يعاني الترميز المزاجي عندما يتوسع دور الذكاء الاصطناعي

دراسة جديدة تظهر أن الترميز المزاجي يتحسن عندما يوجه البشر التعليمات، ولكن يتراجع عندما يقوم الذكاء الاصطناعي بذلك، مع أفضل ترتيب هجين يحافظ على البشر في المقدمة، مع الذكاء الاصطناعي كحكم أو محكم.

أظهرت أبحاث جديدة من الولايات المتحدة، التي تدرس ما يحدث عندما يتم السماح لأنظمة الذكاء الاصطناعي بتحديد الترميز المزاجي، بدلاً من مجرد تنفيذ تعليمات البشر، أن النتائج تكون في الغالب أسوأ عندما تتولى نماذج اللغة الكبيرة (LLMs) دورًا أكبر.

على الرغم من أن الباحثين استخدموا GPT-5 من OpenAI كإطار لتحليلاتهم التعاونية بين البشر والذكاء الاصطناعي، إلا أنهم أكدوا فيما بعد أن Claude Opus 4.5 من Anthropic و Google Gemini 3 Pro خضعا لنفس المنحني الهبوطي عند نمو المسؤوليات، مشيرين إلى أن “المشاركة البشرية المحدودة تحسن الأداء بانتظام”.

‘توفير البشر توجيهًا فعالًا على مستوى عالٍ عبر التكرارات، في حين أن توجيه الذكاء الاصطناعي يؤدي غالبًا إلى انهيار الأداء. كما وجدنا أن تخصيص دور ي維ن البشر في التوجيه بينما يتم تفريغ التقييم إلى الذكاء الاصطناعي يمكن أن يحسن الأداء الهجين.’

为了 توفير اختبار متسق يمكن تقييمه على قدم المساواة من قبل البشر والذكاء الاصطناعي، تم بناء إطار تجريبي محكوم حول مهمة ترميز متكررة حيث كان على صورة مرجعية – تampilkan صورة لقطة من قطة، كلب، نمر، طائر، فيل، بنگوين، سمكة، زبرة، زرافة، أو باندا – أن يتم إعادة إنشاؤها باستخدام رسومات متجهة قابلة للتوسيع (SVG)، وتم تقييمها مقابل الصورة الأصلية التي تم اشتقاقها منها:

تم عرض صورة مرجعية فوتوغرافية إلى جانب إعادة بناء SVG التي تم إنشاؤها بواسطة الذكاء الاصطناعي، وتم طلب من المشاركين تقييم مدى تشابه الصورتين على مقياس من سبعة نقاط.

في كل جولة، قدم أحد الوكلاء تعليمات لغة طبيعية عالية المستوى لتوجيه مولد الشفرة، واختار آخر ما إذا كان سيتم الاحتفاظ بالنسخة الجديدة أو العودة إلى النسخة السابقة – حلقة منظمة ت鏡ل سير العمل التعاوني الحقيقي.

على مدار 16 تجربة شملت 604 مشاركًا وألفًا من مكالمات API، تم比較 جولات الاختبار التي قادها البشر بالكامل مع جولات قادها الذكاء الاصطناعي بالكامل، في ظل ظروف متطابقة.

بعض الحلول المتنوعة التي تم التوصل إليها من خلال مجموعات مختلفة من نسب ومصادر التعاون بين البشر والذكاء الاصطناعي (مأخوذة من توضيح أكبر في ورقة المصدر، والتي ننقل القراء إليها).

على الرغم من أن البشر والذكاء الاصطناعي أدوا على نفس المستوى في بداية الاختبارات، إلا أن مساراتهم انحرفت مع مرور الوقت: عندما قدم البشر التعليمات وصنع القرارات، زادت درجات التشابه عبر التكرارات، مع تحسن تراكمي مستمر؛ ولكن عندما تولى الذكاء الاصطناعي كلا الدورين، لم يظهر الأداء أي مكاسب مستمرة، وأحيانًا انخفض عبر الجولات – على الرغم من أن نفس النموذج كان يستخدم لإنشاء الشفرة، وكان للذكاء الاصطناعي نفس الوصول إلى المعلومات مثل المشاركين البشر.

