حققت Sarvam AI نجاحًا سريعًا في جذب اهتمام واسع داخل الهند وخارجها في مجال الذكاء الاصطناعي، خصوصًا مع الكشف عن أداة Sarvam Vision وأداة Bulbul V3 وتأثيرهما الملحوظ في معايير الاختبار العالمية المتخصصة.
أدوات SARVAM AI التي أشعلت الجدل
تقدمت Sarvam Vision في اختبارات التعرف البصري على النصوص (OCR)، حيث أعلن الشريك المؤسس في 5 فبراير أن Sarvam Vision حقق نتائج غير مسبوقة في olmOCR-Bench، وهو معيار عالمي يقيس قدرات النماذج في قراءة النصوص من الصور والمستندات الممسوحة ضوئيًا وفهم الكتابة اليدوية وتحليل الجداول والصيغ الرياضية والتنسيقات التقنية، مسجلاً دقة تبلغ 84.3% متفوقًا على نماذج مثل ChatGPT وGemini Pro وDeepSeek OCR وغيرها، كما حقق 93.28% في OmniDocBench v1.5 خصوصًا في التعامل مع التخطيطات المعقدة والجداول والصيغ الرياضية.
أما Bulbul V3 فهو نموذج تحويل النص إلى صوت (Text-to-Speech)، وتفوق في سياق المهام الهندية بحيث تفوق على ElevenLabs في الاختبارات المعتمدة محليًا بفضل تدريبه على اللهجات الهندية ونطق اللغات المحلية وإيقاع الكلام الهندي الطبيعي، ما جعله ينتج أصواتًا أكثر طبيعية للمستخدم الهندي.
تفوق واضح في اللغات والنصوص الهندية
ويرجع التفوق إلى التركيز العميق على اللغات الهندية والنصوص المحلية، حيث دُرب النموذج على أنماط كتابة وخطوط محلية، ولغات إقليمية، وهو ما يمنحه أفضلية عند التعامل مع مستندات رسمية ممسوحة ضوئيًا ووثائق حكومية ومحتوى متعدد اللغات.
لماذا لا تُعد SARVAM AI بديلًا لـ CHATGPT وGEMINI؟
رغم التفوق في مهام محددة، لا تُعد Sarvam AI نموذجًا عامًا للذكاء الاصطناعي مثل ChatGPT أو Gemini، لأنها مصممة لأداء وظائف محددة بدقة عالية ولا تدعم المحادثات الطويلة أو إنتاج محتوى إبداعي متنوع، كما أنها غير قادرة على معالجة مسائل معقدة تمتد عبر مجالات متعددة.
فعلى سبيل المثال، يستطيع Gemini إعداد اختبار تجريبي لامتحان JEE ومرافقة المستخدم خطوة بخطة أثناء الحل، بينما يمكن لـ ChatGPT تحليل صور الأشعة الطبية وتقديم تصور مبدئي لما يظهر فيها، وهذه استخدامات خارج نطاق قدرات Sarvam AI في الوقت الحالي.
الفرق في الحجم والتحديات البنيوية
يبرز الفرق في الحجم بين نماذج Sarvam AI والنماذج العالمية، حيث يضم Sarvam Vision نحو 3 مليارات باراميتر، فيما يُشاع أن Gemini 3 يحتوي على نحو 2 تريليون باراميتر. وبشكل عام، مع زيادة عدد البارامترات تزداد قدرات النموذج ومرونته، إلا أن تدريب وتشغيل نماذج بهذا الحجم يتطلب بنية تحتية ضخمة من وحدات GPU ومراكز بيانات متقدمة، وهو ما لا يتوافر عادةً على نطاق واسع داخل الهند حتى الآن.
إنجاز هندى يستحق الاحتفاء
يُعد ما حققته Sarvam AI إنجازًا كبيرًا من حيث إثبات إمكانية تطوير أدوات عالمية المستوى داخل الهند، رغم القيود البشرية والهيكلية في البنية التحتية والقدرات الحاسوبية. هذه الأدوات لا تدّعي أنها بديل عام للذكاء الاصطناعي، لكنها تشكل إثبات مفهوم يوضح أن التفوق ممكن عندما يكون التركيز محددًا وذكيًا، ويمثل خطوة دفع نحو مزيد من الابتكار في مجال النماذج المخصصة للهند والأسواق الناشئة.
