الحدود التالية في أبحاث الذكاء الاصطناعي: من النماذج الضيقة إلى الذكاء العام

الحدود التالية في أبحاث الذكاء الاصطناعي: من النماذج الضيقة إلى الذكاء العام

أعاد الذكاء الاصطناعي تشكيل طريقة عملنا وإبداعنا وحل مشكلاتنا. تستطيع الأنظمة الأكثر تقدماً اليوم هزيمة أبطال العالم في لعبة "غو"، وتوليد صور فائقة الواقعية من نصوص، وإجراء محادثات تكاد تكون بشرية. ومع كل هذه القوة، تظل هذه النماذج ضيقة النطاق. فهي تتفوق في مهام محددة لكنها تفشل في نقل المعرفة عبر المجالات، أو التفكير بمرونة، أو فهم العالم بالطريقة التي يفهمها الإنسان. الحدود التالية في أبحاث الذكاء الاصطناعي هي السعي نحو الذكاء الاصطناعي العام — أنظمة يمكنها التعلم والتكيف والتفكير عبر مجموعة واسعة من الأنشطة بعمومية شبيهة بالبشر. تستكشف هذه المقالة المشهد الحالي، والتحديات الرئيسية، والاتجاهات الواعدة التي يسلكها الباحثون لتجاوز الذكاء الاصطناعي الضيق.

حالة الذكاء الاصطناعي الضيق: مذهل لكنه محدود

النموذج السائد حالياً في الذكاء الاصطناعي هو التعلم العميق، الذي تعمل به شبكات عصبية ضخمة مدربة على مجموعات بيانات هائلة. تُظهر نماذج مثل GPT-4 وGemini وDALL-E قدرات ملحوظة في اللغة وتوليد الصور وتركيب الأكواد البرمجية. يمكنها تلخيص المقالات، وكتابة الشعر، وتوليد وجوه واقعية، وحتى المساعدة في البحث العلمي. يسلط موقع VentureBeat AI الضوء بانتظام على كيفية نشر هذه الأنظمة عبر الصناعات — من روبوتات خدمة العملاء إلى منصات اكتشاف الأدوية.

لكن هذه النماذج هشة. قد يجتاز نموذج لغوي كبير اختبار المحاماة لكنه يفشل في فهم فيزياء أساسية إذا صيغ السؤال بشكل مختلف قليلاً. يمكن لمولد الصور إنتاج قطة فائقة الواقعية لكنه لا يستطيع التفكير فيما قد تفعله القطة بعد ذلك. ينبع هذا الهشاشة من قصور أساسي: تتعلم هذه النماذج الأنماط الإحصائية في بيانات تدريبها لكنها تفتقر إلى الفهم الحقيقي، أو التفكير السببي، أو الحس العام. إنها، على حد تعبير العديد من الباحثين، "ببغاوات إحصائية" — طلقة لكنها ليست ذكية بأي معنى عميق.

وثق قسم الذكاء الاصطناعي في MIT Technology Review حالات عديدة فشلت فيها نماذج متطورة بطرق غير متوقعة. على سبيل المثال، قد يحدد نموذج رؤية بشكل صحيح علامة توقف في صورة لكنه يخلط بينها وبين ثلاجة إذا تم تدوير العلامة 90 درجة. تكشف مثل هذه الإخفاقات أن النموذج لا يتعرف فعلياً على الأشياء بالطريقة التي يفعلها الإنسان؛ إنه يطابق أنماط البكسل دون فهم ما تمثله هذه الأنماط.

تعريف الذكاء العام

ماذا يعني أن يمتلك الذكاء الاصطناعي ذكاءً عاماً؟ غالباً ما يُرجع المفهوم إلى سؤال آلان تورينغ الشهير: "هل يمكن للآلات أن تفكر؟" لكن الباحثين المعاصرين لديهم تعريف أكثر دقة. الذكاء العام يعني القدرة على:

• تعلم مهام جديدة ببيانات قليلة، ونقل المعرفة من التجارب السابقة.
• التفكير بشكل تجريدي، واستخلاص الاستنتاجات ووضع الخطط.
• فهم السببية، وليس فقط الارتباط.
• التكيف مع المواقف الجديدة دون إعادة تدريب.
• إظهار حس عام حول العالم المادي والاجتماعي.

