Google تطلق نموذج Gemini 4 Argon الذي يقلل بشكل كبير متطلبات موارد الحوسبة الكمية ويعزز أداء الروبوتات

أطلقت Google مؤخرًا نموذج Gemini 4 Argon، الذي يزعم أنه يقلل متطلبات الموارد في عمليات الحوسبة الكمية بأكثر من 100 مرة، بينما يساعد الباحثين على تطوير حلول رياضية جديدة لمعالجة مشاكل الاندماج النووي، وتحسين أداء الروبوتات في العالم الحقيقي. في عرض توضيحي، أنتج Argon مكونًا لخوارزمية كمية كانت تكلفتها الزمانية-المكانية أقل بأكثر من 100 مرة من الطرق المنشورة سابقًا. وأوضحت الشركة أن عملية التنفيذ خضعت للتحقق الرسمي عبر نظام Lean، وهو نظام يستخدم للتحقق من البراهين الرياضية.

تحسين أداء الروبوتات

ساعد النموذج أيضًا الباحثين في إيجاد حلول جديدة لمشكلة رياضية عمرها عقود متعلقة بمفاعلات الاندماج النجمي (Stellarator). في اختبارات روبوتية منفصلة، رفعت بيانات التدريب التي ولّدتها محاكاة Argon معدل نجاح الروبوتات في المهام الواقعية من 56% إلى 75%. أعلنت Google هذه التطورات في 13 أكتوبر، كجزء من إطلاق Gemini 4 Argon.

في اختبار آخر، تشغيل النموذج دون إشراف على قاعدة أكواد Google الحالية لمدة 11 ساعة، حيث قللت التغييرات المولدة نفقات إعداد الجلسة بنحو 40%، وزادت سرعة استيراد الحزم بنسبة 21%. أصبحت الحوسبة الكمية أكثر كفاءة، إذ تحتاج الحواسيب الكمية إلى عمليات مصممة بعناية لإجراء الحسابات مع الحد من الأخطاء ومتطلبات الأجهزة. تعتمد بعض الخوارزميات على مكونات رياضية أصغر تسمى الإجراءات الفرعية (subroutines)، والتي تستهلك موارد حسابية كبيرة. أصبح Gemini 4 Argon متاحًا الآن، ويمكن للمطورين والشركات حول العالم استخدامه في المستويات المدفوعة من Gemini API وعلى منصة Gemini، ومشتركي Ultra في Google Antigravity، وكذلك

يمكن لمشتركي Ultra وPro في تطبيق Gemini والبحث (Search) استخدامه أيضًا.

تحسين موارد الحوسبة الكمية

أوضحت Google أن Argon حسّن الإجراء الفرعي arcsin المستخدم في خوارزميات المحاكاة الكمية. وبالمقارنة مع تنفيذ CORDIC الكمي المنشور، خفض الإصدار الجديد التكلفة الزمانية-المكانية بأكثر من 100 مرة. وتقيس التكلفة الزمانية-المكانية الموارد الحسابية اللازمة لتنفيذ عملية ما، مع الأخذ في الاعتبار متطلبات الأجهزة ووقت التنفيذ. وينطبق هذا التحسين على الإجراء الفرعي المحدد الذي تم اختباره، وليس على نظام الحوسبة الكمية ككل. كما حسّن Argon الإصدار الداخلي من مصحح أخطاء الكمية المستند إلى التعلم الآلي من Google، AlphaQubit.

وفقًا لـ Google، ضاعف النموذج تقريبًا إنتاجية الاستدلال (inference throughput) من خلال تحويله إلى نواة (kernel) واحدة محسّنة للأجهزة.

جرى اختبار قدرات النموذج في هندسة البرمجيات على مجموعة تطوير الوكلاء (Agent Development Kit) مفتوحة المصدر من Google، وهو إطار لبناء ونشر الوكلاء المستقلين. في عملية تشغيل ليلية استمرت 11 ساعة، فحص Argon قاعدة أكواد تضم حوالي 205,000 سطر كود، تشمل ما يقارب 800 ملف. قدم ستة مقترحات تحسين، قُبل اثنان منها بعد مراجعة بشرية ودمجا في المشروع. قللت هذه التغييرات نفقات إعداد الجلسة في الذاكرة بنحو 40% في الجلسات الطويلة، وحسّنت سرعة استيراد الحزم بنسبة 21%.

