تصور کنید زیربنای هوش مصنوعی در علوم دیگر در حصار آزمایشگاههای بسته نباشد. وزارت انرژی ایالات متحده (DOE) با انتشار مدل Genesis-Science-1، این چشمانداز را به واقعیت تبدیل کرده و مدلهای خود را در دسترس عموم قرار داده است. به عنوان نخستین مدل وزنهای باز در نوع خود، این ابزار یک زیربنای شفاف و توسعهپذیر برای پژوهشگران فراهم میکند تا اکتشافات در فیزیک انرژیهای بالا، گداخت هستهای و علم مواد را سرعت ببخشند؛ در حالی که همچنان برای مدلسازی سیستمهای زمین و زیستشناسی قابل انطباق است.
این مدل نخستین نمونه از مدلهای وزنهای باز (Open Weights) — یعنی مدلهایی که «دستور پخت» آنها علناً منتشر شده و نه فقط غذای آماده — در این سطح است. این اقدام بستری شفاف و توسعهپذیر برای پژوهشگران فراهم میکند تا اکتشافات در فیزیک انرژیهای بالا، گداخت هستهای و علم مواد را سرعت ببخشند؛ در حالی که همچنان برای مدلسازی سیستمهای زمین و زیستشناسی قابل انطباق است.
به نقل از مستندات رسمی، این حرکت بخشی از ماموریت جنسیس (Genesis Mission) است؛ ابتکاری ملی که در نوامبر ۲۰۲۵ با یک فرمان اجرایی آغاز شد. این گام عملیاتی در راستای تخصیص بودجه ۵ میلیارد دلاری کاخ سفید برای تسریع علوم برداشته شده تا زیرساختهای لازم برای این تحول فراهم شود. هدف این ماموریت جسورانه است: دو برابر کردن بهرهوری و اثرگذاری علوم و مهندسی آمریکا طی یک دهه. این برنامه تحت هدایت داریو گیل، معاون علمی DOE، ۱۷ آزمایشگاه ملی، مراکز محاسباتی پیشرفته و منابع دادههای علمی را به شرکای صنعتی و دانشگاهی متصل میکند. DOE با تغییر رویکرد به سمت وزنهای باز، در تلاش است تا یک دارایی عمومی ایجاد کند که سد ورود به دنیای هوش مصنوعی پیشرفته را برای خیر عمومی کاهش دهد.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، شفافیت در وزنها میتواند منجر به نظارت دقیقتر شود. مدل Genesis-Science-1 که با همکاری شرکت Arcee AI توسعه یافته، اولین عضو از کلاس جدیدی از مدلهای بنیادی (Foundation Model) — شبیه به یک زیربنای جامع که میتوان روی آن ساختمانهای تخصصی مختلف ساخت — است. طبق اعلام پورتال رسمی این پروژه (genesisopenmodels.anl.gov)، DOE اکنون فعالانه در حال جذب شرکا برای گسترش این اکوسیستم است. این برنامه بهطور مشخص سه گروه از مشارکتکنندگان را هدف قرار داده است:
- تأمینکنندگان مدل: سازمانهایی که مدلهای پایه با وزنهای باز و منشأ شفاف برای تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست میدهیم تا روی یک حوزه دقیق شود — ارائه میدهند تا بتوان آنها را برای استقرار فوری بهینه کرد.
- تأمینکنندگان داده: پژوهشگرانی که مجموعههای داده علمی باکیفیت، تخصصی، مجموعههای دادههای سازمانیافته یا محکهای (Benchmarks) لازم برای چرخههای پیشآموزش آینده را در اختیار دارند.
- تیمهای تنظیم دقیق: متخصصانی که قادر به ساخت نسخههای انطباقیافته با دامنه، مانند کمکخلبانهای علمی، دستیاران آزمایشگاهی یا جایگزینهای شبیهسازی (Simulation Surrogates) هستند.
مسیرهای مشارکت و ضربالاجلها
به گزارش وزارت انرژی، برنامه سال ۲۰۲۶ بازه زمانی سختگیرانهای دارد. این ابتکار به دنبال مواد علمی و فنی برای چندین مرحله از توسعه است. دادههای مرحله بنیادی — شامل متون علمی، کدها، مستندات و مجموعههای ساختاریافته برای پیشآموزش، میانآموزش (Midtraining) و گسترش بافت (Context Extension) — باید تا ۱۴ اوت ۲۰۲۶ ارسال و تا ۲۸ اوت تحویل داده شوند.
