مقالة ضيف من Anthropic تحثّ الذكاء الاصطناعي على تقديم مجموعات من النماذج العلمية

نشرت Anthropic في 6 نوفمبر 2026 مقالة بحثية كتبها باحثون ضيوف، يجادل فيها الحاصلون على منح برنامج AI for Science، ياكوب ماكه، ودانيال غيدون، وستيفان فال، بأن على وكلاء نماذج اللغة الكبيرة تقديم توزيعات مرجّحة للنماذج العلمية المعقولة، بدلاً من نموذج واحد هو الأفضل ملاءمةً. ويعمل الباحثون في معهد ELLIS في توبينغن وجامعة توبينغن.

يتمثل الفارق الجوهري لديهم في التمييز بين إعادة إنتاج المشاهدات وفهم النظام. فقد تنتج إعدادات كثيرة للمعلمات مخرجات متكافئة، كما يمكن لبنى معادلات مختلفة تفسير القياسات نفسها. ولذلك، فإن الوكيل الذي يقدم إجابة واحدة مقبولة يحجب بدائل قد تدعم آليات أو تنبؤات مختلفة.

بناء النماذج وتقييد معلماتها وتفسيرها

تقسّم المقالة النمذجة العلمية إلى ثلاث خطوات متكررة: بناء مكونات النموذج ومعادلاته، وتقييد معلماته القابلة للضبط بالاستناد إلى القياسات، وتفسير ما تكشفه النتيجة عن النظام الحقيقي. ومثالها التاريخي نموذج الخلايا العصبية الذي وضعه هودجكين وهكسلي. اختار الباحثان حدّاً من القوة الرابعة لأن الصيغ الأبسط لم تلائم بياناتهما بالقدر نفسه، بينما أمضى هكسلي أكثر من ثلاثة أسابيع في حل المعادلات باستخدام آلة حاسبة تُدار بكرنك، بعد تعطل حاسوب جامعة كامبريدج عام 1951.

وهنا تكمن أهمية تاريخ البدائل التي رُفضت. فقد دعم الحدّ من القوة الرابعة فرضيةً عن عدة أجزاء متحركة في بوابة غشائية؛ ولولا معرفة أن القوى الأقل لم تنجح، لما كان التوافق العددي وحده كافياً لتبرير هذا التفسير. ويستعين المؤلفون بهذا المثال لتحديد معيار للذكاء الاصطناعي: الحفاظ على ما تكشفه عملية النمذجة، بما في ذلك النماذج المرشحة التي لم تنجح وما تبقى من عدم اليقين.

من توزيعات المعلمات إلى توزيعات النماذج

يعالج الاستدلال البايزي مشكلة المعلمات عبر تمثيل الإعدادات المعقولة بتوزيع احتمالي يستند إلى مدى ملاءمة البيانات والمعرفة السابقة. وغالباً ما يتعذر عملياً إجراء حسابات الاحتمالية التقليدية في المحاكيات الآلية؛ إذ توضح مراجعة منشورة عام 2020 في مجلة PNAS أن الاحتمالية تدمج ضمنياً جميع مسارات التنفيذ الممكنة عبر المحاكي.

أما الاستدلال القائم على المحاكاة، فيسحب عينات من المعلمات، ويشغّل المحاكي، ويدرّب مقدِّراً عصبياً على المخرجات الاصطناعية. ولا تتطلب طريقة SNPE سوى نموذج قابل للتشغيل، وقيود مسبقة على المعلمات، وبيانات مرصودة أو سمات موجزة؛ فهي لا تحتاج إلى حساب الاحتمالات أو إلى شيفرة نموذج قابلة للاشتقاق. وفي تجربتها المحاكية على نموذج هودجكين-هكسلي، استخدمت إحدى الجولات 100,000 عملية محاكاة لتقدير ثماني معلمات للخصائص الحيوية انطلاقاً من سبع سمات للجهد الكهربائي. وأدت إضافة السمات إلى تضييق التوزيع البَعدي، وأظهرت المعلمات التي قيدتها المشاهدات بقوة وتلك التي قيدتها بضعف. وبعد مرحلة المحاكاة والتدريب الأولية، يستطيع النموذج البديل المتعلَّم تقييم بيانات جديدة بكفاءة.

توسّع المقالة هذا المنطق ليشمل بنى النماذج، لا المعلمات وحدها. إذ يمكن لوكيل من نماذج اللغة الكبيرة كتابة شيفرة لمحاكي مرشح، وتشغيله، وتقييد معلماته، ومقارنة مخرجاته بالمشاهدات، ثم تعديل معادلاته. وقد تنتج عمليات تشغيل منفصلة بُنى مختلفة لكنها مقبولة بالقدر نفسه؛ لذا يقترح المؤلفون تقديم مجموعة مرجّحة من النماذج المرشحة: تزداد أوزان النماذج بحسب ما تحظى به من دعم البيانات، وتحصل النماذج المفرطة في المرونة على وزن أقل، وتُستخدم النماذج الأقوى أساساً لإنتاج تنويعات إضافية. وتشير السمات المشتركة بين النماذج التي تبقى إلى ما ترجّحه الأدلة، بينما يكشف الاختلاف بينها عن مواطن ضعف الأدلة والتجارب المحتملة التالية.

