يُعتبر جائزة فيلدز لهذا العام "النسخة النهائية الخالصة" - فقد تكون الأبحاث الثورية المستقبلية جميعها تُنجز بالتكامل مع الذكاء الاصطناعي.
قد تكون هذه العملية الانتقالية أسرع مما نتخيل: خلال مؤتمر صحفي لجائزة فيلدز، سُئل أحد الفائزين، وهو الرياضي الكندي جاكوب تسيمرمان، عن ما يخطط للقيام به بعد ذلك، فأجاب أنه بدأ بالفعل التحول إلى أبحاث أمان الذكاء الاصطناعي، وسوف ينضم قريبًا إلى قسم الأمان في OpenAI.
من ناحية أخرى، رحب مباشرة مارك تشين، الرئيس التنفيذي للبحوث في OpenAI.
يُنظر إلى شركات الذكاء الاصطناعي الرائدة من قبل العلماء البارزين على أنها منصات يمكنها إظهار طموحاتهم. خلال الفترة الأخيرة، يتجه عدد متزايد من العلماء البارزين، بما في ذلك الرياضيين والفيزيائيين والبيولوجيين، نحو شركات النماذج الكبيرة الرائدة. ففي النصف الأول من هذا العام فقط، انضم إلى Anthropic علماء بارزون مثل جون جامبر، حائز جائزة نوبل في الكيمياء، وتشاد جونز، الخبير الاقتصادي، وهارفي ليدرمان، الفيلسوف.
وراء هذا، توجهت شركات الذكاء الاصطناعي الرائدة بشكل متناسق نحو نفس الاتجاه: فهي تجلب العلماء إلى مراكز تطوير الذكاء الاصطناعي. إن التكامل العميق بين الذكاء الاصطناعي والعلوم المتقدمة يتحول من خيار إلى ضرورة.
تتبع الشركات الكبرى للذكاء الاصطناعي في الصين، حيث أطلقت فرقة Seed Edge التابعة لـ ByteDance في الخميس الماضي خطة Seed STEM للعلماء، وفتحت 100 مقعد للتعاون موجهة للعلماء وطلاب الدكتوراه في مجالات العلوم المتقدمة مثل الرياضيات والفيزياء والكيمياء والأحياء، ودعتهم للتعاون مع Seed في استكشاف المسائل غير المعروفة في العلوم الأساسية. وفقًا للمعلومات المنشورة، هذه أول خطة في الصين تُخصص استثمارًا واسع النطاق لتسريع اكتشافات العلوم المتقدمة باستخدام الذكاء الاصطناعي.
في النصف الثاني للنماذج الكبيرة، لم يعد التنافس يدور حول الدرجات
في سياق التنافس السريع الذي يدور على أساس يومي في مجال الذكاء الاصطناعي اليوم، قد يكون التركيز على البحث الأساسي طويل الأمد في الذكاء الاصطناعي أقل وضوحًا مقارنة بتحسين مهارات البرمجة أو رفع درجات التقييم: فتحسين القدرات في هذه المجالات يمكن تحويله بسرعة إلى تجربة منتج وإيرادات تجارية، بينما دورات التغذية الراجعة للبحث الأساسي وتسريع الذكاء الاصطناعي لاكتشافات علمية أطول بكثير، ومسارات الاستكشاف فيها مليئة بعدم اليقين.
لكن من الناحية المعاكسة، فإن أي اختراق حقيقي على هذا الطريق سيجلب قيمة نمطية تفوق بكثير تكرار المنتجات العادي.
سابقًا، أشار ياو شون يو إلى رأي مع فريقه: لا توجد سحر في تدريب النماذج الكبيرة. التحدي الحقيقي يكمن في فعل الأشياء الأساسية التي يمكن التأكد من صحتها بشكل صحيح. وهذا الرأي يتوافق مع وجهة نظر داريو، الرئيس التنفيذي لشركة Anthropic، الذي يؤمن بها منذ فترة طويلة — العناصر الأساسية التي تقود تقدم الذكاء الاصطناعي هي دائمًا القوة الحسابية وجودة البيانات وحجمها ومدة التدريب ووظائف الهدف القابلة للتوسع، "جميع الأساليب والتقنيات الذكية ليست مهمة بهذه الدرجة".
