مشكلة الذاكرة في الذكاء الاصطناعي: لماذا يغير السياق الطويل الكفاءة كل شيء، وما هو ما يلزم لتحقيقه

لن يستمر طويلاً في معظم الوظائف زميل ينسى كل محادثة فور انتهائها. ومع ذلك، تعمل كثير من أنظمة الذكاء الاصطناعي المستخدمة في الأعمال بهذه الطريقة تماماً: تنتهي الجلسة ويختفي السياق معها. قد لا يكاد يلاحظ ذلك مستهلك يطرح أسئلة منفصلة، لكن شركة تدير عملية أطول من جلسة واحدة تصطدم بهذا القيد فوراً تقريباً.

يمتد العمل الحقيقي من جلسة إلى أخرى، وعادة ما يستند قرار الخميس إلى قرار الاثنين، مع ضرورة بقاء المبررات بينهما. قد يؤدي نظام يمحو حالته عند انتهاء الجلسة أداءً جيداً داخلها، ومع ذلك لا يضيف شيئاً إلى مهمة تمتد أسبوعاً.

تغيرت بهدوء متطلبات الذكاء الاصطناعي المؤسسي من النماذج. لسنوات، جرى تقييمها أساساً بحجم المعرفة التي استوعبتها. أما الآن فتحتاج الشركات إلى إبقاء المعلومات المناسبة حاضرة مع تطور العمل، وهو ما يتطلب نوعاً مختلفاً من الهندسة الكفؤة. حتى الآن، أعاقت أحجام ذاكرة وحدات معالجة الرسومات والموارد الحاسوبية والتكلفة اللازمة للتوسع تحقيق هذا المستوى من المعرفة المستمرة. ويصبح الحفاظ على زمن استجابة ومستوى هلوسة مقبولين صعباً عند الاستخدام المتزامن لسياق كبير. يزداد الطلب على هذه القدرات، بينما لا تكفي الذاكرة والقدرة الحاسوبية للجميع. لذا يبرز السؤال: كيف نحقق ذكاءً أدق على نطاق واسع باستخدام بنية تحتية وموارد أقل؟

سطح المكتب وخزانة الملفات

يجتمع شيئان تحت مسمى الذاكرة، لكنهما يختلفان بما يكفي لجعل التمييز بينهما ضرورياً لفهم ما يلي.

لنبدأ بنافذة السياق، أي مقدار المعلومات الذي يستطيع النموذج استقباله والاستدلال عليه في مرور واحد. إنها تشبه سطح المكتب. يتسع الصغير لبضع صفحات في كل مرة، ويبقى الباقي في درج، فتُخرج المواد وتُعاد أثناء العمل. أما الكبير فيتيح فتح ملف القضية كله في الوقت نفسه. لكن كل ما على السطح يُزال في نهاية اليوم، كل يوم.

الذاكرة المستمرة هي خزانة الملفات بجانب المكتب. يختار النظام ما يخزنه ويسترجعه حين يصبح ذا صلة، حتى يمكن لما حدث هذا الأسبوع أن يوجه أفعاله الأسبوع المقبل. يستمر هذا المخزون عبر الجلسات، ويحتاج إلى قرارات مستقلة بشأن ما يُحفظ وكيف يُنظم ومتى يُسترجع.

تركز جانب كبير من السباق الهندسي الظاهر على سطح المكتب. النوافذ التي كانت تتسع لبضعة آلاف من التوكنات أصبحت تتسع لمئات الآلاف، وتصل أكبر نماذج OpenAI وAnthropic إلى نحو مليون.

جاء مصطلح «هندسة السياق» لهذا العمل من توبي لوتكه في Shopify (SHOP )، ثم أسهم أندريه كارباثي في نشره في منتصف 2025. كتب كارباثي أن المهارة الأساسية في أي تطبيق جاد للذكاء الاصطناعي هي ملء النافذة بالمعلومات المناسبة للخطوة التالية. وشبّه النموذج بالمعالج، والنافذة بذاكرة العمل الخاصة به. تبنى الممارسون المصطلح بسرعة لأنهم كانوا يناقشون الفكرة بالفعل من دون اسم محدد لها.

المكتب الأكبر لا يحل مشكلة الذاكرة

هنا تصطدم الخطوة البديهية، أي مواصلة تكبير سطح المكتب، بالمشكلة.

باحثو ستانفورد أظهروا في 2024 أن دقة النموذج تنخفض بحدة عندما تقع المعلومات التي يحتاجها في وسط مدخل طويل، مقارنة بوضع الحقيقة نفسها في بدايته أو نهايته. أطلقوا على ذلك «الضياع في الوسط»، وظل الأثر قائماً حتى في النماذج المصممة خصيصاً للسياق الطويل. فاتضح أن عرض معلومات أكثر على النموذج لا يساوي استخدامه لها بموثوقية.

تأكد الأثر عندما بحثت عنه فرق أخرى. ووجدت دراسة في 2025 اختبرت 18 نموذجاً متقدماً على مدخلات متزايدة الطول تراجعاً في الأداء قبل امتلاء النافذة بوقت طويل، وهو نمط سماه أصحابها تدهور السياق. تكبير سطح المكتب وجعل النموذج يستدل بدقة على كل ما عليه مشكلتان منفصلتان، ولا يحل إنجاز الأولى الثانية.

قيمة الانتقاء تفوق قيمة السعة

نمت هندسة السياق على هذا الأساس لتصبح مجالاً له منهجياته، وقد عرض مسح بحثي في 2025 استند إلى أكثر من 1,400 ورقة أساليبه، فيما نصحت Gartner عملاءها في يوليو 2025 بإعطاء السياق أولوية على الأوامر النصية. انتقلت الحرفة من صياغة تعليمة أدق إلى تجميع مدخلات أفضل ليعمل النموذج انطلاقاً منها.

كلما كبر المكتب ازدادت أهمية اختيار ما يوضع عليه. إفراغ مخزن وثائق كامل فوقه يضيع الصفحات القليلة المهمة وسط الضجيج والتناقضات والنسخ الملغاة. أما الانتقاء الأدق لما يرتبط فعلاً بالمهمة فيسمح للنموذج نفسه بأداء أفضل بوضوح. تكمن المهارة في تحديد ما ينبغي وضعه أمام النموذج، وكيف يُقدَّم، ومتى يظهر، وما يبقى في الخزانة.

لهذا صُمم التوليد المعزز بالاسترجاع، RAG: تقسيم الوثائق إلى مقاطع واسترجاع ما يبدو ذا صلة، لتجاوز نافذة أصغر من أن تستوعب الوثيقة كلها. لنفترض أن نزاعاً تعاقدياً يتوقف على بند واحد في الصفحة 200. يقسم النهج المعتاد العقد إلى مقاطع، ثم يترك لنظام الاسترجاع اختيار المناسب. إذا اعتبر الصفحة 200 غير ذات صلة، فلن يرى النموذج البند مطلقاً.

النافذة التي تستوعب العقد بأكمله تتجاوز خطوة الاسترجاع وتقدم البند للنموذج مع كل ما يحيط به. أما مدى جودة قراءة النموذج لمدخل طويل، فهو تحدي الموثوقية في القسم السابق. وهو تحد أفضل من الاعتماد على نظام استرجاع يقرر بصمت أن البند لا يستحق تمريره.

داخل الجلسة وبعدها

السياق الطويل هو ما يتيح لوكيل ذكاء اصطناعي العمل على مهمة ممتدة بدلاً من تبادل واحد. يحتفظ الوكيل الذي يجري مراجعة امتثال لعدة أيام أو يضم مورداً جديداً بالمهمة كاملة داخل النافذة أثناء العمل، فتستند كل خطوة إلى حالتها الكاملة. ويمكن لنافذة طويلة بما يكفي أن تحل محل الذاكرة داخل الجلسة.

لكن التشابه ينتهي هنا. كل ما ينبغي للنظام تذكره الأسبوع المقبل، بعد إغلاق الجلسة الحالية، يجب أن يعيش في موضع خارج النافذة.

يجلب بناء هذا النوع من الذاكرة مشكلات مختلفة، لم تبدأ الصناعة بمواجهة كثير منها إلا حديثاً. وبحكم دراستي لعلم النفس والأعصاب، يصعب تجاهل التشابه مع الذاكرة البشرية. نحن لا نسترجع تسجيلاً مثالياً للحدث، بل نعيد بناءه كلما تذكرناه، وقد تصبح الأخطاء الصغيرة تدريجياً جزءاً من الرواية المقبولة. ويمكن أن تظهر مشكلة مماثلة في ذاكرة الآلة عندما تُلخَّص المعلومات المخزنة أو تُدمج أو تُعاد كتابتها مراراً. مع الوقت، قد يبتعد السجل عن الحدث الأصلي ما لم يُراجَع وتُصحَّح أخطاؤه وتُحذف المعلومات التي أصبحت غير موثوقة.

لم تواجه شركات كثيرة تنشر هذه الأنظمة تلك المشكلات بعد، والقليل من المشكلات نفسها قريب من الحل. ما سأبحث عنه لدى المورد ليس حجم النافذة التي يعلن عنها. لا تساوي كثيراً نافذة تحتفظ بعشرة ملايين توكن إذا كان معظم محتواها قديماً أو غير ذي صلة أو خاطئاً. قد تبدو إجاباتها مدعومة جيداً بالمصادر، بينما ترتكز على مواد ما كان ينبغي للشركة الوثوق بها أصلاً. ما يحقق القيمة هو حسن اختيار ما يُحتفظ به والقدرة على الاستدلال بدقة عبر المعلومات كلها، بجزء صغير من تكلفة البنية التحتية وحجم الموارد. هذا هو إنجاز المزيد بموارد أقل، ولا تقدم كل نافذة أكبر هذه القدرة الفعلية.