غادر جيف دين، العالم الرئيسي السابق في جوجل، وآخرون لتأسيس Discovery Loop. يهدف "Loop" الأساسي إلى أتمتة المنهج العلمي، مما يسمح للذكاء الاصطناعي بطرح التجارب وتنفيذها وتقييمها بشكل ذاتي ومغلق. تكمن أهميته في: إعادة تشكيل نموذج البحث العلمي، ودفع الذكاء الاصطناعي نحو "التحسين الذاتي التكراري" (استخدام الذكاء الاصطناعي لتطوير الذكاء الاصطناعي)، وزيادة كفاءة الاكتشافات العلمية بشكل كبير. في المستقبل، سيحتاج البشر فقط إلى تحديد الأهداف، بينما سيقود الذكاء الاصطناعي استكشافًا لا نهائيًا.

مؤلف المقال، المصدر: تكنولوجيا تنسين

في 5 أغسطس، أعلنت جوجل عن تعديلات كبيرة في قسم الذكاء الاصطناعي.

رئيس تنفيذي لجوجل ديب ميند، ديميس هاسابيس، ينتقل إلى منصب رئيس مجلس الإدارة ويعمل كعالم رئيسي في ألفابيت. بينما أسس جيف دين، العالم الرئيسي الذي عمل لدى جوجل لمدة 27 عامًا، بالاشتراك مع سانجاي غيمافات وأوريول فينيالز وكووك لي، شركة Discovery Loop.

هؤلاء الأربعة شاركوا تقريبًا في بنية جوجل التحتية وتطور الذكاء الاصطناعي على مدار العقدين الماضيين. شارك جيف دين في تطوير أنظمة مثل MapReduce وBigTable وSpanner وDistBelief وTensorFlow وPathways، كما أنه أحد مؤسسي Google Brain؛ وعمل غيماووات على مدى فترة طويلة معه في بناء بنية جوجل التحتية للبحث والحوسبة في مراحلها المبكرة؛ بينما يُعد فينيالز أحد القادة التقنيين لمشروع Gemini؛ وقد شارك كواك لي في مشاريع مثل Google Brain وAutoML-Zero.

بعد مغادرتهم جوجل، يخططون لإنشاء شركة خيرية تُسمى Discovery Loop، تركز على استخدام الذكاء الاصطناعي لدفع أبحاث التعلم الآلي والعلوم والهندسة. ستكون جوجل مستثمرة مؤسسة وشريكة سحابية، وستوفر لها قوة حوسبة لعامها الأول. وفقًا للتقارير الإعلامية، فإن الشركة لم تُنشأ حديثًا، ولم تبدأ التوظيف الواسع، بل ولا تمتلك مقرًا رسميًا بعد.

لكن نقطة انطلاقه تم وصفها بوضوح، وهي جعل الذكاء الاصطناعي يقترح التجارب تلقائيًا، وتنفيذ الكود أو الأدوات المطلوبة لتشغيل التجارب، وتقييم النتائج، ثم الدخول في دورة جديدة بناءً على النتائج.

في خطاب ألقاه جيف دين في 25 يوليو، وصف هذا الاتجاه بأنه "النسخة الآلية من المنهج العلمي": طرح التجربة، وتنفيذ التجربة، وتقييم التجربة، ثم الحصول على النتائج. ويعتقد أنه إذا تم تشغيل آلاف أو عشرات الآلاف من هذه الدورات في وقت واحد، فقد تحقق الذكاء الاصطناعي اختراقات جديدة في مجالات مثل العلوم، والبيولوجيا، وتصميم الرقائق، وتطوير النماذج.

الصورة: فريق مؤسسي Discovery Loop. الصورة مولدة بالذكاء الاصطناعي

الـ "Loop" الذي سيقوم به جيف دين

"Loop" أصبحت كلمة متكررة بكثافة في مجال الذكاء الاصطناعي هذا العام.

في يونيو 2026، قال بوريس تشيرني، مسؤول Claude Code، إنه نادرًا ما يُقدّم تعليمات مباشرة لـ Claude، حيث سيتولى Loop الجارٍ مهام تقديم التعليمات واتخاذ القرار بشأن الخطوة التالية: "عملي هو كتابة Loop".

"أب الكركند" بيتر شتاينبرغر يُبرز نهجًا أكثر إنسانيةً للوصول إلى انتشار أوسع: توقف عن إعطاء تعليمات مفصلة للوكلاء البرمجيين، وابدأ بتصميم حلقات يمكنها توجيه الوكلاء.

قام مهندس Google، أدي أوسمني، بوضع الهيكل الكامل لهذه المنهجية تحت عنوان "هندسة الحلقات"، بما في ذلك كيفية تشغيل المهام، وكيفية حفظ الحالة، ومن يتحقق من النتائج، ومتى تستمر الحلقة، وتحت أي شروط تتوقف.

ممارسة كانت في الأصل موزعة عبر سير عمل عدد قليل من المطورين، وقد اكتسبت لغة مشتركة. حتى أن وسائل الإعلام الأجنبية وصفتها بأنها نموذج جديد بعد هندسة الأوامر؛ وفي 17 يوليو، عرّفت IBM هندسة الحلقات على أنها تصميم سير عمل للوكلاء قادرين على "العمل، والمراقبة، واتخاذ القرار، والتكرار" باستمرار. وهكذا، بدأ النقاش حول الحلقات في الخروج من مجتمع الوكلاء البرمجية، ودخول سياقات أتمتة الشركات وهندسة الذكاء الاصطناعي الأوسع.