عند مراجعة النماذج الحقيقية المتقدمة مثل Claude وSeedance، لا توجد طرق مختصرة وراءها؛ فجميعها تعتمد على تحديد الاتجاه مبكرًا وإجراء عمل أساسي كبير في جودة البيانات والهندسة الأساسية.
تركز Anthropic مواردها بشدة على تحسين قدرات النموذج في البرمجة، من خلال تدريبها باستخدام التعلم المعزز، مما يمكّن النموذج من فهم وإنشاء أكواد عالية الجودة من خلال التجربة والخطأ، وتشكيل عجلة تطور ذاتية متسارعة بناءً على ملاحظات المستخدمين.
في مجال توليد الفيديو، الذي يصعب على العديد من الشركات الكبرى الحفاظ على زخمه، نجحت Seedance من خلال بنية نموذج مبتكرة وعملية بيانات دقيقة في تحويل توليد الفيديو بالذكاء الاصطناعي من أداة تجريبية عشوائية إلى أداة إنتاج صناعية أكثر تحكمًا وإبداعًا.
من الواضح أن ما يحدد حقًا حدود قدرة النموذج ليس تراكم المهارات، بل ترسيخ البيانات، وتوحيد البنية الأساسية، وتحديد أهداف طويلة المدى، مع الحفاظ على ثبات استراتيجي وصبر كافٍ.
هذا ليس بالأمر السهل في البيئة الحالية، لكننا نرى أن المزيد من الشركات في مجال النماذج الكبيرة المحلية ترغب في التحلي بالصبر واتباع هذا الطريق الصعب ولكن الصحيح.
هذا العام، ديب سيك تم إطلاق معمارية mHC (الترابط الفائق المقيد بالمتعدد الأبعاد)، والتي تُعتبر اختراقًا في مجال البنية الأساسية للنماذج الكبيرة. وهي أيضًا ديب سيك إحدى الترقيات الهيكلية المهمة في V4، التي استبدلت الوصلات المتبقية التقليدية، وتم دمجها عبر تصميم النموذج بأكمله. يجدر الذكر أن بحث mHC استشهد بـ "الوصلات الفائقة" (HC) التي اقترحها فريق Seed في ByteDance.
قبل ذلك، كانت الوصلات المتبقيّة تُعتبر تكوينًا افتراضيًا كجزء أساسي من بنية Transformer، وقامت HC بتحطيم هذا النموذج أحادي التدفق لأول مرة، مع تحسين كبير في قدرة النموذج على التعبير عن الميزات دون زيادة كبيرة في كمية الحسابات. من الطرح المبتكر لـ HC إلى التطبيق الهندسي لـ mHC، أصبح هذا مثالًا مصغّرًا على الابتكار التقني لفريق الذكاء الاصطناعي الصيني في مجال البنية الأساسية، وهو ما كان نادرًا في تطور تقنيات النماذج الكبيرة سابقًا.
في بداية العام الماضي، أنشأ فريق "Seed" التابع لـ ByteDance فريقًا يُدعى "Edge" بهدف إجراء أبحاث ذات درجة أقل من اليقين، ولا تُظهر نتائجها على المدى القصير. ولضمان بيئة مستقرة للباحثين، قاموا حتى بتعديل دورة تقييم الأداء — حيث لم يتم تعيين آليات تقييم خلال المرحلة الوسطى، بل تم إجراء التقييم الموحد فقط عند ظهور النتائج.
