الذكاء الاصطناعي الذي يدرّب نفسه لم يعد خيالًا علميًا

تتحرك الإطارات الذكية للذكاء الاصطناعي نحو قفزة ثورية: آلات قادرة على التحسين الذاتي، دون الحاجة إلى إلهام بشري.

لمدة طويلة، حتى النماذج الأكثر تقدمًا من الذكاء الاصطناعي ظلت محركات غير فعالة، تتوقع الاستجابات بناءً على بيانات التدريب التي لا يمكنها تعديلها. ولكن اليوم، ليس حجم النموذج هو ما يحدد الفصل التالي من الذكاء الاصطناعي، بل ما إذا كان النموذج يمكن أن يتحول بنفسه.

最近، كشفت باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) عن إطار جديد للذكاء الاصطناعي يسمى النماذج اللغوية الكبيرة ذات التكيف الذاتي (SEAL). هذا النهج يسمح للنماذج اللغوية الكبيرة بالتحسين الذاتي، مما يتيح للذكاء الاصطناعي تشخيص قيوده وتحديث أوزانه العصبية الخاصة بشكل دائم من خلال حلقة تغذية راجعة داخلية مدفوعة bởi تعلم التعزيز. بدلاً من الحاجة إلى باحثين لتحديد الأخطاء، كتابة محفزات جديدة، أو إطعام أمثلة إضافية، يأخذ النموذج ملكية كاملة لتطوره.

“النماذج اللغوية الكبيرة قوية ولكنها ثابتة، ولا تملك آليات للتكيف مع أوزانها استجابة لمهام جديدة، أو معرفة، أو أمثلة”، كتب باحثو MIT في منشور على مدونة. “التجارب على دمج المعرفة والتعلم من القليل من الأمثلة تظهر أن SEAL هو خطوة واعدة نحو نماذج لغوية قادرة على التكيف الذاتي استجابة للبيانات الجديدة.”

في الاختبارات المبكرة، سمحت هذه الحلقة التحريرية للنماذج بالانتقال من الفشل الكامل إلى النجاح في أحجية معقدة من التفكير المجرد، متجاوزة حتى نماذج أكبر مثل GPT-4.1 بنسبة نجاح 72.5 في المئة، حيث فشلت الطرق التقليدية. بالإضافة إلى ذلك، يُبلّغ عن أن SEAL يقلل من الإشراف البشري بنسبة 85 في المئة مع زيادة الدقة والملاءمة.

صعود الإطارات الذكية للذكاء الاصطناعي

SEAL هو جزء من اتجاه أوسع نحو الذكاء الاصطناعي المستقل. على سبيل المثال، قدّم باحثون في Sakana AI آلة داروين-غودل، وهو وسيط ذكاء اصطناعي يُكتب برنامجه الخاص باستخدام استراتيجيات تطور مفتوح.

“يخلق تحسينات ذاتية، مثل خطوة التحقق من التصحيحات، وعرض الملفات المحسّن، وأدوات تحرير محسّنة، وإنشاء حلول متعددة وترتيبها لاختيار الأفضل، وإضافة تاريخ لما تم تجربته (ولما فشل) عند إجراء تغييرات جديدة”، كتب Sakana AI في منشور على مدونة.

كذلك، يمكن لوكلاء الذكاء الاصطناعي في Anthropic، مدفوعًا بواسطة Claude 4، التوجيه المستقل للعمليات عبر قواعد البيانات وأدوات الأعمال.

“نظام يُعادة تكوينه بناءً على نوع الأصل، بيئته، وتاريخه يسمح بالانتقال من استجابة تفاعلية إلى استراتيجية منع مستمرة”، قال كريستيان ستروف، الرئيس التنفيذي والمؤسس المشارك في Fracttal، لي. “ليس الأمر متعلقًا بعدد الطبقات أو المعاملات، ولكن الأنظمة المستقلة والأكثر فائدة.”

ما يجمعهذه الجهود هو اعتقاد أساسي: الذكاء الاصطناعي لا يحتاج إلى أن يصبح أكبر ليكون أكثر ذكاءً. بل يجب أن يصبح أكثر مرونة.