تأثير الإسهاب

أظهرت النتائج أيضًا أن تعليمات البشر كانت عادة قصيرة ومتجهة إلى الإجراء، تركز على ما يجب تغييره في الصورة الحالية؛ في حين كانت تعليمات الذكاء الاصطناعي أطول وغنية بالوصف (عامل تم تحديده لمعلمة GPT-5)، ووصف السمات البصرية بدلاً من تقديم تصحيح متكرر.

لكن كما هو موضح في الرسم البياني أدناه، لم يكن تطبيق حدود كلمات صارمة على تعليمات الذكاء الاصطناعي ي đảoء النمط؛ حتى عندما تم تقييد التعليمات ب 10 أو 20 أو 30 كلمة، استمرت سلاسل الذكاء الاصطناعي في فشل التحسين مع مرور الوقت:

درجات التشابه عبر التكرارات لجولات قادها البشر مقارنة بجولات قادها الذكاء الاصطناعي بالكامل، وجولات قادها الذكاء الاصطناعي مقيدة ب 10 أو 20 أو 30 كلمة، مما يدل على أن تقصير تعليمات الذكاء الاصطناعي لا يمنع انخفاض الأداء المتكرر الذي لوحظ عندما يوجه الذكاء الاصطناعي كلا التوجيه والاختيار.

أظهرت التجارب الهجينة أن نمط الأداء أصبح أوضح، حيث أظهرت أن إضافة حتى القليل من المشاركة البشرية تحسن النتائج، مقارنة بالترتيبات التي يقودها الذكاء الاصطناعي بالكامل؛ ومع ذلك، انخفض الأداء عادةً مع زيادة نسبة توجيه الذكاء الاصطناعي.

عندما تم فصل الأدوار، يمكن أن يتم تسليم التقييم والاختيار إلى الذكاء الاصطناعي مع فقدان جودة معتدل؛ لكن استبدال توجيه البشر بالتوجيه بواسطة الذكاء الاصطناعي أدى إلى انخفاض ملحوظ في الأداء، مما يشير إلى أن ما يهم هو ليس من يولد الشفرة، بل من يحدد الاتجاه ويستمر فيه عبر التكرارات.

يخلص المؤلفون إلى:

‘عبر العديد من التجارب، تحسنت جولات الترميز التي قادها البشر باستمرار مع مرور الوقت، في حين انهار أداء جولات الذكاء الاصطناعي غالبًا، على الرغم من الوصول إلى نفس المعلومات والقدرات التنفيذية المماثلة.’

‘هذا يشير إلى صراعات جوهرية في أنظمة الذكاء الاصطناعي الحالية في الحفاظ على اتجاه عالٍ متسق عبر التفاعلات المتكررة، من النوع اللازم للترميز المزاجي الناجح’

الورقة الجديدة بعنوان لماذا يهم التوجيه البشري في الترميز المزاجي التعاوني، وهي من تأليف سبعة باحثين من جامعة كورنيل، جامعة برينستون، معهد ماساتشوستس للتكنولوجيا، وجامعة نيويورك.

الطريقة

للتجارب، نظر معلم بشري إلى صورة مرجعية تم إنشاؤها بواسطة GPT-5، إلى جانب محاولة SVG الأفضل المرتبطة بها. ثم كتب تعليمات لغة طبيعية لتوجيه مولد الشفرة نحو تطابق أوثق:

وبذلك، سيولد المولد SVG جديد في كل جولة، مما يوفر حلقة متكررة لاختبار كيفية تجميع تأثير التوجيه مع مرور الوقت. كانت الأهداف عبارة عن عشرة صور حيوانات تم إنشاؤها بواسطة GPT-5، تغطي مجموعة من الأشكال والtextures حتى تكون التحسينات أو الأخطاء واضحة:

مخطط لتدفق عمل الترميز المزاجي المستخدم في الدراسة. في A)، ينظر معلم بشري إلى صورة مرجعية فوتوغرافية إلى جانب SVG الأفضل الذي تم إنتاجه حتى الآن، ويكتب تعليمات لغة طبيعية لمولد الشفرة اتباعها عند إنتاج SVG التالي؛ في B)، يقارن معلم بشري SVG الجديد بالسابق ويتخذ خيارًا حول أي نسخة أفضل مطابقة للصورة المرجعية، قبل تمرير SVG المحدد إلى الجولة التالية من التوجيه؛ وفي C)، يقيم معلمون بشريون مستقلون مدى تشابه كل SVG المولد إلى صورة المرجع، مما يوفر التقييمات المستخدمة لتقييم الأداء العام.