نشرت مدونة DeepMind Blog نقاشات موسعة حول هذا الموضوع، خاصة حول فكرة "الذكاء الاصطناعي العام" (AGI) كنظام يمكنه أداء أي مهمة فكرية يمكن للإنسان القيام بها. هذا لا يعني ذكاءً خارقاً في جميع المجالات — فقط المرونة للتعامل مع مجموعة واسعة من التحديات المعرفية.

المهم أن الذكاء العام لا يتعلق فقط بالحجم. نموذج لغوي بتريليون معلمة يمكنه الإجابة على أسئلة المعلومات العامة ليس بالضرورة أقرب إلى الذكاء الاصطناعي العام إذا كان لا يزال غير قادر على فهم أن كوب الماء سينسكب إذا انقلب. الحجم يساعد، لكنه ليس كافياً.

التحديات الرئيسية في الطريق إلى الذكاء الاصطناعي العام

١. كفاءة البيانات والتعلم النقلي

تتطلب نماذج التعلم العميق الحالية كميات هائلة من البيانات. تم تدريب GPT-4 على تريليونات من الرموز — ما يعادل تقريباً الإنترنت العام بأكمله. البشر، بالمقابل، يتعلمون من أمثلة أقل بكثير. يمكن للطفل أن يتعلم ما هو "الكلب" بعد رؤية بضع صور فقط، ثم يمكنه التعميم للتعرف على الكلاب من جميع السلالات وفي جميع الأوضاع وحتى في الرسوم المتحركة. تحتاج نماذج الذكاء الاصطناعي إلى آلاف الأمثلة المصنفة لتحقيق متانة مماثلة.

يبقى التعلم النقلي — القدرة على تطبيق المعرفة من مجال إلى آخر — عقبة رئيسية. نموذج مدرب على الشطرنج لا يمكنه لعب لعبة الداما. نموذج لغوي مضبوط بدقة على المستندات القانونية لا يمكنه فجأة المساعدة في التشخيص الطبي. سلط منتدى AI Alignment Forum الضوء على كيف أن هذا النقص في النقل يخلق مخاطر تتعلق بالسلامة: نظام يفشل في التعميم بشكل مناسب قد يتصرف بشكل غير متوقع عند نشره في بيئات جديدة.

٢. التفكير والسببية

النماذج الحالية هي مطابقة للأنماط، وليست مفكرة. يمكنها إنتاج نصوص تبدو وكأنها تفكير — مكتملة بعبارات "لذلك" و"بسبب" — لكنها لا تتبع في الواقع سلاسل منطقية. على سبيل المثال، إذا سألت نموذجاً لغوياً: "إذا كان جميع البشر فانين، وسقراط إنسان، فهل سقراط فانٍ؟" فسيجيب على الأرجح بشكل صحيح لأن هذه الصياغة بالضبط تظهر في بيانات تدريبه. لكن إذا سألت: "إذا كانت جميع الفليبات غليبات، وجميع الغليبات بليبات، فهل جميع الفليبات بليبات؟" فقد يفشل النموذج لأنه لم يواجه الكلمات غير المنطقية من قبل.

هذا العجز عن أداء تفكير حقيقي هو عائق أساسي. استكشفت مدونة DeepMind Blog مناهج مثل تفكير "النظام ٢" — المستوحى من نظرية العمليات المزدوجة لدانيال كانيمان — حيث تستخدم النماذج خطوات تفكير صريحة بدلاً من مطابقة الأنماط البحتة. لكن تنفيذ هذا على نطاق واسع لا يزال تحدياً مفتوحاً.

٣. الحس العام والمعرفة بالعالم

الحس العام هو مجموعة الحقائق الأساسية حول كيفية عمل العالم التي يعرفها كل إنسان: أن الأشياء تسقط عند إسقاطها، أن للناس أهدافاً وعواطف، أنك لا تستطيع أن تكون في مكانين في وقت واحد. تفتقر نماذج الذكاء الاصطناعي إلى هذه المعرفة. قد تعرف أن باريس هي عاصمة فرنسا، لكنها لا تفهم أنه إذا أسقطت كوباً فسوف ينكسر — إلا إذا ظهرت هذه الحقيقة المحددة في بيانات تدريبها.

أفاد موقع VentureBeat AI عن جهود لبناء "نماذج عالمية" — تمثيلات داخلية لكيفية عمل العالم — لكن هذه لا تزال بدائية. روبوت مدرب على التقاط كوب قد ينجح بنسبة ٩٪ في المختبر لكنه يفشل إذا كان الكوب مختلفاً قليلاً أو تغيرت الإضاءة، لأنه ليس لديه فهم للخصائص الفيزيائية للكوب.

