دخلت الشركات خلال السنوات الأخيرة في سباق واسع لتبنّي أدوات الذكاء الاصطناعي التوليدي، لكن هذا التسارع كشف مشكلة لا تقل أهمية عن جودة النماذج نفسها: الاعتماد المفرط على مزود واحد. فكلما ارتبطت الأنظمة الداخلية بواجهة برمجية واحدة أو بنموذج مغلق واحد، زادت المخاطر التشغيلية والتجارية والتنظيمية في حال تغيّرت الشروط أو تعذر الوصول إلى الخدمة أو فُرضت قيود على الإتاحة.
في هذا السياق، قدّمت Sakana AI نهجاً مختلفاً عبر نظامها الجديد Fugu، وهو إطار تنسيق متعدد الوكلاء يهدف إلى توزيع المهام بين مجموعة من النماذج بدل حصرها في منصة واحدة. الفكرة الأساسية بسيطة في ظاهرها، لكنها عميقة من الناحية المعمارية: بدلاً من أن يتعامل الفريق التقني مع نموذج واحد يؤدي كل شيء، يعمل Fugu كطبقة وسطية تختار النموذج الأنسب لكل خطوة، ثم تراجع المخرجات وتدمجها في نتيجة نهائية واحدة.
هذه المقاربة تمنح المؤسسات قدراً أكبر من المرونة، لأنها لا تربط بنيتها بالكامل بمورد واحد أو بقدرات نموذج بعينه. كما أنها تقلل من مخاطر الانقطاع المفاجئ، أو تغيّر السياسات التجارية، أو القيود الخارجية المرتبطة بسلاسل توريد الذكاء الاصطناعي. بالنسبة للجهات التي تبني تطبيقات حرجة، لم يعد السؤال مقتصراً على الأداء، بل أصبح يشمل أيضاً الاستمرارية والسيادة التقنية والقدرة على التبديل السريع عند الحاجة.
طبقة واحدة للواجهة وطبقة متعددة خلف الكواليس
تُقدّم Sakana AI Fugu بوصفه خدمة متوافقة مع الواجهات الشائعة في السوق، بحيث يمكن للمطورين الوصول إليه عبر نقطة نهاية واحدة تبدو مألوفة. لكن خلف هذه الواجهة البسيطة، يدير النظام عملية أكثر تعقيداً: تحديد ما إذا كانت المهمة تحتاج استجابة مباشرة أم أنها تتطلب تقسيم العمل إلى سلسلة خطوات ينجزها أكثر من وكيل متخصص.
في التطبيقات التقليدية، يتعين على الفريق التقني اختيار نموذج أو مزود محدد ثم بناء منطق إضافي حوله. أما في Fugu، فيجري تحويل هذا المنطق إلى داخل النظام نفسه. فهو يتولى التوجيه، وتوزيع الأدوار، والتحقق من النتائج، ثم صياغة الإجابة النهائية. وبذلك يظهر للمستخدم كأنه يتعامل مع نموذج واحد، بينما تنفذ خلفية النظام مجموعة من النماذج المتخصصة العمليات الفعلية.
هذا التصميم لا يهدف فقط إلى تحسين الدقة، بل إلى جعل البنية أكثر قابلية للصيانة. فإذا تراجع أداء أحد المكونات أو تعذر استخدامه، يمكن استبداله أو إخراجه من مسار التوجيه من دون إعادة بناء النظام بالكامل. وفي بيئات الشركات، قد تكون هذه الميزة أكثر أهمية من الفارق الضئيل في الدقة بين نموذج وآخر.
فك الارتباط عن مزود واحد ومخاطر السياسة والتنظيم
أحد الدوافع الأساسية وراء Fugu هو الحد من المخاطر المرتبطة بتركيز الاعتماد على عدد محدود من مزودي النماذج المتقدمة. فقد أظهرت تطورات السوق الأخيرة أن الوصول إلى بعض القدرات قد يتغير بسرعة بفعل قرارات تجارية أو ضغوط جيوسياسية أو ضوابط تصدير. وعندما يحدث ذلك، قد تجد الشركات نفسها أمام توقف جزئي أو كامل في الخدمات التي أصبحت تعتمد عليها في العمليات اليومية.