“التوسع قد أتى بمكاسب كبيرة، ولكننا نصل إلى حدود ما يمكن أن يتحقق من خلال الحجم وحده. النماذج التكيفية مثل SEAL تقدم خطوة مقنعة التالية من خلال تمكين الأنظمة من النمو والتحسين مع مرور الوقت”، قال خورخي رييرا، المؤسس والرئيس التنفيذي لمنصة الاستشارات البيانية الكاملة Dataco، لي. “النماذج التطورية تُغير أيضًا مقاييس التقدم من معايير ساكنة إلى مقاييس المرونة، وكفاءة التعلم، والتحسين الآمن على المدى الطويل. بدلاً من اختبار ما يعرفه النموذج عند النشر، يمكننا تقييم كيف يتعلم، ويحافظ، ويتطور مع مرور الوقت.”

تأثير الذكاء الاصطناعي على النظام البيئي والسباق العالمي نحو الاستقلال

هذا المستوى من الاستقلال يُغير أيضًا اقتصاديات نشر الذكاء الاصطناعي. تخيل أنظمة كشف الاحتيال التي تحدث نفسها على الفور لمواجهة التهديدات الجديدة، أو معلمي الذكاء الاصطناعي الذين يغيرون أسلوب تعليمهم بناءً على سلوك الطالب. في الروبوتات، يمكن أن تؤدي الإطارات التكيفية المستقلة إلى آلات تتعلم أنماط حركة جديدة دون إعادة برمجة.

عبر الشرق الأوسط، تقوم دول مثل الإمارات العربية المتحدة والمملكة العربية السعودية ببناء نماذج أساسية مصممة للتكيف. Falcon في الإمارات العربية المتحدة وJais في G42 هما نماذج لغوية مفتوحة المصدر مصممة مع مراعاة الأهمية الإقليمية، بينما ALLaM في المملكة العربية السعودية وMetabrain في Aramco Digital يدخلا في مجال وكلاء الذكاء الاصطناعي المستقلين للمدن الذكية والرعاية الصحية واللوجستيات.

هذه الجهود ليست متساوية مع SEAL فيما يتعلق بالقدرة على التحرير الذاتي، ولكنها تعكس مسارًا مشتركًا: من أنظمة الذكاء الاصطناعي الساكنة إلى وكلاء نشطين يُطورون أنفسهم ويستطيعون التنقل في التعقيدات بتدخل بشري محدود. ومثل SEAL، هذه المبادرات مدعومة بإطارات حوكمة قوية، مما يُظهر الاهتمام المتزايد بأن استقلال الذكاء الاصطناعي يجب أن يُزاوج مع المسؤولية.

“هذا هو الخطوة الأولى نحو أنظمة تُدير نفسها دون تدخل دائم”، يقول ستروف. “أعتقد أن الذكاء الاصطناعي لا يعيد تعريف الذكاء، ولكنه يُجبرنا على إعادة التفكير في علاقتنا معه. الشيء المهم ليس أن النموذج يُطور نفسه، ولكن أنه يفعل ذلك بالاتساق مع الأهداف التي نحددها نحن البشر.”

يُشدد جيف تاونز، الرئيس التقني لشركة Gorilla Logic، على أهمية الحوكمة في مواكبة تطور الذكاء الاصطناعي: “السؤال ليس ما إذا كان الذكاء الاصطناعي يمكن أن يُطور نفسه، ولكن ما إذا كان يمكن للمؤسسة أن تُطور نفسها معه. الحوكمة يجب أن ترسخ كل تطور للذكاء الاصطناعي إلى نتائج واضحة ومقاييس يمكن قياسها وثقة من قبل القادة، بحيث تتوسع الابتكارات بثقة بدلاً من المخاطر.”

