Thomson Reuters تبني نموذج ذكاء اصطناعي قانوني خاص بها

كشفت شركة Thomson Reuters عن "Thomson"، أول نموذج لغوي كبير (LLM) خاص بها بالكامل. ويستند النموذج إلى Qwen، النموذج مفتوح المصدر التابع لمجموعة Alibaba الصينية، إذ تقول الشركة إنها تستخدم حاليًا نسخة Qwen3.5-397B. وبحسب تقرير نشره موقع The Decoder، أكدت Thomson Reuters أنها استثمرت نحو 40 مليون دولار على مدى عامين في الموظفين والقدرة الحاسوبية لهذا المشروع.

يُقال إن عملية التدريب النهائية الوحيدة (training run) للنسخة الحالية كلّفت وحدها نحو 450 ألف دولار، وهو رقم يُذكر كثيرًا في التقارير لكنه لا يمثل سوى جزء يسير من التكلفة الحقيقية. وحتى مبلغ الـ40 مليون دولار لا يعكس القيمة الفعلية الكامنة وراء المشروع: عقود من المحتوى المستمد من Westlaw وPractical Law وCheckpoint ووكالة Reuters، إضافة إلى ساعات عمل مئات الخبراء القانونيين الذين شاركوا في المشروع على مدى سنوات.

كيف تحوّل نموذج مفتوح المصدر إلى نموذج قانوني

بالتعاون مع Imperial College London، أعادت Thomson Reuters أولًا ضبط النموذج الصيني المفتوح من حيث السلامة والأخلاقيات والحياد السياسي. وتحمل هذه المرحلة الوسيطة الاسم الرمزي الداخلي "Snowdon"، نسبة إلى جبل في ويلز. تلا ذلك تدريب أولي على المحتوى الخاص بالشركة، ثم تدريب لاحق بمشاركة خبراء في المجال القانوني، وأخيرًا تعلّم معزز قائم على الوكلاء (agentic reinforcement learning) داخل بيئات الأدوات الخاصة بالشركة، مثل Westlaw. وبحسب الشركة، لم يُستخدم حتى الآن في التدريب سوى أقل من 10 بالمئة من المحتوى المتاح.

وقال المدير التقني Joel Hron لموقع The Decoder إن نقطة انطلاق المشروع تغيّرت "نحو نصف دزينة من المرات تقريبًا". وأضاف مسؤول الأبحاث Jonathan Schwartz أن الإنجاز الحقيقي لا يكمن في نموذج واحد بعينه، بل في "مصنع نماذج" قابل لإعادة الاستخدام.

على Thomson أن يحدد حدود الذكاء في المجال القانوني. وهذه مهمة مختلفة عمّا تقوم به، في رأيي، الكثير من مختبرات الذكاء الاصطناعي المتقدمة.

إذا اكتفيت بأخذ النموذج مفتوح المصدر دون أي من هذه الخطوات الإضافية، فلن يكون على دراية بالقدر نفسه من المعرفة. ولن يكون بالضرورة متوافقًا مع قيمك الخاصة، ولن يكون بنفس جودة الأدوات التي تبنيها بنفسك لاحقًا.

نتائج اختبارات يجب قراءتها بحذر

في اختباراتها الخاصة، حقق Thomson نتيجة 0.823 في اختبار Stanford LegalBench، متأخرًا عن Gemini 3.1 Pro وGPT-5.5. وفي اختبار Harvey Legal Agent Benchmark، جاء في المرتبة التالية مباشرة لـClaude Opus 4.8. ويتصدر Thomson في اتباع التعليمات وفي اختبار PrBench Legal الصعب، لكنه يتراجع بوضوح في مهارات الاستدلال، وخصوصًا في البرمجة. ويُنظر إلى هذه المقارنة على أنها منحازة من الناحية المنهجية: إذ يُختبر Thomson باستخدام تقنية التوسّع وقت الاختبار (test-time scaling)، بينما يُختبر GPT-5.5 دون تفعيل وضع الاستدلال الخاص به.

في اختبار Deep Research الداخلي الخاص بالشركة، حقق Thomson باستخدام الوصول إلى الويب فقط نتيجة 0.53 من حيث الدقة الواقعية، مقابل 0.65 لـGPT-5.4. لكن مع إتاحة الوصول إلى المحتوى الخاص بالمجموعة، ارتفعت نتيجة Thomson إلى 0.83، متجاوزًا بفارق ضئيل نتيجة GPT-5.4 البالغة 0.82. ويعترف Andrew Bean، المسؤول عن هذا التقييم، بأن النموذج، بالاعتماد على الوصول إلى الويب فقط، "ليس بالتأكيد بعد" في المقدمة. واللافت أن GPT-5.4 يستفيد هو الآخر بشكل كبير من الوصول إلى المحتوى الخاص، ما يعني أن الوصول إلى البيانات يكاد يكون بنفس أهمية التدريب المتخصص نفسه. وتشير SiliconANGLE إلى أن هذه النتائج الداخلية لم تخضع بعد لتحقق مستقل واسع النطاق، وأن تقريرًا تقنيًا يتضمن مزيدًا من نتائج الاختبارات سيصدر لاحقًا. وقد بدأت Thomson Reuters بالفعل بمشاركة النموذج مع خبراء قانونيين ومؤسسات أكاديمية لأغراض الاختبار.