تعتبر Sakana AI أن هذه المشكلة لا تتعلق فقط بإدارة الموردين، بل تمس أيضاً مفهوم السيادة في الذكاء الاصطناعي. لذلك صُمم Fugu ليعمل مع مجموعة قابلة للتبديل من النماذج والوكلاء. وإذا أصبح أحد المزودين غير متاح أو أقل موثوقية، يمكن للنظام إعادة توجيه الحمل إلى بديل آخر مع الحفاظ على استمرارية الخدمة.
كما يتيح هذا النهج للشركات مساحة أفضل للامتثال. فالجهات العاملة في القطاعات المنظمة، مثل المال والأمن السيبراني والبحث العلمي، قد تحتاج إلى استبعاد بعض النماذج من مسار المعالجة بسبب سياسات الخصوصية أو متطلبات الحوكمة أو قيود مشاركة البيانات. في هذه الحالات، يمنح Fugu خيار التحكم في قائمة النماذج المشاركة دون تعطيل الإطار بالكامل.
نسختان: Fugu وFugu Ultra
طرحت Sakana AI النظام بطبقتين موجهتين لاستخدامات مختلفة. النسخة الأساسية Fugu تستهدف المهام اليومية التي تتطلب استجابة سريعة وزمن تأخير منخفض، مثل المساعدة في البرمجة، والمراجعة الأولية للكود، والمهام التشغيلية الروتينية داخل فرق التطوير.
أما Fugu Ultra فيستهدف السيناريوهات الأكثر تعقيداً، حيث يكون المطلوب ليس السرعة فقط، بل القدرة على إدارة سلسلة طويلة من القرارات والتحليلات. هذا الإصدار يستخدم مجموعة أوسع من الوكلاء المتخصصين، ويُوجَّه نحو مهام مثل إعادة إنتاج الأبحاث العلمية، وتتبع الأدبيات، وتحليل براءات الاختراع، والمشكلات التي تحتاج تفكيراً متعدد المراحل.
وتقول الشركة إن Fugu Ultra ينافس نماذج مغلقة رائدة في اختبارات علمية وهندسية ومنطقية متعددة. ورغم أن المقارنات المعيارية لا تكفي وحدها للحكم النهائي على أي منصة، فإن الرسالة هنا واضحة: Sakana AI تريد أن تثبت أن التنسيق بين عدة نماذج قد يقترب من أداء النماذج الاحتكارية الكبرى، مع تقليل الاعتماد عليها في الوقت نفسه.
استخدامات مبكرة في الأمن السيبراني ومراجعة الشيفرة
خلال مرحلة تجريبية ضمت مئات المستخدمين الأوائل، ركزت الاختبارات على مهام طويلة ومعقدة تتطلب دورة عمل كاملة أكثر من مجرد إجابة نصية قصيرة. ومن بين أبرز حالات الاستخدام التي جرى اختبارها: الأمن السيبراني ومراجعة الشيفرة البرمجية.
في مجال الأمن السيبراني، استُخدم Fugu Ultra لتشغيل سلسلة متكاملة من خطوات التقييم، بدءاً من الاستطلاع ووصولاً إلى إعداد تقرير ثغرات منظّم. ووفقاً لما نُقل عن المشاركين في البرنامج، تمكن النظام من فحص حالات مثل حقن SQL والبرمجة النصية عبر المواقع، إلى جانب مراجعة آليات المصادقة، مع الالتزام الصارم بالحدود التشغيلية وعدم الانتقال إلى إجراءات هجومية أو تخريبية.
هذه النقطة مهمة جداً في سياق الذكاء الاصطناعي العملي. فالقيمة الحقيقية لا تكمن في مجرد قدرة النموذج على اقتراح خطوات هجومية، بل في قدرته على البقاء داخل إطار آمن ومحدّد وإنتاج مخرجات قابلة للاستخدام في العمل الدفاعي. وعندما ينهي النظام العملية بتقرير واضح يحتوي على أدلة وخطوات إعادة الفحص، فإن ذلك يرفع من جاهزيته للاستخدام المؤسسي.