هل نحن مستعدون للذكاء الاصطناعي الذي يُكتب برنامجه بنفسه؟

الأسئلة الأكثر إثارة للجدل التي يطرحها SEAL ليست تقنية، بل هي ماذا دورنا في تشكيل قيمه وأولوياته واهتماماته إذا كان النماذج قادرة على تعليم نفسها؟

يحذر الخبراء من أن مع زيادة استقلال أنظمة الذكاء الاصطناعي، يجب ألا يتجاوز السباق نحو التحسين الذاتي إنشاء حواجز أخلاقية. “أعتقد أن جميع أنظمة الذكاء الاصطناعي يجب أن تدمج على الأقل ثلاثة مبادئ أخلاقية أساسية”، يقول جاكوب إيفانز، الرئيس التقني في Kryterion.

“أولاً، وربما يبدو واضحًا، أنظمة الذكاء الاصطناعي يجب أن تُحدد نفسها كذكاء اصطناعي. ثانيًا، يجب أن تكون أنظمة الذكاء الاصطناعي محورها الإنسان، وتعزز ولاتستبدل الحكم البشري. وأخيرًا، يجب أن تعترف بقيودها وعدم اليقين، ورفض تقديم معلومات يمكن أن تسهل الأذى الجدي. بدون هذه الحواجز، يمكن للذكاء الاصطناعي أن يصبح أداة للتلاعب بدلاً من الدعم الموثوق.”

“لتمكين النماذج من التحسين الذاتي في الإنتاج، يحتاجون إلى حلقة تغذية راجعة ديناميكية، وليس فقط تدريب ساكن. طريقة قوية هي استخدام ‘التوأم الرقمي’ أو بيئة محاكاة متقدمة حيث يمكن للذكاء الاصطناعي اختبار وتأكيد تحسيناته الذاتية قبل نشرها إلى المستخدمين”، قال غانش فاناما، مهندس رؤية حاسوبية في Automotus.

فيما يتعلق بالحوكمة، أضاف فاناما، “السيطرة غير القابلة للمفاوضة هي إشراف الإنسان في الحلقة”. وقال “نحن نريد أن تكون النماذج قادرة على التكيف، ولكن يجب أن يكون لدينا مراقبة مستمرة لاكتشاف ‘انحراف الانسجام’ حيث ي逸لع النموذج عن أهدافه أو قيوده الأمنية. يجب أن تمنح هذه الأنظمة لمحقق بشري صلاحية الفيتو أو التراجع الفوري لأي تحديث مستقل يفشل في المراجعة الأمنية أو الأداء.”

لكن بعض الخبراء يعتقدون أنه لا يزال هناك وقت لتنمية هذه الحواجز، بحجة أن بناء نموذج ذكاء اصطناعي قوي ومتكيف ومستقل يبقى تحديًا هائلاً.

“هذه النماذج لا تزال تفتقر إلى القدرة على إعادة برمجة نفسها بثبات في الوقت الفعلي. التحديات الرئيسية لا تزال تشمل منع تعزيز الأخطاء، وتجنب النسيان الكارثي، وضمان الاستقرار خلال التحديثات، وضمان الشفافية حول التغييرات الداخلية”، يقول رييرا. “حتى يتم حل هذه القضايا، يبقى التكيف الذاتي الكامل على حدود البحث وليس حقيقة واقعة.”

يُعتبر باحثو MIT SEAL تطورًا ضروريًا. كما قال أحد علماء MIT الرائدين، هذا الإطار يُشبه التعلم البشري أكثر من أي شيء سبقه.

“هذه الأنظمة تشير إلى تحول من نماذج ساكنة إلى هياكل متكيفة يمكن أن تتعلم من الخبرة، وتنظم الذاكرة، وتنفذ أهدافها مع مرور الوقت. الاتجاه واضح: نحو ذكاء متكيف وواعي السياق يمكن أن يُعدل نفسه باستمرار”، قال رييرا لي. “في حين لا يزال في مرحلة التجربة، هذا النهج يُشكل خطوة مهمة نحو أنظمة ذكاء اصطناعي أكثر استقلالية ومتانة.”

ما إذا كان هذا سيؤدي إلى أنظمة أكثر شخصنة أو أشكال جديدة تمامًا من وكالة الآلة يبقى لم يُحسم. عصر الذكاء الاصطناعي الذي يُكتب برنامجه بنفسه قد وصل—وهو يُكتب أكثر من مجرد كوده، إنه يُكتب قواعد ما يمكن أن تصبح عليه الآلات.