قارن معلم بشري كل SVG جديد مع السابق واختار إما قبول أو رفضه، مما حافظ على عملية متوافقة مع الصورة المرجعية عبر الجولات. في هذا الإعداد الأساسي، قام نفس البشر بكلتا الأدوار.

لقياس الجودة، قيم معلمون بشريون مستقلون مدى تشابه كل SVG المولد إلى صورة المرجع. عبر ستة عشر تجربة، أنتج 120 شخصًا 4800 تقييمًا. تم تشغيل جميع التجارب على إطار PsyNet، وهو بوابة مصممة لاستيعاب التفاعلات المنظمة بين البشر وأنظمة الذكاء الاصطناعي.

النتائج

تم تشغيل ثلاثون جولة من الترميز المزاجي، كل منها يتألف من خمس عشر تعديلًا على الصور المرجعية العشرة الأساسية. لذلك، تم اختيار 45 مشاركًا بشريًا، كل منهم يخدم كمتعلم ومختار عبر عشرة تكرارات، في الجولات التي قادها البشر:

في كل دورة، قام المشارك نفسه باختيار بين SVG الحالي والسابقة، ثم كتب جولة التوجيه التالية. تم إنشاء نسخة ثانية من الاختبار استبدلت قرارات البشر بمكالمات API إلى GPT 5، مع الحفاظ على بقية الإعداد دون تغيير:

أظهر مثال ممثل لترميز مزاجي متكرر كيف يتفرق العملية مع مرور الوقت؛ عندما قام البشر بدور المتعلم والمختار، تحسنت إخراج SVG بشكل مستمر عبر التكرارات، مع تقارب متزايد من الصورة المرجعية مع كل جولة:

تقدّم مثال لصورة مرجعية واحدة تحت الترميز المزاجي بقيادة البشر (أعلى) والذكاء الاصطناعي (أسفل)، مع تحسن مستمر عبر التكرارات عندما يتحكم البشر في كلا الأدوار، واضطراب أو انحراف عندما يتحكم الذكاء الاصطناعي في كلا الأدوار.

على العكس، في النسخة التي قادها الذكاء الاصطناعي، أحيانًا أدرك الجولات الأولى الميزات البصرية الرئيسية، لكن المحاولات اللاحقة فشلت في بناء تلك المكاسب، وفي بعض الحالات انحرفت بعيدًا عن الهدف:

مخرجات نهائية من الجولة النهائية، مقارنة بين جولات قادها البشر (الصف العلوي) وجولات قادها الذكاء الاصطناعي (الصف السفلي)، عبر مجموعة الصور المرجعية نفسها. النتائج التي قادها البشر تتوافق بشكل أوثق مع الصور الأصلية، بينما تظهر النتائج التي قادها الذكاء الاصطناعي تشوهات مرئية أو فقدان لميزات رئيسية.

为了 قياس الاتجاهات الناشئة كميًا، تم عرض الصور النهائية على معلمين بشريين مستقلين وتقييمها لتشابهها مع الصور المرجعية. في الجولات الأولى، سجلت جولات قادها البشر وجولات قادها الذكاء الاصطناعي تقييمات متشابهة؛ لكن بحلول الجولة الخامسة عشرة، أصبح الفرق واضحًا، مع تقييمات الصور التي اختارها البشر أقرب بكثير إلى الأهداف:

متوسط درجات التشابه عبر التكرارات لجولات قادها البشر وجولات قادها الذكاء الاصطناعي، مع تحسن مستمر عند قيادة البشر كلا الأدوار، وانخفاض تدريجي عند قيادة الذكاء الاصطناعي كلا الأدوار.

