ل:
تحول الذكاء الاصطناعي ، وتكامل الذكاء الاصطناعى وخبير صناعة منصة الذكاء الاصطناعى
☑️ لغة العمل لدينا هي الإنجليزية أو الألمانية
☑️ جديد: المراسلات بلغتك الوطنية!
Konrad Wolfenstein
سأكون سعيدًا بخدمتك وفريقي كمستشار شخصي.
يمكنك الاتصال بي عن طريق ملء نموذج الاتصال أو ببساطة اتصل بي على +49 89 89 674 804 (ميونخ) . عنوان بريدي الإلكتروني هو: ولفنشتاين ∂ xpert.digital
إنني أتطلع إلى مشروعنا المشترك.
