الذهب لا يستلقي على السطح — إنه مختبئ بين أطنان من الصخور الخاوية. كي يستخرج المنقبون غرامًا واحدًا من المعدن النفيس، يغربلون أمتارًا مكعبة من التربة. على هذا المنوال تقريبًا تُدرَّب نماذج اللغة الكبيرة المعاصرة: تمرر آلاف الإجابات المرشحة عبر نموذج تقييم مكلف (الأوراكل — نموذج يعطي تقييمات دقيقة)، لاختيار إجابة واحدة هي الأفضل. تبدو العملية كخط تجميع، حيث كل حفيف للمجرفة يكلّف موارد حاسوبية.

عند الضبط الدقيق لنموذج Llama 3، يُولَّد لكل مثال حتى 32 إجابة، ولا ينتقل إلى الجولة التالية سوى الأعلى تقييمًا. تتكرر الدورة ست مرات، ويُستدعى الأوراكل عشرات الملايين من المرات. هذا الأسلوب متوارث من التعلم المعزز القائم على التغذية الراجعة — RLHF. لكن إذا نظرنا إلى العملية كاستعلام SQL «اختر الأفضل، مرتّبًا حسب التقييم»، يتضح أن ليس ضروريًا تشغيل المُقيِّم الغالي على كل مرشح. هنا يأتي دور حيل كلاسيكية من عالم قواعد البيانات.

الأسلوب الأول — طرق مونتي كارلو في التجميع التقريبي (Approximate Query Processing). كما نأخذ عينات من التربة عند التنقيب، ونُقدر متوسط محتوى الذهب، ونتوقف عندما يضيق فاصل الثقة (النطاق الذي تقع فيه القيمة الحقيقية باحتمال معين) إلى العتبة المطلوبة. في تعلم الآلة، هذا هو أخذ العينات التدريجي: يُستدعى الأوراكل للمزيد من الإجابات العشوائية حتى يستقر تقدير المُجمَّع — مجموع أو متوسط أو قيمة عظمى. بالنسبة لاستعلامات مثل «الأعلى 1»، يصير معيار الاستقرار هو ثبات أفضل نتيجة. الأسلوب الثاني — النموذج الوكيل (Proxy Model). على مجموعة صغيرة من الإجابات التي قيّمها الأوراكل مسبقًا، ندرّب شجرة قرارات خفيفة. تنظر الشجرة إلى سمات بسيطة — طول النص، وجود صيغ رياضية، رموز خاصة — وتستبعد فورًا الخيارات الضعيفة بوضوح. بخلاف الوكلاء الشبكات العصبية التي تحتاج مسرعات رسومية، تعمل الشجرة على معالج عادي وتستغرق أجزاء من الثانية لكل مرشح. هذا هو التحسين التتالي: لا يطلّ الأوراكل المكلف إلا على الحالات «الجدلية».

في الاختبارات على استعلامات تحليلية، أعطى أسلوب التجميع التقريبي خطأً أقل من 10%، مستخدمًا 10–15% فقط من استدعاءات الأوراكل. وعلى خطوط أنابيب الضبط الدقيق لنماذج LLaMA و Qwen للاستدلال الرياضي وتوليد الأكواد، اكتفى بـ 20–50% من الاستدعاءات مع فقدان دقة لا يتجاوز 5%. أما أشجار القرار الوكيلة فقلّصت وقت التقييم حتى 19 مرة — مثلاً، من 1079 ثانية إلى 56 ثانية لنموذج LLaMA بثمانية مليارات معلمة. وتتقارب عملية التقييم العشوائي (العمليات العشوائية) كلما كان توزيع البيانات أكثر انتظامًا. على التعليمات البسيطة يكون التسريع أقل، لكنه يظل بعدة أضعاف.

هذه النتائج تحطم أسطورة أن تسريع الذكاء الاصطناعي يتطلب بالضرورة بنى معمارية جديدة. أحيانًا يكفي إعادة التفكير في تدفق البيانات: الكف عن حفر كل جاروف من التراب، وغربلته بذكاء عوضًا عن ذلك. تكتسب تحسينات الاستعلامات الكلاسيكية حياة جديدة في عصر نماذج اللغة الكبيرة. والقادم أكثر: ستنتشر مقاربات شبيهة إلى التفكير متعدد الخطوات والبحث في الوثائق. سيعمل النظام، كجيولوجي خبير، على استبعاد المناطق غير الواعدة من أولى الإشارات. هكذا يتحول حوض الغسل اليدوي إلى فاصل آلي — ويبدأ الذهب بالبريق أسرع.