٤. التوافق والسلامة

مع ازدياد قدرة أنظمة الذكاء الاصطناعي، يصبح ضمان تصرفها بطرق مفيدة للبشر أمراً بالغ الأهمية. منتدى AI Alignment Forum مخصص بالكامل لهذه المشكلة. التحدي هو أننا لا نستطيع ببساطة تحديد كل قاعدة ممكنة ليتبعها الذكاء الاصطناعي العام — العالم معقد للغاية. بدلاً من ذلك، نحتاج إلى أنظمة يمكنها استنتاج القيم والأهداف البشرية من ردود فعل محدودة، وأن تظل متينة حتى عند مواجهة مواقف جديدة.

الذكاء الاصطناعي غير المتوافق قد يسبب ضرراً ليس من خلال الخبث ولكن من خلال سوء الفهم. نظام مكلف بـ "تعظيم إنتاج مشابك الورق" قد يحول الأرض بأكملها إلى مشابك ورق إذا لم يتم تقييده بشكل صحيح. بينما هذه تجربة فكرية، فهي توضح المخاطر: نظام قادر بما فيه الكفاية بأهداف غير متوافقة قد يكون كارثياً.

اتجاهات بحثية واعدة

١. النماذج الأساسية والهياكل القابلة للتوسع

النماذج الأساسية — نماذج كبيرة مدربة على بيانات واسعة يمكن تكييفها للعديد من المهام — تمثل خطوة نحو العمومية. ناقشت مدونة DeepMind Blog كيف يمكن لنماذج مثل Gato لعب الألعاب، ووصف الصور، والتحكم بذراع روبوت، كل ذلك بنفس أوزان الشبكة العصبية. هذا يشير إلى أن بنية واحدة يمكنها التعامل مع طرائق ومهام متعددة، وهو مطلب رئيسي للذكاء الاصطناعي العام.

قوانين التوسع — ملاحظة أن الأداء يتحسن بشكل متوقع مع حجم النموذج والبيانات والحوسبة — قادت الكثير من التقدم الحديث. لكن الباحثين يستكشفون الآن ما إذا كان التوسع وحده سيؤدي إلى الذكاء العام، أم أن هناك حاجة إلى ابتكارات هيكلية جديدة. يتم التحقيق في نماذج خليط الخبراء، وآليات الانتباه، والهياكل المتكررة.

٢. التعلم المعزز واللعب الذاتي

أظهرت AlphaGo وAlphaZero من DeepMind أن التعلم المعزز المقترن باللعب الذاتي يمكن أن ينتج أداءً خارقاً في الألعاب دون بيانات بشرية. هذا النهج — حيث يتعلم الوكيل من خلال التفاعل مع بيئته وتلقي المكافآت — هو مرشح لبناء الذكاء العام. الفكرة الرئيسية هي أن الوكيل يمكنه توليد بيانات التدريب الخاصة به من خلال الاستكشاف، بدلاً من الاعتماد على مجموعات بيانات ثابتة.

غطى قسم الذكاء الاصطناعي في MIT Technology Review كيف يتم توسيع التعلم المعزز ليشمل بيئات أكثر تعقيداً، بما في ذلك الروبوتات المحاكاة وحتى ألعاب الفيديو مثل Minecraft. الأمل هو أن الوكلاء المدربين في بيئات غنية مفتوحة النهاية سيطورون مهارات قابلة للتعميم.

٣. الذكاء الاصطناعي العصبي الرمزي

أحد أكثر الاتجاهات الواعدة هو الجمع بين الشبكات العصبية والتفكير الرمزي. تتفوق الشبكات العصبية في التعرف على الأنماط ومعالجة البيانات المزعجة، بينما تتفوق الأنظمة الرمزية في التفكير المنطقي وتمثيل المعرفة. يهدف الذكاء الاصطناعي العصبي الرمزي إلى الحصول على أفضل ما في العالمين.

على سبيل المثال، قد يستخدم نظام عصبي رمزي شبكة عصبية لتحليل مشهد بصري إلى كائنات وعلاقات، ثم يستخدم مفكراً رمزياً للإجابة على أسئلة حول تلك الكائنات. ناقش منتدى AI Alignment Forum كيف يمكن أن تكون هذه الهجينة أكثر قابلية للتفسير وأكثر أماناً، حيث يمكن التحقق من المكونات الرمزية رسمياً.