بعد تأسيس الفريق، ظلوا متحفظين لفترة طويلة، لكنهم مؤخرًا أطلقوا على X مجموعة تقييمات طويلة المدى تُسمى EdgeBench، وهي أول مرة تُعرّف فيها بشكل منهجي قوانين تعلم الوكلاء في بيئات حقيقية، وتم اكتشاف قانون جديد للقياس في أبعاد التعلم البيئي، مما أثار نقاشات واسعة بين خبراء الصناعة.
يُقال إن OpenAI تُجري أيضًا تكاملًا مع مجموعة التقييم هذه لاختبار قدرات نماذجها على المدى الطويل.
في مجال الذكاء الاصطناعي، يركز الناس عادةً على النماذج الكبيرة نفسها، لكن بناء معايير الأداء يتطلب فترات طويلة واستثمارًا كبيرًا في الموارد البشرية. تصميم واختبار مفتوح المصدر للمعايير التي تقيس قدرات الذكاء الاصطناعي المتقدمة ليس فقط لقياس التقدم الداخلي، بل أيضًا لقيادة المجال بأكمله نحو مزيد من الشفافية والموثوقية من خلال وضع معايير صناعية وكشف نقاط الضعف في النماذج. تُخصص المختبرات الرائدة في الذكاء الاصطناعي استثمارات ضخمة في بناء هذه المعايير.
أصدرت OpenAI إطار Evals كأداة معيارية في الصناعة لتقييم نماذج اللغة الكبيرة والأنظمة القائمة على LLM. كما صممت OpenAI مجموعة من المعايير المتخصصة لقدرات متقدمة محددة، بما في ذلك SimpleQA وBrowseComp وMLE-bench.
أجرى Anthropic عملًا كبيرًا حول SWE-bench، حيث وضّحوا بوضوح نقاط القوة الخاصة بـ Claude في البرمجة؛ كما أطلقوا Terminal-Bench لقياس قدرة الوكلاء على إكمال مهام سلسلة طويلة في بيئة سطر أوامر حقيقية.
هذه التقييمات ليست عرضية فيما يتعلق بعلاقاتها مع نقاط القوة في قدرات النماذج المختلفة.
يُمكن ملاحظة أن تقييم فريق الذكاء الاصطناعي المتقدم لمسار تطور الذكاء الاصطناعي قد بدأ في التحول، حيث تجاوزت قدرات النماذج الكبيرة مرحلة الربحية السابقة التي كانت تعتمد فقط على تراكم المعلمات والبيانات، وستكون ديناميكية النمو التالية حتمًا مستمدة من التفاعل المستمر والتفاعل والتطور الذاتي للنموذج في بيئات مفتوحة وحقيقية.
أطراف العلوم الأساسية هي أعلى أشكال فتح السيناريوهات المجهولة. وبرنامج Seed STEM للعلماء الذي أطلقته ByteDance مؤخرًا يهدف إلى العمل مع العلماء لتحديد وتجاوز المشكلات البحثية، واستكشاف إمكانات تسريع الاكتشاف العلمي بواسطة الذكاء الاصطناعي. ما يقدمه العلماء ليس مجرد مواضيع، بل أيضًا وعي بالمشكلات، ومعايير تقييم، وطرق تغذية راجعة.
لماذا شركات الذكاء الاصطناعي الرائدة
هل الجميع يتنافسون على علماء المجال؟
لماذا نتعاون مع العلماء؟ الإجابة هي أن التحديات المتبقية الآن ليست صعبة بما يكفي للنماذج الكبيرة.
تتمحور أنظمة تقييم النماذج السائدة اليوم بشكل كبير حول المهام المغلقة التي لديها إجابات معيارية. فالمهام لها حلول محددة، والتقييم يخضع لمعايير ثابتة، ومسار تحسين قدرات النموذج واضح. لكن البحث العلمي الحقيقي يعتمد على منطق مختلف تمامًا: فهو لا يمتلك مسارًا واضحًا للحل، بل يتطلب من الباحثين وضع الفرضيات بأنفسهم، وتصميم خطط التحقق، ومعالجة البيانات الاستثنائية والضوضاء، واستنتاج الآليات الأساسية، مع كون العملية بأكملها مليئة بالتجريب والتجربة والخطأ وعدم اليقين.
المهام في العالم الحقيقي هي المعيار النهائي لاختبار قدرات نماذج الذكاء الاصطناعي. بعد التدريب المسبق والتوسيع أثناء الاختبار، تبحث الصناعة على نطاق واسع عن الاتجاه التالي للتوسيع، ويعتبر "التعلم المستمر من خلال التفاعل في بيئات مفتوحة حقيقية" أحد أكثر المسارات توقعًا.
لذلك، عندما تطور فرق الذكاء الاصطناعي العالمية الرائدة نماذج متقدمة، لم تعد تعتمد فقط على فرق الذكاء الاصطناعي لتحسين النماذج داخل أروقتها، بل تشمل باحثين رائدين من مختلف التخصصات، لجعل المشكلات الحقيقية في المجالات المختلفة قوة دافعة لتطور قدرات النموذج.
في أمريكا الشمالية، انضم مؤخرًا عدد كبير من الباحثين من الجامعات إلى شركات النماذج الكبيرة. في بداية يوليو، أعلنت جيلاني نيلسون، رئيسة قسم هندسة الكهرباء وعلوم الحاسوب في بيركلي، عن أخذ إجازة أكاديمية والانضمام إلى أنثروبيك. هذا العام، غادر أو قلّل ما لا يقل عن 22 أستاذًا وباحثًا من عملهم في جامعات مثل ستانفورد وبيركلي وهارفارد مؤقتًا، وانتقلوا إلى OpenAI وAnthropic وDeepMind وMeta. حاليًا، تجمع هذه الشركات الأربع ما لا يقل عن 80 أستاذًا جامعيًا حاليًا أو سابقًا.
خلف انضمام الخبراء تدريجيًا، توجد مشاريع منظمة بالكامل.
في OpenAI، أصبح برنامج Residency قناة منتظمة سنويًا لجذب الكفاءات العليا، وهو موجه صراحةً نحو الكفاءات التي لا تركز حاليًا على الذكاء الاصطناعي كاتجاه بحثي رئيسي، ويوفر للمشاركين فرصة الانضمام المباشر منذ اليوم الأول إلى فرق التطبيقات والأبحاث الرائدة في OpenAI للتعاون العملي. يُعد هذا البرنامج بمثابة "تدريب دكتوراه مكثف" يساعد الخبراء من مجالات متعددة على إتمام دمج التخصصات بسرعة. شارك باحثو البرنامج المقيمون بشكل عميق في العديد من المشاريع المحورية مثل ImageGPT وCodex. كما أن التقدم العلمي في نماذج GPT على مستوى الاستدلال الرياضي واستنتاج الآليات البيولوجية لا يُمكن تحقيقه دون المساهمة المستمرة لهؤلاء الخبراء متعدد التخصصات.
في Anthropic، تم توسيع برنامج STEM Fellows المخصص للخبراء في مجالات العلوم والهندسة والتكنولوجيا والرياضيات بشكل منهجي وواسع النطاق في عام 2026. يستمر هذا البرنامج لعدة أشهر، ويدعو خبراء رائدين خارج مجال الذكاء الاصطناعي مثل الفيزيائيين والبيولوجيين والرياضيين والاقتصاديين للانضمام إلى داخل Anthropic. يمكنهم إحضار تحدياتهم أو سير عملهم المعقدة من مجالاتهم الخاصة، والاستفادة مباشرة من نماذج Claude غير المنشورة ووسائل التقييم الداخلية.
في مثل هذه المشاريع، يبني علماء المواد إجراءات تقييم مخصصة لاستنتاج استقرار الأطوار لـ Claude، بينما يدمج علماء المناخ أدوات نمذجة جوية متخصصة مع النموذج بعمق. خلال فترة الإقامة، أنتج أكثر من 80% من الباحثين نتائج أكاديمية عالية الجودة، وتحولت هذه الملاحظات المستمدة من مجالات علمية حقيقية مباشرة إلى إشارات تدريب لتحسين النموذج، مما دفع تطور Claude في الاستدلال العلمي واستخدام الأدوات المعقدة.
قيمة هذه المشاريع تجاوزت منذ زمن طويل البحث العلمي نفسه، حيث تضع شركات الذكاء الاصطناعي الرائدة التنافس على علماء المجال في نفس مستوى التنافس على قوة الحوسبة.
بالطبع، للعلماء، فإن التعاون له قيمة كبيرة أيضًا. تصبح النماذج الكبيرة بنية تحتية علمية جديدة: من الاستنتاجات الرياضية والمحاكاة العددية إلى تحليل كميات هائلة من الأدبيات والبيانات التجريبية، تعيد الذكاء الاصطناعي تشكيل نموذج البحث، مما يجعل المواضيع التي كانت مقيدة سابقًا بالموارد البشرية وقوة الحوسبة ممكنة الآن.
الدعوة للانضمام إلى فريق النماذج الكبيرة للمشاركة في البحث الميداني، تساوي من حيث الأهمية حصول عالم فلك على استخدام حصري لتلسكوب فضائي فائق الجيل القادم. يمكن لهذه المشاريع أن توفر للعلماء العديد من المزايا، مثل الوصول إلى كميات هائلة من قوة الحوسبة للذكاء الاصطناعي، وتجربة النماذج المتقدمة، بالإضافة إلى استخدام الذكاء الاصطناعي كـ"دماغ خارجي" لتحويل التركيز إلى تعريف المشكلة نفسها.
بالنسبة للعلماء الذين يتدفقون على Anthropic و OpenAI، فإن هذا التعاون العميق هو مُضاعف لكفاءة البحث العلمي ورافعة لدفع الاكتشافات الجديدة. وفي هذه اللحظة، عندما نعيد توجيه نظرنا إلى الداخل، نجد أن مجال الفراغ بين الذكاء الاصطناعي والأبحاث الأساسية يتم سده من قبل ByteDance Seed أولاً.
النهاية النهائية للذكاء الاصطناعي
المسألة تتعلق بالنهج طويل الأجل
عندما يقرر حائزو جائزة فيلدز الانضمام إلى OpenAI، وعندما يبدأ المزيد من العلماء في مجال العلوم، والتكنولوجيا، والهندسة، والرياضيات في الانضمام إلى فرق النماذج، فإن المنافسة في المرحلة القادمة للذكاء الاصطناعي تنتقل من التكرار المنتج قصير الأجل، والتصنيفات، والاختراقات في مهام فردية، إلى مسائل أساسية أكثر طولًا وأكثر تعقيدًا وأكثر تقدمًا.
إن البحث العلمي مهم لأنه يقف في طليعة المعرفة البشرية. إذا تمكّنّا من التثبيت في هذا النوع من البيئات المفتوحة عالية التعقيد، فهذا يعني أن الذكاء الاصطناعي من الجيل القادم يمتلك فعلاً القدرة على المشاركة في مهام معقدة حقيقية.
من الصعب أن تقدم هذه الطريق نتائج مذهلة بسرعة، أو أن تشكل دائرة تجارية واضحة في المدى القصير. إنها بطيئة، وثقيلة، ومحفوفة بعدم اليقين. لكن بالضبط بسبب هذا، فهي الأكثر قدرة على اختبار ما إذا كان الفريق مستعدًا حقًا للانغماس في الأساسيات وفي الحدود前沿.
الإجابة النهائية التي يجب أن يقدمها النموذج الكبير هي القدرة على المضي قدمًا في المسائل التي لم تُحل بعد جنبًا إلى جنب مع البشر.
يتطلب التقدم العلمي النظرة الطويلة الأجل، وكذلك تحقيق الذكاء العام الاصطناعي.
هذا المقال من حساب ويشات الرسمي "ماشين سينس" (ID: almosthuman2014)، الكاتب: زينان