تصور کنید به جای خرید یک ماشین آماده، موتور قدرتمندی در اختیار داشته باشید که بتوانید آن را برای مسابقه، حمل بار یا رانندگی در بیابان تنظیم کنید. این دقیقاً همان اتفاقی است که اکنون در اکوسیستم گما (Gemma) رخ داده است. گما را نه به عنوان یک محصول نهایی، بلکه به عنوان یک موتور دیجیتال ببینید. در حالی که یک مدل زبانی بزرگ (LLM) استاندارد مانند ماشینی است که شما فقط آن را می‌رانید، یک مدل وزن‌باز مانند موتوری است که توسعه‌دهندگان می‌توانند آن را برای اهداف خاص شخصی‌سازی کنند.
طبق اعلام کلمنت فارابت، نایب‌رئیس گوگل دیپ‌مایند (Google DeepMind) و اولیویه لاکومب، مدیر محصول، در ۲۰ اوت ۲۰۲۶، تعداد دانلودهای تجمعی این خانواده از مدل‌های وزن‌باز (Open Weights) — یعنی مدل‌هایی که دستور پخت یا همان وزن‌هایشان علناً منتشر شده تا دیگران روی آن بسازند — از مرز یک میلیارد عبور کرده است. هم‌زمان، توسعه‌دهندگان بیش از ۱۰۰ هزار نسخهٔ تخصصی و متمایز از این مدل را خلق کرده‌اند. این رویکرد گوگل در حالی پیش می‌رود که رقابت بر سر مدل‌های باز شدت یافته است؛ برای مثال، شرکت Moonshot AI اخیراً مدل Kimi K3 را به عنوان بزرگ‌ترین مدل باز‌متن با ۲.۸ تریلیون پارامتر معرفی کرد تا استانداردهای جدیدی را در این حوزه تعریف کند.
این جهش در حالی رخ می‌دهد که گوگل در رقابتی مستقیم با مدل Llama شرکت متا است تا گما را به بستر پیش‌فرض برنامه‌نویسان تبدیل کند. در حالی که پیش‌تر درباره‌ی ادغام زبان طبیعی در فید Discover گوگل بحث کردیم، پروژه گما نشان‌دهنده یک شرط‌بندی استراتژیک متفاوت است: ارائه وزن‌های خام برای اینکه دیگران روی آن بنا کنند. این اولین بار است که گوگل از زمان عرضه این خانواده در اوایل سال ۲۰۲۴، یک رقم تجمعی برای میزان پذیرش گما ارائه می‌دهد. در همین راستا، بحث‌های سیاسی پیرامون دسترسی به این فناوری‌ها شدت یافته و کاخ سفید اخیراً محدودیت‌های هدفمندی را برای مدل‌های وزن‌باز چینی جایگزین ممنوعیت‌های کلی کرد تا تعادلی میان امنیت ملی و پیشرفت تکنولوژیک ایجاد کند.
برای مدیریت این حجم از تغییرات، گوگل مخزن «Awesome Gemma» را در گیت‌هاب راه‌اندازی کرده است؛ فهرستی منتخب از پروژه‌ها، آموزش‌ها و ابزارهایی که در دنیای «گماورس» ساخته شده‌اند و به عنوان یک شاخص سازمان‌یافته برای پروژه‌های جامعه عمل می‌کند.
استقرار در فضا و علوم
یکی از جسورانه‌ترین و افراطی‌ترین کاربردهای این مدل در حال حاضر در مدار زمین است. به گزارش ناسا، آزمایشگاه پیش‌رانش (JPL) این سازمان در اوایل سال ۲۰۲۶ نسخه‌ای ۴ بیتی فشرده از مدل Gemma 3 4B را روی یک ماهواره Loft Orbital مستقر کرد.
این سامانه با نام NAVI-Orbital و با استفاده از ماژول Nvidia Jetson Orin AGX، تصاویر را مستقیماً در فضا تحلیل می‌کند. این قابلیت به ماهواره اجازه می‌دهد تصمیم بگیرد کدام داده‌ها آن‌قدر ارزشمند هستند که با پهنای باند محدود به زمین ارسال شوند. در بنچمارک‌های زمینی روی ۷۹۶۰ تصویر، این سیستم به صحت ۸۸ درصد رسید. اشغال تنها ۸ گیگابایت حافظه، مشخصه فنی کلیدی بود که استقرار مدل در این محیط با محدودیت‌های سخت‌افزاری شدید را ممکن کرد. این سیستم عملیات ثبت زنده تصاویر را بر فراز سواحل آرژانتین و تولوز فرانسه اجرا کرده است.