أما في مراجعة الشيفرة، فقد أفاد مختبرون بأن Fugu Ultra قدّم نتائج أكثر شمولاً من بعض الأدوات التقليدية، مع قدرة أفضل على التقاط أخطاء المنطق والثغرات المعمارية داخل قواعد كود كبيرة. هذا النوع من الاستخدام لا يعتمد فقط على قوة النموذج الفردي، بل على قدرة المنصة على إبقاء سلسلة التفكير والتحقق متماسكة عبر خطوات متتابعة.
ثبات الشخصية في الجلسات الطويلة
من النقاط اللافتة في Fugu Ultra ما وصفته بعض الفرق التجريبية بأنه ثبات الشخصية خلال الجلسات الطويلة. والمقصود هنا أن النظام لا ينزلق بسهولة في الهوية أو النبرة أو الأولويات أثناء الحوار الممتد، وهي مشكلة تظهر أحياناً في النماذج أحادية التشغيل عندما يتضخم السياق أو تتراكم التعليمات المتناقضة.
في الاستخدامات الوكيلية، قد تكون هذه الخاصية أكثر أهمية من الرقم الخام في الاختبارات المعيارية. فالمنتج الذي ينفذ مهمة تتكون من عشرات الخطوات يحتاج إلى انسجام داخلي، وإلى قدرة على الحفاظ على الهدف الأصلي من البداية حتى النهاية. وإذا فقد النظام هذا الاتساق، تصبح النتيجة النهائية أقل موثوقية حتى لو كانت اللغة المستخدمة تبدو قوية.
لهذا السبب، يبدو أن Sakana AI لا تراهن فقط على القوة الحسابية، بل على إدارة السلوك عبر الزمن. وهذه زاوية قد تصبح أكثر قيمة مع انتقال الشركات من استخدام الذكاء الاصطناعي كأداة سؤال وجواب إلى استخدامه كمنفذ لسير عمل كامل.
الأساس البحثي وخطة التوسع
يرتكز Fugu على أبحاث داخلية سابقة للشركة في مجال تعلم التنسيق بين النماذج. وتستند البنية المفاهيمية للنظام إلى أعمال بحثية طُرحت خلال عام 2026، ركزت على متى ينبغي للنظام أن يجيب مباشرة ومتى يجب أن يوزع المهمة على وكلاء متعددين. هذا التمييز هو جوهر المنصة، لأنه يحول التنسيق نفسه إلى جزء متعلم من الذكاء الاصطناعي وليس مجرد منطق برمجي ثابت.
وتقول Sakana AI إن التصميم يسمح للنظام بالنمو مع تطور السوق الأوسع في العتاد والبرمجيات. فمع ظهور أدوات مفتوحة المصدر جديدة أو نماذج داخلية إضافية، يمكن إدخالها إلى مجموعة التوجيه من دون إعادة بناء المنصة من الأساس. هذا يجعل Fugu أقرب إلى طبقة تشغيلية مرنة من كونه نموذجاً منفرداً.
وبالنسبة للمؤسسات، فإن الرسالة الأهم ليست أن هذا النظام يلغي الحاجة إلى اختيار المزودين، بل إنه يعيد توزيع تلك الحاجة داخل بنية أكثر مرونة. فالمؤسسة لا تزال تحتاج إلى الحوكمة والاختبار والمراقبة، لكنها لم تعد مضطرة لوضع كل قدراتها في سلة واحدة. وفي سوق تتبدل فيه السياسات والقيود والتكاليف بسرعة، قد يكون هذا الفارق حاسماً.
في المحصلة، يقدم Fugu نموذجاً عملياً لفكرة بدأت تكتسب زخماً في قطاع الذكاء الاصطناعي: التنوع في النماذج قد يكون وسيلة لإدارة المخاطر بقدر ما هو وسيلة لتحسين الأداء. وإذا نجحت هذه المقاربة، فقد تتحول من خيار تقني متخصص إلى معيار جديد في تصميم البنية المؤسسية للذكاء الاصطناعي.