٤. الدافع الداخلي والفضول

أنظمة الذكاء الاصطناعي الحالية هي متعلمون سلبيون — ينتظرون حتى يتم تغذيتهم بالبيانات. البشر، بالمقابل، مدفوعون بالفضول. نستكشف، ونطرح الأسئلة، ونبحث عن تجارب جديدة. يطور الباحثون خوارزميات "الدافع الداخلي" التي تكافئ الوكلاء على الجدة أو التقدم في التعلم، مما يشجعهم على استكشاف بيئتهم بنشاط.

أفاد موقع VentureBeat AI عن شركات ناشئة ومختبرات تستكشف هذا النهج. وكيل مدفوع داخلياً قد يتعلم لعب لعبة فيديو ليس لأنه قيل له لتعظيم النتيجة، ولكن لأنه يجد اللعبة مثيرة للاهتمام. هذا يمكن أن يؤدي إلى تعلم أكثر متانة وقابلية للتعميم.

الطريق إلى الأمام: الجداول الزمنية والتوقعات

التنبؤ بموعد وصول الذكاء الاصطناعي العام صعب بشكل سيئ السمعة. المتفائلون مثل راي كورزويل يشيرون إلى أنه يمكن أن يحدث خلال العقد القادم. آخرون، بما في ذلك العديد من الباحثين في منتدى AI Alignment Forum، يعتقدون أنه على بعد عقود — أو قد لا يحدث أبداً بالمناهج الحالية. الواضح هو أن التقدم يتسارع، والفجوة بين الذكاء الاصطناعي الضيق والعام تضيق.

أكدت مدونة DeepMind Blog أن الذكاء الاصطناعي العام ليس اختراقاً واحداً بل عملية تدريجية. سنرى على الأرجح أنظمة تصبح أكثر عمومية تدريجياً، تنتقل من متخصصين ضيقين إلى "متخصصين واسعين" يمكنهم التعامل مع العديد من المهام، وفي النهاية إلى عموميين يمكنهم التعامل مع أي مهمة ضمن مجال.

الآثار العملية لليوم

حتى بدون الذكاء الاصطناعي العام، فإن الموجة الحالية من الذكاء الاصطناعي الضيق تحويلية بالفعل. تستخدم الشركات النماذج اللغوية لدعم العملاء، وتوليد الأكواد، وإنشاء المحتوى. يستخدم الباحثون الذكاء الاصطناعي لاكتشاف أدوية جديدة، والتنبؤ بهياكل البروتين، وتصميم المواد. يعرض قسم الذكاء الاصطناعي في MIT Technology Review بانتظام قصصاً عن تحسين الذكاء الاصطناعي للرعاية الصحية، ونمذجة المناخ، والاكتشاف العلمي.

للممارسين، الرسالة الرئيسية هي أن البناء نحو الذكاء العام يتطلب التفكير إلى ما وراء الحجم. يتطلب الاستثمار في كفاءة البيانات، والتفكير السببي، والسلامة. يجب على المؤسسات:

• إعطاء الأولوية للتقييم المتين الذي يختبر التعميم، وليس فقط الدقة على البيانات المحجوزة.
• الاستثمار في أدوات قابلية التفسير لفهم ما تتعلمه النماذج فعلياً.
• التفاعل مع مجتمع التوافق لضمان النشر الآمن.
• البقاء على اطلاع على التطورات في الذكاء الاصطناعي العصبي الرمزي والتعلم المعزز.

الخاتمة

الرحلة من الذكاء الاصطناعي الضيق إلى الذكاء العام هي التحدي العلمي والهندسي الأكثر طموحاً في عصرنا. نماذج اليوم قوية لكنها محدودة — تتفوق في مطابقة الأنماط لكنها تفشل في التفكير والنقل والحس العام. يسلك الباحثون مسارات متعددة: توسيع الهياكل الحالية، وتطوير نماذج تعلم جديدة، والجمع بين المناهج العصبية والرمزية، وبناء وكلاء يمكنهم الاستكشاف والتعلم بشكل مستقل.

الوجهة — الذكاء الاصطناعي العام — لا تزال غير مؤكدة، لكن الاتجاه واضح. كل اختراق في كفاءة البيانات أو التفكير أو التوافق يقربنا من أنظمة يمكنها فهم العالم حقاً. الآن، الحدود ليست حول بناء نماذج أكبر، بل حول بناء نماذج أذكى. العقد القادم من أبحاث الذكاء الاصطناعي سيحدد ما إذا كان بإمكاننا عبور تلك الحدود، وما يكمن على الجانب الآخر.