مصطفى الأغا يكشف مفاجأة بعد إيقاف برنامجه صدى الملاعب

كشف مسح حديث شمل خبراء بارزين في مجال الذكاء الاصطناعي أن المنهجيات الحالية المتبعة في تطوير هذا المجال من غير المرجح أن تؤدي إلى ابتكار نماذج قادرة على مضاهاة الذكاء البشري.

ووفقًا لنتائج المسح الذي استطلع آراء 475 عالمًا في الذكاء الاصطناعي، أعرب 76% منهم عن اعتقادهم بأن الاعتماد المتزايد على توسيع نطاق نماذج اللغة الكبيرة (LLMs) هو أمر 'غير مرجح' أو 'غير مرجح للغاية' لتحقيق ما يُعرف بـ 'الذكاء الاصطناعي العام' (AGI)، وهو المستوى الافتراضي الذي يمكن فيه لأنظمة تعلم الآلة أن تتعلم بفعالية تماثل البشر أو تتفوق عليهم.

تُمثل هذه النتائج تحولًا لافتًا عن التوقعات التي سادت قطاع التكنولوجيا، خاصة منذ الطفرة التي شهدها الذكاء الاصطناعي التوليدي في عام 2022، والتي رأت أن النماذج الحالية المتطورة لا تحتاج سوى لمزيد من البيانات، والمعدات، والطاقة، والتمويل لتجاوز القدرات الذهنية للبشر.

ومع ظهور مؤشرات على تباطؤ في تطور النماذج التي تم إطلاقها مؤخرًا، يرى غالبية الباحثين الذين شملهم الاستطلاع، الذي نظمته 'جمعية النهوض بالذكاء الاصطناعي' (AAAI)، أن شركات التكنولوجيا قد وصلت إلى طريق مسدود فيما يتعلق بالمنهجيات الحالية، وأن ضخ المزيد من الأموال لن يكون كافيًا للخروج منه.

وفي هذا السياق، صرح ستيوارت راسل، عالم الكمبيوتر بجامعة كاليفورنيا في بيركلي وأحد منظمي التقرير، لموقع 'Live Science' قائلًا: 'أعتقد أنه أصبح واضحًا بعد فترة وجيزة من إطلاق GPT-4، أن المكاسب الناتجة عن التوسع أصبحت تدريجية ومكلفة للغاية'. وأضاف: 'لقد استثمرت (شركات الذكاء الاصطناعي) الكثير بالفعل ولا يمكنها تحمل الاعتراف بأنها ارتكبت خطأً… والبقاء خارج السوق لعدة سنوات بينما يتعين عليها سداد مستحقات المستثمرين الذين ضخوا مئات المليارات من الدولارات. لذا، كل ما يمكنهم فعله هو مضاعفة الرهان على المسار الحالي'.

عوائد متناقصة وتحديات بنيوية

يعود الفضل جزئيًا في التحسينات المذهلة التي طرأت على نماذج اللغة الكبيرة في السنوات الأخيرة إلى بنيتها الأساسية المعروفة بـ 'بنية المحولات' (Transformer Architecture). وهي نوع من بنى التعلم العميق، ابتكرها علماء جوجل لأول مرة عام 2017، تنمو وتتعلم عن طريق استيعاب بيانات التدريب من المدخلات البشرية. لكن التوسع المستمر لهذه النماذج يتطلب كميات هائلة من المال والطاقة، حيث جمع قطاع الذكاء الاصطناعي التوليدي 56 مليار دولار من رأس المال الاستثماري عالميًا في عام 2024 وحده، يُوجه جزء كبير منها لبناء مجمعات ضخمة لمراكز البيانات.

علاوة على ذلك، تُظهر التوقعات أن البيانات المحدودة التي ينتجها البشر، والتي تُعد ضرورية لمزيد من النمو، من المرجح أن تُستنفد بحلول نهاية هذا العقد. وحينها، ستكون البدائل إما البدء في جمع البيانات الخاصة من المستخدمين أو تغذية النماذج بـ 'بيانات اصطناعية' مولدة بواسطة الذكاء الاصطناعي، مما قد يعرضها لخطر الانهيار بسبب الأخطاء المتراكمة.

ويشير خبراء المسح إلى أن قيود النماذج الحالية لا تكمن فقط في استهلاكها الكبير للموارد، بل أيضًا في قيود جوهرية تتعلق ببنيتها الأساسية. ويوضح راسل: 'أعتقد أن المشكلة الأساسية في المنهجيات الحالية هي أنها تعتمد جميعها على تدريب دوائر تغذية أمامية (Feedforward Circuits) كبيرة'، مضيفاً أن هذه الدوائر لها 'قيود أساسية' في قدرتها على تمثيل المفاهيم، مما يتطلب حجماً هائلاً لتمثيلها بشكل تقريبي ويؤدي إلى متطلبات بيانات ضخمة وتمثيل مجزأ وغير مكتمل.

مستقبل تطوير الذكاء الاصطناعي

وأدت هذه التحديات إلى ركود في أداء النماذج وفقًا لمقاييس التقييم القياسية، وربما تكون السبب وراء عدم ظهور نموذج GPT-5 الذي ترددت شائعات حوله من شركة OpenAI، حسبما أفاد بعض المشاركين في المسح. كما تعرضت فرضية إمكانية تحقيق تحسينات دائمة عبر التوسع للتشكيك هذا العام بعد أن تمكنت شركة DeepSeek الصينية من مضاهاة أداء نماذج وادي السيليكون باهظة التكلفة بجزء بسيط من التكلفة والطاقة. لهذه الأسباب، قال 79% من المشاركين في الاستطلاع إن التصورات الحالية لقدرات الذكاء الاصطناعي لا تتطابق مع الواقع، مما دفع راسل للقول: 'هناك العديد من الخبراء الذين يعتقدون أن هذه فقاعة'.

ومع ذلك، لا يعني هذا توقف التقدم في مجال الذكاء الاصطناعي. فقد أظهرت 'نماذج الاستدلال' (Reasoning Models) – وهي نماذج متخصصة تكرس المزيد من الوقت وقوة الحوسبة لمعالجة الاستفسارات – قدرتها على إنتاج استجابات أكثر دقة. ويرى المشاركون في المسح أن دمج هذه النماذج مع أنظمة تعلم الآلة الأخرى، خاصة بعد تقطيرها وتخصيصها لمهام محددة، يمثل مسارًا واعدًا للمستقبل. كما يشير نجاح DeepSeek إلى وجود مجال واسع للابتكار الهندسي في تصميم أنظمة الذكاء الاصطناعي. ويشير الخبراء أيضًا إلى إمكانات 'البرمجة الاحتمالية' (Probabilistic Programming) في بناء نماذج أقرب إلى الذكاء الاصطناعي العام مقارنة بنماذج الدوائر الحالية.

وفي ختام تعليقه، قال توماس ديتريتش، الأستاذ الفخري لعلوم الكمبيوتر بجامعة ولاية أوريغون والذي ساهم في التقرير: 'تراهن الصناعة بشكل كبير على وجود تطبيقات عالية القيمة للذكاء الاصطناعي التوليدي'، مضيفًا أن 'التقدم التكنولوجي الكبير في الماضي استغرق من 10 إلى 20 عامًا لإظهار عوائد كبيرة… لن أتفاجأ برؤية العديد من الشركات الناشئة الحالية في مجال الذكاء الاصطناعي التوليدي تفشل، ولكن يبدو من المحتمل أن يحقق بعضها نجاحًا باهرًا'.