مشارکتهای پس از آموزش مسیر جداگانهای دارند که شامل موارد زیر است:
- نمونههای تنظیم نظارتشده (SFT) و نمایشهای تخصصی.
- مثالهای وظایف برچسبگذاریشده و نرمافزارهای پژوهشی.
- محیطهای کامل گردشکار و وظایف یادگیری تقویتی (RL).
- ارزیابیهای مجزا (Held-out evaluations)، معیارهای امتیازدهی، تستها و تاییدکنندهها.
این مواد باید تا ۲۵ اوت ۲۰۲۶ ارسال و تا ۱۴ سپتامبر تحویل شوند. انتظار میرود هر سه ماه یکبار ضربالاجلهای جدیدی برای هر دو مسیر اعلام شود.
فرآیند انتخاب
درخواستها از طریق یک فرآیند سختگیرانه تحت نظارت DOE و با مشارکت شرکای دانشگاهی، آزمایشگاههای ملی و صنعتی بررسی میشوند. این فرآیند شامل یک بازبینی پنجمرحلهای است: تناسب علمی، حقوق و نحوه مدیریت، آمادگی متخصصان و ارزیابی، یکپارچگی فنی و در نهایت انتخاب نهایی برنامه.
متقاضیان باید کار علمی، اهمیت آن، مواد آماده برای انتقال و متخصصان پشتیبان را شرح دهند. فرمهای عمومی تنها متادادهها را جمعآوری میکنند و هیچ ماده علمی در مرحله درخواست منتقل نمیشود. مشارکتکنندگان منتخب به ارزیابیهای زودهنگام دسترسی یافته و نامشان در گزارشهای فنی رسمی ذکر میشود. این برنامه بهویژه به دنبال گردشکارهایی است که در ارزیابیهای استاندارد هوش مصنوعی کمتر دیده شدهاند و به درستی نمایش داده نمیشوند.
استراتژی زیرساختی
شرکت Arcee AI بهعنوان نخستین شریک صنعتی، تخصص فنی ویژهای را به این همکاری میآورد. خانواده مدلهای Trinity آنها از مدلهای محلی کوچک تا Trinity Large — یک مدل با ۴۰۰ میلیارد پارامتر از نوع ترکیب خبرهها (Mixture of Experts یا MoE) — را شامل میشود. Arcee در توسعه سرتاسری، از آمادهسازی داده و معماری گرفته تا پیشآموزش و استقرار، تخصص دارد.
این مشارکت نشان میدهد که ابتکار جنسیس مدلهایی را اولویت میدهد که توسعهدهندگان، شرکتها و مؤسسات عمومی بتوانند روی زیرساختهای تحت کنترل خود اجرا و تطبیق دهند. برای جامعه تجاری و پژوهشی، این یک چرخش در نحوه توزیع هوش مصنوعی علمی است. پژوهشگران بهجای اتکا به APIهای اختصاصی که ممکن است تغییر کنند یا گران شوند، میتوانند یک مدل بنیادی تحت حمایت دولت را با نیازهای آزمایشگاه خود تطبیق دهند. این کار «بدهی فنی» ساخت مدلهای علمی از صفر را کاهش میدهد.
این ابتکار در واقع ۱۷ آزمایشگاه ملی و مراکز محاسباتی DOE را به یک شتابدهنده عظیم متنباز تبدیل میکند. اگر این طرح موفق شود، هوش مصنوعی از یک ابزار تحلیل ساده به یک زیرساخت مشترک برای کل جامعه علمی تبدیل خواهد شد. همچنین، ارائهدهندگان زیرساخت میتوانند درخواستهای مستمری را در رابطه با ظرفیتهای اضافی آموزش یا ارزیابی ارسال کنند.
سازمانهای علاقهمند — از جمله دانشگاهها، سازمانهای غیرانتفاعی علمی و شرکتها — میتوانند متادادهها و توضیحات خود را پیش از بسته شدن پنجره ۱۴ اوت در پورتال رسمی مشارکت ثبت کنند.
گام بعدی شما
- اگر مؤسسه پژوهشی یا شرکتی در حوزه علوم هستید، متادادههای خود را پیش از ۱۴ اوت ۲۰۲۶ در پورتال رسمی ثبت کنید.
- مدلهای خانواده Trinity را برای درک معماری MoE در مقیاس بزرگ بررسی کنید.
- استراتژی استقرار مدلهای محلی را جایگزین اتکای مطلق به APIهای بسته کنید.
اما تأمین انرژی برای این مدلهای غولپیکر چالش بعدی است — به تحلیل ما دربارهی مراکز داده نسل جدید مراجعه کنید.
گفتگو