الصورة الكبيرة

然而، إذا قام GPT-5 بتقييم الإخراجات بنفسه، هل سيعترف بأن النتائج التي قادها البشر أفضل؟ كانت تقييمات البشر والذكاء الاصطناعي تتحرك عمومًا في نفس الاتجاه، لذلك يمكن للنموذج التمييز بين الجيد والسيئ، لكنه سجل دائمًا تصنيفات أعلى للصور التي أنتجها الذكاء الاصطناعي:

‘نحن نسأل عما إذا كان وكلاء الذكاء الاصطناعي سيعترفون بأن إخراجاتهم أقل جودة من تلك التي أنتجها البشر، أو سيعرضون تفضيلًا لخلقهم الخاص، مما يشير إلى مشكلة محتملة في الانحياز.’

فقط عندما قام الذكاء الاصطناعي بقيادة كلا الأدوار، لم يكن هناك فرق في الأداء، لأن مخرجاته ظلت متسقة في كلتا الحالتين؛ لكن عندما قدم البشر التعليمات واختار الذكاء الاصطناعي النتائج، ظل الأداء قريبًا من الإعداد الذي قاده البشر بالكامل:

على العكس، لم ينجح الأمر عندما قدم الذكاء الاصطناعي التعليمات واختار البشر النتائج، مما أدى إلى نتائج أضعف، مما يشير إلى أن التوجيه الإبداعي البشري لا يزال ضروريًا، بينما يمكن تفويض مهمة الاختيار إلى الذكاء الاصطناعي دون فقدان كبير في الأداء.

المشاريع المشتركة

为了 اختبار ما يحدث عندما يشارك البشر والذكاء الاصطناعي في التحكم، قام الباحثون بتشغيل مهام ترميز مع مختلف الخلطات من المدخلات البشرية والذكاء الاصطناعي، تتراوح من الغالبية البشرية إلى الغالبية الذكاء الاصطناعي:

أدت كل تركيبة هجينة إلى أداء أفضل من التحكم الكامل بواسطة الذكاء الاصطناعي، لذلك حتى القليل من التوجيه البشري تحسن النتائج:

إعدادات ترميز هجينة مع مختلف الخلطات من البشر والذكاء الاصطناعي. (A) تظهر كيف يتناوب البشر والذكاء الاصطناعي كمتعلمين ومختارين في كل خطوة من الترميز؛ (B) تظهر أن المزيد من المشاركة البشرية أدى إلى نتائج ذات جودة أعلى، بينما أدى المزيد من المدخلات الذكاء الاصطناعي إلى انخفاض التقييمات؛ و (C) تظهر انخفاضًا مستمرًا في جودة الإخراج النهائي مع انخفاض نسبة المشاركة البشرية، مما يؤكد أن التوجيه البشري المستمر أدى إلى نتائج أفضل.

đảo役

كما قامت الدراسة بفحص ما إذا كان يهم من يقوم بما في هذه المهام، واختبرت ذلك:

عندما قام البشر بكلتا الأدوار، تم الحفاظ على الجودة؛ لكن عندما قدم البشر التعليمات ولم يختار أحد النسخة، انخفضت الجودة:

اختبارات لتقسيم الأدوار في الترميز المزاجي: في (A)، أدى إزالة دور المختار إلى أسوأ أداء، حتى عندما قدم البشر التعليمات؛ في (B)، أدى استبدال المختار البشري بالذكاء الاصطناعي إلى انخفاض جودة، ولكن ليس بهذا الحد من إزالة الاختيار بالكامل.

الاستنتاج

يظل من غير الواضح إلى أي مدى ستؤثر النوافذ السياقية المحسنة والمزيد من التوسع على أداء نماذج اللغة الكبيرة في مهام من هذا النوع. قد يكون يوم انتهاء “نسيان الذكاء الاصطناعي” يومًا للاحتفال والقلق، حيث أن المشكلة التي يسعى الذكاء الاصطناعي إلى حلها، على الأرجح، هي الناس.

مع ذلك، يظهر عمل المؤلفين بوضوح أن هناك خلافات جوهرية وحرجة بين الذكاء الاصطناعي والبشر فيما يتعلق بالجودة، والتي قد يتم تحديدها في النهاية، من قبل المستهلكين، على أنها مفهوم بشري لا يمكن استبداله.

* تحويلي لمراجع المؤلفين الداخلية إلى روابط.

نشر لأول مرة يوم الجمعة، 13 فبراير 2026