شهدت البنية التحتية للذكاء الاصطناعي التوليدي في الآونة الأخيرة تحولا جذريا في الفلسفة التصميمية للنماذج اللغوية الكبيرة، فبعد سنوات من التنافس المحموم بين عمالقة التكنولوجيا نحو زيادة عدد المعاملات وبناء نماذج أضخم حجما، واجهت الصناعة حائطا مسدودا يتعلق بكفاءة الطاقة، وتكلفة التشغيل، وزمن الاستجابة.

في هذا السياق التقني، يمثل إطلاق جيل جيميناي 3.5، وتحديدا نموذج جيميناي 3.5 فلاش (Gemini 3.5 Flash)، تجسيدا لقفزة نوعية نحو الحوسبة الفورية والمستدامة، إذ لم يعد الرهان يتمحور حول مدى ضخامة النموذج، بل حول مدى كفاءته وقدرته على معالجة البيانات الضخمة لحظيا وتكلفة تشغيلية منخفضة.

لفهم الفارق الجوهري بين جيميناي 3.5 فلاش والجيل الحالي أو السابق مثل عائلة جيميناي 1.5، يجب النظر إلى كيفية تدريب النموذج، فبناء على الوثائق التقنية الصادرة عن غوغل ديب مايند (Google DeepMind)، فإن نموذج فلاش لم يتم تدريبه بالطريقة التقليدية من الصفر، بل اعتمد على عملية هندسية تعرف باسم "التقطير الموجه للمعرفة" (Knowledge Distillation) من النموذج الأكبر والأكثر تعقيدا جيميناي 1.5 برو وعائلة جيميناي 3.5 المتقدمة.

خلال هذه العملية، يقوم النموذج الأكبر بنقل الأنماط السلوكية، والقدرات التحليلية، والروابط العصبية المعقدة إلى نموذج أصغر حجما. والنتيجة هي نموذج يتمتع بذكاء يقارب النماذج العملاقة، لكنه يحتفظ برمز برمجي خفيف الوزن يسمح له بالعمل بسرعة فائقة.

وتؤكد تقارير غوغل كلاود التقنية أن هذا الأسلوب سمح لفلاش بكسر معضلة المقايضة التقليدية بين "السرعة" و"الدقة".

تعد مشكلة زمن الاستجابة (Time to First Token – TTFT) من أكبر التحديات التي واجهت الأجيال السابقة، ففي النماذج الضخمة، كانت الحوسبة تتطلب مرور البيانات عبر مليارات المعاملات، مما يتسبب في بطء استجابة الأنظمة أثناء المحادثات الحية أو العمليات البرمجية المعقدة.