لماذا البناء بدلًا من ضبط نموذج متقدم دقيقًا

لماذا تختار الشركة بناء نموذج خاص بها بدلًا من إجراء ضبط دقيق (fine-tuning) لنموذج متقدم جاهز من OpenAI أو Anthropic؟ تقدّم الشركة ثلاثة أسباب:

• الجدوى الاقتصادية: كثيرًا ما يؤدي الضبط الدقيق التقليدي إلى إضعاف القدرات العامة للنموذج، ويجعل الشركة معتمدة على تكاليف الاستدلال وعلى خارطة طريق المزوّد؛ في حين يكون النموذج الخاص الأصغر حجمًا مربحًا في المهام عالية الحجم مثل مراجعة المستندات.
• البيانات: التدريب داخل بيئات الأدوات الخاصة بالشركة مثل Westlaw هو تحديدًا ما ينتج القفزة في الأداء التي لوحظت، وهو وصول لا ترغب الشركة في منحه لأي طرف ثالث.
• الأثر التراكمي: يتحول كل تقييم يقدّمه الخبراء أثناء تحديثات المنتج إلى بيانات تدريب تتراكم، في حالة النموذج الخاص، مثل رأس مال، بدلًا من أن تعود بالفائدة على مزوّد خارجي.

تعترف الشركة في الوقت نفسه بحدود هذا النهج: فهو لا ينطبق إلا على الشركات التي تجمع بين ثلاثة عناصر نادرة، هي قواعد بيانات حصرية، ومئات من الخبراء المتخصصين الموظفين داخليًا، وسير عمل يمكن فيه قياس الجودة بشكل موضوعي. وبالنسبة لشركة تمتلك هذا الملف، لا يؤخر مجتمع المصادر المفتوحة اللحاق بمختبرات الذكاء الاصطناعي المتقدمة سوى بضعة أشهر، وقد تكفي 40 مليون دولار لبناء نموذج متخصص قادر على المنافسة. أما بالنسبة لشركة لا تملك بيانات خاصة ولا بنية تحتية للتقييم، فإن بناء نموذج خاص سيكلفها بشكل أساسي على مستوى الصيانة المستمرة.

أول تطبيق: داخل CoCounsel

يُدمج Thomson أولًا في ميزة "Tabular Analysis" الخاصة بـCoCounsel Legal، مساعد الذكاء الاصطناعي القانوني التابع لـThomson Reuters، لمراجعة كميات كبيرة من المستندات، وهي حالة استخدام يكون فيها اعتماد نموذج أصغر وأرخص منطقيًا من الناحية الاقتصادية. ويبقى CoCounsel قائمًا على تعدد النماذج: إذ لا يزال بإمكان المسؤولين اختيار نماذج أخرى. ولا يُقصد بـThomson أن يدير النظام بأكمله، بل أن يتولى مهام فرعية مثل التحقق من صحة الاستشهادات. وبحسب الشركة، لا تُستخدم بيانات العملاء في التدريب.

من المقرر إصدار نسخة أصغر من النموذج بأوزان مفتوحة على منصة Hugging Face بموجب ترخيص غير تجاري، إلى جانب تقرير تقني وبوابة مخصصة للمطورين. كما تجري حاليًا مباحثات أولية وغير ملزمة مع مكاتب محاماة بشأن ترخيص مباشر للنموذج.

تشير Thomson Reuters إلى السياق الأوسع: تضم منصتها الرئيسية Westlaw أكثر من 40 ألف قاعدة بيانات مستقلة، وأكثر من 150 عامًا من النشر القانوني والتحرير التحريري. وتقول الشركة إن السيطرة على نموذجها الخاص تمنحها سلطة أكبر على النشر والحوكمة والتطوير المستقبلي، وهي حجة تندرج ضمن ما يُعرف بـ"سيادة الذكاء الاصطناعي". وتجري بالفعل مباحثات مع مكاتب محاماة كبرى وشركات بشأن الوصول المباشر إلى النموذج، بما في ذلك إمكانية أن يقوم العملاء مستقبلًا بتكييف Thomson مع معارفهم الخاصة وسير عملهم.

بالنسبة لمكاتب المحاماة والإدارات القانونية في المنطقة العربية، تُظهر هذه الحالة بوضوح الشروط التي يصبح فيها بناء نموذج لغوي خاص أمرًا مجديًا اقتصاديًا فعلًا: فلا يمكن سوى لمؤسسة تمتلك قواعد بيانات حصرية بُنيت على مدى عقود، وخبراء متخصصين داخليين، ومعايير جودة يمكن قياسها بشكل موضوعي، أن تبني، بميزانية محدودة نسبيًا، نموذجًا متخصصًا قادرًا على منافسة مختبرات الذكاء الاصطناعي المتقدمة. أما بالنسبة لمعظم الشركات في المنطقة، فمن المرجح أن يظل دمج النماذج القائمة عبر نظام قائم على الوكلاء هو المسار الأكثر واقعية، خصوصًا عند أتمتة المهام القانونية والإدارية المتكررة.