في اختبارات معيارية مستقلة، انخفض وقت تنفيذ وكيل لـ 158 دورة من 65.6 ثانية إلى 56.1 ثانية. ومع ذلك، ظل الوقت من بدء عملية جديدة حتى أول طلب للنموذج دون تغيير جوهري.

في أبحاث الاندماج النووي، تعاونت Google مع الأستاذ Matt Landreman من جامعة ماريلاند، حيث حددا مجموعة أوسع من المضادات (counterexamples) لدحض حدسية Grad، وهي فرضية رياضية تعود إلى عام 1967. وكانت مضادات سابقة قد طرحت تحديًا لهذه الحدسية. وقد توفر الحلول الجديدة المحددة حالات مرجعية لاختبار برامج المحاكاة المستخدمة في تصميم مفاعلات الاندماج النجمي (Stellarator)، التي تستخدم مجالات مغناطيسية معقدة لحصر البلازما الساخنة. من جهة أخرى، أظهر Argon قدرة على توليد بيئات تدريب فيزيائية للروبوتات.

ابتداءً من صورة واحدة لطاولة، بنى النموذج محاكاة قائمة على الفيزياء، وولّد أكثر من 4,500 تدريب على مهام معالجة روبوتية.

مكّن Gemini 4 Argon روبوتًا من تعلم لعبة corn hole بمجرد مشاهدة فيديو. قام برسم خرائط للفيزياء، وبرمج محاكاته الخاصة، وعلّم روبوت Apollo البشري من @Apptronik تحقيق 7 رميات ناجحة متتالية. أفادت Google أن بيانات التدريب المولدة رفعت معدل نجاح الروبوت في العالم الحقيقي من 56% إلى 75%، بينما قلصت وقت إتمام المهمة من 35 ثانية إلى 24 ثانية. في عرض توضيحي آخر، ساعد Argon روبوت Spot من Boston Dynamics على ممارسة فتح سلة مهملات بدواسة في المحاكاة، قبل محاولة التعامل مع الجسم الحقيقي.

بجانب أبحاث الروبوتات، استخدم باحثو Gamow Labs نموذج Argon لفحص بيانات جينية مجهولة المصدر (de-identified) لرضع يعانون من مرض رئوي تنموي نادر. وذكرت Google أن النموذج حدد إعادة ترتيب كروموسومي (chromosomal rearrangement) أخفقت البرامج التقليدية في اكتشافه لسنوات. وتتناول هذه النتائج البحث العلمي، وهندسة البرمجيات، والتحكم في الروبوتات الفيزيائية. ومع ذلك، تظل التحسينات المبلغ عنها محددة للتجارب الموصوفة، ولم يُثبَت بعد الأداء الأوسع في هذه المجالات.

البند	المواصفات
خفض التكلفة الزمانية-المكانية	أكثر من 100 مرة
تحسين معدل نجاح الروبوتات	56% إلى 75%
تقليل وقت إتمام المهمة	35 ثانية إلى 24 ثانية
أسطر قاعدة الأكواد	حوالي 205,000 سطر

تأثير Gemini 4 Argon على الروبوتات والحوسبة الكمية

يمثل إطلاق Gemini 4 Argon تقدمًا مهمًا في الحوسبة الكمية وتقنيات الروبوتات. لم يحقق النموذج خفضًا كبيرًا في متطلبات موارد الحوسبة الكمية فحسب، بل رفع أيضًا معدل نجاح الروبوتات في المهام الواقعية، مما يظهر إمكاناته في التطبيقات العملية. إضافة إلى ذلك، قد تدفع إسهامات Argon في أبحاث الاندماج النووي بتطور العلوم ذات الصلة، مما ينعكس بعمق على قطاع الطاقة. لا تُبرز هذه التطورات براعة Google في الابتكار التقني فحسب، بل تضع أيضًا أساسًا للبحوث والتطبيقات المستقبلية。