يبحث ModelSMC في النماذج القابلة للتنفيذ

في ورقة بحثية سابقة نُشرت عام 2026 بعنوان ورقة ModelSMC، صاغ فال وزملاؤه، ومنهم ماكه وغيدون، هذا النهج رسمياً بوصفه استدلالاً احتماليّاً على برامج محاكاة قابلة للتنفيذ. وكل نموذج مرشح هو جسيم يقترحه أو ينقحه نموذج لغوي كبير، مستعيناً بتنفيذات سلفية، وملاحظات التقييم، وسياق المهمة. وتُركّز الأوزان المستندة إلى الاحتمالية وإعادة أخذ العينات المجموعة على البنى الواعدة، في حين تُهمَّش المعلمات أثناء الاكتشاف بدلاً من اختزالها إلى تقدير أمثل واحد لكل بنية. وتقرّ الورقة بالحصول على أرصدة لاستخدام واجهة برمجة التطبيقات (API) عبر برنامج AI for Science التابع لـAnthropic، الذي أُطلق في 5 مايو 2025 للباحثين المختارين المنتسبين إلى مؤسسات، مع تركيز خاص على علم الأحياء وعلوم الحياة.

شملت التجارب ديناميات وبائية اصطناعية، ومحاكياً لتنظيم الألدوستيرون في الكلى، ومهمة لاكتشاف البنية في نموذج هودجكين-هكسلي استُخدمت فيها 10 تسجيلات حقيقية للجهد الكهربائي. ويفيد المؤلفون بأن نماذج علم الأعصاب ذات الأوزان المرتفعة أضافت مراراً تيار بوتاسيوم بطيئاً من النوع M، وأحياناً إلى جانب قناة أخرى، وأن هذه الفئة احتلت المرتبة الأولى في تسع من أصل 10 جولات. وكان الأداء الكمي الإجمالي مقارباً لأداء FunSearch+ ونسخة ذات جسيم واحد، ضمن ميزانيات متقاربة؛ أما الميزة التي يزعمها المؤلفون فهي تحليل التوزيع البَعدي لعائلات النماذج، لا تحقيق تفوق شامل في الأداء.

التفسير والتحقق

لا تقل أهمية التكاليف والاعتماديات الموثقة لنظام ModelSMC عن أهمية نتائجه. فتكرار المحاكاة وتقدير الاحتمالية مكلفان حسابياً، وقد تُدخل الاحتماليات البديلة تحيزاً عند عدم مطابقة النموذج، كما يعتمد الاكتشاف على اقتراح نموذج اللغة الكبير بُنى مفيدة. وتضيف المقالة البحثية التي كتبها باحثون ضيوف تحفظاً أوسع نطاقاً: إذ اختُبرت هذه الأنظمة في الغالب على إعادة اكتشاف نماذج معروفة، والأدلة على نجاحها في مسائل علمية لا تُعرف إجاباتها شحيحة.

يرى المؤلفون أن التفسير أصعب خطوة يمكن إسنادها إلى جهة أخرى، لأن مدى ملاءمة النموذج للبيانات قابل للقياس، في حين لا يوجد هدف واضح مماثل لقياس تحسّن الفهم. وعندما تتفق النماذج الملائمة بعد إحداث تغيير في النظام، يزداد التنبؤ قوة؛ أما اختلافها فيكشف عن آليات لم تُحسم بعد، وقد يساعد في توجيه التجربة التالية. وتزداد أهمية هذا الشرط إذا خفف الذكاء الاصطناعي الضغط التاريخي نحو استخدام نماذج موجزة يسهل على البشر فهمها، لأن النماذج الأكبر تزيد الحاجة إلى توضيح عدم اليقين وتقديم ملخصات موجزة للآليات.

لذلك، يتجاوز المعيار الذي يحدده المؤلفون مجرد تقديم نموذج يلائم البيانات: ينبغي لنظام الذكاء الاصطناعي أن يوثّق الأدلة التي يستند إليها جوابه، بما في ذلك القياسات التي تحدد كل مكوّن، والاحتمالات التي لم تنجح، ومواطن عدم اليقين التي لم تُحسم، والأسئلة التي برزت أثناء البحث. وفي ظل محدودية قاعدة التحقق هذه، يتمثل السؤال الحاسم في ما إذا كان الحفاظ على توزيعات النماذج، إلى جانب سجل البدائل المرفوضة، يفضي إلى فهم في مسائل علمية مفتوحة حقًا.