پروژه‌های مداری دیگر شامل استارتاپ ماهواره‌ای Satlyt و شرکت محاسباتی Starcloud است که هر دو از گما برای تحلیل‌های داخلی و مسیریابی ارتباطات بین ماهواره‌ای استفاده می‌کنند.
بهداشت و پژوهش‌های پزشکی
در سطح زمین، مقیاس استفاده حتی گسترده‌تر است. سازمان ملی بهداشت هند، مدل Gemma 4 و ابزارهای داده‌های پزشکی گوگل (Google Medical Data Toolkit) را در اپلیکیشن Aarogya Setu 2.0 ادغام کرده است. این برنامه با بیش از ۱۰۰ میلیون دانلود در اندروید، گزارش‌های پزشکی را به فرمت‌های دیجیتال استاندارد تبدیل می‌کند تا بیماران بتوانند آن‌ها را با ارائه‌دهندگان مختلف خدمات درمانی به اشتراک بگذارند.
در محیط‌های بالینی، مدل MedGemma برای تریاژ بیماران سرپایی در مؤسسه علوم پزشکی هند (AIIMS) و توسط کارکنان بهداشت در خط مقدم مناطق روستایی اوگاندا به کار گرفته شده است.
پژوهش‌های دانشگاهی نیز از این معماری بهره می‌برند:
- دانشگاه ییل: توسعه سیستم C2S-Scale برای تفسیر داده‌های تک‌سلولی که به شناسایی یک مسیر درمانی سرطان کمک کرد؛ مسیری که بعدها در سلول‌های زنده تأیید شد.
- جورجیا تک: خلق DolphinGemma با همکاری پروژه Wild Dolphin برای پیش‌بینی توالی‌های صوتی دلفین‌ها به عنوان بخشی از یک تلاش پژوهشی طولانی‌مدت.
بازی استراتژیک گوگل
تمرکز گوگل بر تعداد نسخه‌های تخصصی به‌جای تعداد دانلودها، یک چرخش راهبردی است. دانلودها ممکن است توسط نسخه‌های کپی (Mirrors) و آپلودهای مجدد متورم شوند و یک بار دانلود لزوماً نشان‌دهنده دفعات اجرای واقعی مدل نیست. اما ۱۰۰ هزار مورد تنظیم دقیق (Fine-tuning) — که برای زبان‌ها، وظایف و سخت‌افزارهای خاص تطبیق یافته‌اند — ثابت می‌کند که توسعه‌دهندگان واقعاً در حال ساخت محصول هستند.
گوگل با پشتیبانی از طیفی گسترده، از مدل‌های لبه (Edge) با ۴ میلیارد پارامتر تا سیستم‌های مقیاس پژوهشی، دلیل باز نگه داشتن خط گما را در مقابل بسته بودن مدل‌های پیشرو جمینای (Gemini) توجیه می‌کند. این استراتژی یک آزمایشگاه تحقیق و توسعه رایگان و عظیم می‌سازد که در آن جامعهٔ کاربران، مشکلات سخت بهینه‌سازی سخت‌افزاری و تنظیمات تخصصی دامنه (Domain-specific tuning) را حل می‌کنند.
برای مدیران کسب‌وکار، این یعنی هزینه استقرار هوش مصنوعی تخصصی در حال سقوط است. دیگر نیازی به آموزش مدل از صفر نیست؛ احتمالاً نسخه‌ای از گما وجود دارد که پیش‌تر برای صنعت یا محدودیت سخت‌افزاری خاص شما بهینه شده است.
برای مشاهده موج بعدی نسخه‌های با کارایی بالا، نتایج چالش اخیر Gemma در پلتفرم Kaggle را دنبال کنید که ۱۶۰۰ پروژه به آن ارسال شده است. با توجه به اینکه Gemma 4 اکنون نسل فعلی است، این نتایج بعدی‌ترین نشانگر قابل مشاهده برای پیشرفت این اکوسیستم خواهد بود.
گام بعدی شما
- نتایج چالش اخیر Gemma در پلتفرم Kaggle را دنبال کنید تا با موج جدید نسخه‌های با کارایی بالا آشنا شوید.
- اگر روی سخت‌افزارهای محدود (Edge) کار می‌کنید، نسخه‌های ۴ بیتی فشرده گما را برای کاهش هزینه استنتاج بررسی کنید.
- مخزن Awesome Gemma در گیت‌هاب را برای یافتن مدل‌های پیش‌تنظیم‌شده در حوزه تخصصی خود جست‌وجو کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو