الذكاء الاصطناعي العام وذكاء المستقبل
معهد DeepMind يرسم أربعة مسارات من الذكاء الاصطناعي العام إلى الذكاء الفائق

النقاط الرئيسيةنمت القدرة الحاسوبية الفعلية العالمية بما لا يقل عن عشرة أضعاف سنويًا عبر العتاد…
عرض المزيد
- نمت القدرة الحاسوبية الفعلية العالمية بما لا يقل عن عشرة أضعاف سنويًا عبر العتاد والخوارزميات.
- لن يؤدي تقييد القدرة الحاسوبية التدريبية فقط بالضرورة إلى إيقاف التقدم لأن المسارات يمكن أن تتراكم.
- التحدي الأقرب أجلاً هو التمييز بين سرعة وأعداد وكلاء أكبر وبين قدرات جديدة حقيقية.
نشر معهد DeepMind مقالًا في 19 نوفمبر 2026، عرض فيه أربعة مسارات يمكن أن ينتقل عبرها الذكاء الاصطناعي من الذكاء الاصطناعي العام (AGI) بمستوى القدرات البشرية إلى الذكاء الاصطناعي الفائق العام (ASI)، مع التأكيد على أن استمرار التقدم السريع أمر ممكن، لكنه غير مضمون على الإطلاق.
تتمثل المسارات الأربعة في مواصلة توسيع نطاق النماذج والبيانات، وحدوث تحولات في النماذج التقنية، والتنسيق بين أعداد كبيرة من الوكلاء، والتحسين الذاتي التكراري، حيث تسهم أنظمة الذكاء الاصطناعي في تحسين الأنظمة اللاحقة. وينطوي كل مسار على اختناقات تقنية ومشكلات قياس مختلفة.
يستخدم المقال مصطلح AGI لوصف الأنظمة التي تتمتع بقدرات تقارب المستوى البشري في جميع المهام المعرفية تقريبًا. أما ASI، فيجب أن يتفوق باستمرار على مجموعات كبيرة من الخبراء البشر في أعمال قد تستغرق منهم سنوات، مع استخدام موارد أقل ووقت أقصر، وذلك في جميع المهام التي تهم البشر تقريبًا. ولا يُعد التفوق الخارق للبشر في مجالات محدودة، مثل الشطرنج أو لعبة Go أو التنبؤ ببنية البروتين، مؤهلًا لذلك.
يستند المقال إلى من الذكاء الاصطناعي العام إلى الذكاء الاصطناعي الفائق، وهو تقرير تقني تؤرخ Google DeepMind صدوره في 12 يونيو 2026، وإلى نقاشات المعهد اللاحقة. ويوضح نص التقرير على arXiv معيار ASI بوصفه قدرة على التفوق باستمرار على عشرات الآلاف من الخبراء حسني التنسيق، الذين يعملون على مسألة واحدة على مدى عشر سنوات، باستخدام التكنولوجيا والنتاجات الثقافية المتاحة في عام 2010. وكان التقرير السابق قد طرح إطار المسارات الأربعة نفسه.
سيظل ASI أدنى بكثير من الحدود النظرية للذكاء. ويشير المقال إلى قيود فيزيائية ومنطقية ومرتبطة بالتعقيد تحول دون التنبؤ بأنظمة العالم الحقيقي، ومنها المناخات وأجهزة المناعة والمجتمعات البشرية، بدقة اعتباطية. لذا، يمثل الذكاء الاصطناعي بمستوى البشر نقطة واحدة على متصل، تفصلها عن تلك الحدود مساحة شاسعة لم تُستكشف إلى حد كبير.
التصنيع المعرفي وانخفاض التكاليف
يقدّر المقال أن القدرة الحاسوبية الفعلية على مستوى العالم، التي تجمع بين تحسينات الأجهزة والاستثمار في عتاد الذكاء الاصطناعي وكفاءة الخوارزميات، نمت بما لا يقل عن عشرة أضعاف سنويًا. ويؤدي إسقاط هذا المعدل على مدى عقد إلى نمو بمقدار 10 مليارات ضعف. ويفيد هذا السيناريو بأنه مقابل كل وكيل ذكاء اصطناعي يمكن تشغيله حاليًا، سيكون هناك عدد من الوكلاء المماثلين له في الجودة يفوق عدد سكان العالم، شريطة استمرار هذه الاتجاهات.
يفترض مثال التكلفة في المقال انخفاض الطلب على الحوسبة بنحو 4 أضعاف سنويًا بفضل تحسن الأجهزة وزيادة كفاءة الاستدلال. ووفقًا لهذا المعدل، ستنخفض تكلفة عبء عمل تبلغ تكلفة رموزه الحاسوبية مليار دولار إلى 1,000 دولار بعد عشر سنوات. ويصف المقال ما ينتج عن ذلك من توحيد وأتمتة للعمل المعرفي بأنه «تصنيع معرفي»، على غرار تحويل العمل البدني الروتيني إلى سلعة. وحتى من دون تطورات كبيرة على جبهة التقنيات المتقدمة، قد يُحدث هذا التحول تغييرًا في أعمال المعرفة والاقتصاد الأوسع.
يحذر المقال من أن توسيع النطاق وحده قد لا يكفي للوصول إلى AGI كامل إذا كانت بعض المهام المعرفية تتطلب مساعدة بشرية. وعندما تتاح أنظمة بمستوى بشري على نطاق واسع، قد تسهم الوكلاء الأسرع والأكثر عددًا في سد الفجوة نحو شكل ضعيف من ASI، مستفيدةً من سرعة معالجة الأنظمة الرقمية، وسعتها التخزينية، وقدرتها على الانتقال بين عتاد الحوسبة، ونسخ الشيفرة وحالة الذاكرة مع فقدان يكاد لا يُذكر، ومشاركة الخبرات عبر قنوات عالية النطاق الترددي.
أربعة مسارات والقيود التي تواجهها
قد تصطدم مواصلة توسيع النطاق بنفاد البيانات التدريبية عالية الجودة، وتراجع العوائد مع احتياج كل خطوة في القدرات إلى مضاعفة الحوسبة وحجم النموذج، وبقيود فيزيائية أو اقتصادية تتعلق بتوليد الطاقة وشبكات الكهرباء وتصنيع الرقائق والروابط بين مكونات العتاد. ولا تتيح قوانين التوسع المستندة إلى البنى الحالية والبيانات والتقييمات توقع مقدار التوسع اللازم لتحقيق AGI أو ASI بثقة.
تستهدف التحولات في النماذج التقنية معالجة أوجه القصور في التعلم المستمر، وبعض أشكال بناء نماذج للعالم، واتخاذ القرار، وكفاءة استخدام العينات، أي مقدار بيانات التدريب التي يحتاج إليها النظام لبلوغ مستوى معين من القدرات. وقد تعجز الأنظمة الحالية أيضًا عن ابتكار مفاهيم وتجريدات جديدة حقًا، بدلًا من مجرد إعادة تركيب المفاهيم والتجريدات الموجودة. وينقسم الباحثون حول ما إذا كانت التغييرات التدريجية في نهج المحولات السائد قادرة على سد هذه الثغرات، أم أن الأمر يتطلب تحولات أعمق.
يقول المقال إن تنسيق عمل الوكلاء يتيح مسارًا جماعيًا، لكن لا توجد قوانين للتوسع في الأنظمة متعددة الوكلاء. وقد تؤدي أوجه القصور في التنسيق والتضليل والتلاعب والتواطؤ إلى إضعاف المجموعات الكبيرة، ما يستلزم توفير ضمانات مؤسسية وتنظيمية. ويضيف التحسين الذاتي التكراري حلقات تغذية راجعة عبر الشيفرات وتصميمات العتاد، أو البيانات القابلة لإعادة الاستخدام التي تُنتج أثناء التشغيل، أو التخصص داخل مجموعات الوكلاء. وقد تؤدي التغذية الراجعة الرديئة إلى تعطيل هذه الحلقات أو تراجع أدائها، فيما يُتوقع إحراز تقدم أسرع عندما يمكن التحقق من المخرجات آليًا، مثل البراهين الرياضية.
يمكن أن تتضافر هذه المسارات. ويرى المقال أنه إذا تعثر أحدها، فقد تدفع المنافسة الاقتصادية والجيوسياسية إلى تحويل الجهود نحو المسارات الأخرى، لذا فإن تقييد حوسبة التدريب وحدها لن يوقف التقدم الإجمالي بالضرورة. وقد يؤدي كبح أحد المدخلات مع إحراز تقدم في المدخلات الأخرى أيضًا إلى تراكم فائض في القدرات، يعقبه تسارع أكبر في المكاسب عند تخفيف القيد أو الالتفاف عليه.
قياس التقدم إلى ما بعد AGI
يتمثل النهج المقترح في النمذجة والقياس والتنبؤ وتكرار العملية، من خلال عمل متعدد التخصصات يشمل المختبرات الرائدة والمؤسسات الوطنية والعالمية. وتتطلب بعض المقاييس الضرورية الوصول إلى النماذج المتقدمة، وقدرات حوسبة كبيرة للتقييم، وأساليب جديدة للقياس المرجعي والنمذجة.
لا يزال من غير المحسوم ما إذا كانت هذه المسارات ستؤدي إلى الذكاء الاصطناعي الفائق (ASI)، ولا المدة التي قد يستغرقها ذلك. ويتمثل التحدي الأقرب في بناء تقييمات تميّز بين زيادة سرعة الوكلاء وأعدادهم وبين ظهور قدرات جديدة حقًا، مع إتاحة قدر كافٍ من الوصول والقدرات الحاسوبية للمؤسسات العامة كي تتعقب المسارات التي قد يعزز بعضها بعضًا.