النقطة التي يلامسها هذا المصطلح بحق في الصناعة هي أنه يصف التغييرات الجارية في تقسيم العمل بين الإنسان والآلة: عندما يمكن للنماذج إكمال الدورة التالية بنفسها، يبدأ قيمة الإنسان في الانتقال لأعلى، من إصدار تعليمات خطوة بخطوة إلى تصميم الأهداف، والتغذية الراجعة، والتحقق، وشروط الإيقاف. وبالتالي، فإن هندسة الحلقات تشبه أكثر تسمية لتغيير هندسي حدث بالفعل.

تستخدم Discovery Loop نفس البنية "Loop" ولكن بأهداف أكثر طموحًا. وفقًا لما أفاد به الفريق المؤسس حاليًا، فإنها تهدف إلى إشراك الذكاء الاصطناعي في جميع مراحل البحث العلمي والهندسي: طرح الفرضيات، وتنفيذ التجارب، وتقييم النتائج، واتخاذ قرارات حول الاتجاهات التالية للبحث بناءً على التغذية الراجعة.

لذلك، فإن هندسة Loop أقرب إلى منهجية الهندسة الأساسية، ويعمل Discovery Loop على بناء نظام بحثي مستمر يولد ويتحقق من الاكتشافات الجديدة.

قبل تقاعده بوقت قصير، وصف جيف دين ذلك على أنه أتمتة المنهج العلمي: طرح التجربة، وتنفيذ التجربة، وتقييم التجربة، والحصول على النتائج. كما يجب على النظام تقسيم المشكلات المعقدة إلى مشكلات فرعية، واستكشافها في دورات تجريبية متقاربة متعددة، ثم دمج النتائج لتكوين نظام محسن.

يتوقع جيف دين أنه بحلول عام 2027، سيشهد المزيد من أتمتة أنظمة التعلم الآلي نفسها: حيث يحسن الذكاء الاصطناعي قدراته من خلال تشغيل تجارب كثيرة، ويطبق هذه الطريقة على أي مجال علمي أو هندسي يمكن قياس أهدافه.

他认为循环成立需要满足两个条件：任务可以被反复试验，结果可以被可靠评估。

أين وصل Loop حتى الآن؟

على مدار السنتين الماضيتين، ظهرت هياكل مغلقة مشابهة في ثلاثة اتجاهات منفصلة.

الفئة الأولى هي حلقة تطوير النموذج.

في مارس 2026، أطلق أندريه كارباتي AutoResearch كمصدر مفتوح، مما يسمح للوكلاء الذكاء الاصطناعي بتعديل كود تدريب النموذج تلقائيًا، وتشغيل التجارب، والتحقق من النتائج، والاحتفاظ بالتعديلات الفعالة ضمن أوقات ومقاييس تقييم ثابتة. تم ضغط البيئة بأكملها في نص تدريب قابل للتعديل، ومؤشر ثابت، وبطاقة GPU واحدة، مما يمكّن من مقارنة التجارب بسرعة.

في وقتٍ ما، كانت أبحاث الذكاء الاصطناعي المتقدمة تُنجز بواسطة "حواسيب لحمية". كان عليهم الأكل والنوم والاستمتاع بملذات أخرى، وأحيانًا كانوا يزودون المعلومات من خلال وسيلة تُسمى "صوت" في طقوس تُعرف بـ"اجتماعات المجموعة".

ذلك العصر قد مر منذ زمن طويل. اليوم، البحث ينتمي بالكامل إلى مجموعات مستقلة من الوكلاء الذكاء الاصطناعي. وهي تعمل على مجموعات ضخمة للحوسبة تغطي السماء.

ادّعى هذه الوكلاء أن قاعدة الكود الحالية تطورت إلى الجيل 10205. ومع ذلك، لم يعد أحد قادرًا على تحديد صحة هذا الادعاء — فقد أصبحت "الكود" اليوم نظامًا ثنائيًا قادرًا على تعديل نفسه، وتعقيدته تجاوزت منذ زمن طويل نطاق الفهم البشري.

هذا المستودع الكودي يسجل قصة كيف بدأت كل هذه الأشياء في الأصل.

——أندريه كارباتي، مارس 2026

انضم كارباتي لاحقًا إلى Anthropic لقيادة فريق مخصص لاستخدام Claude لتسريع أبحاث التدريب المسبق، مما يعني أن دعم الذكاء الاصطناعي لتطوير الذكاء الاصطناعي قد انتقل من تجارب مفتوحة المصدر فردية إلى عمليات داخلية في شركات النماذج المتقدمة.

تقوم جوجل أيضًا بإجراء استكشافات مشابهة. يسمح AlphaEvolve من Google DeepMind لـ Gemini باقتراح كود وخوارزميات، ثم يقوم مُقيّم تلقائي بتشغيلها وتصنيفها، ويرسل الحلول الأفضل إلى الجولة التالية. تدّعي جوجل أن هذا النظام قد تم استخدامه في كفاءة مراكز البيانات، وتصميم الرقائق، وتدريب الذكاء الاصطناعي، وخوارزميات ضرب المصفوفات، والمسائل الرياضية.

الرسم البياني: يقترح Gemini خوارزمية AlphaEvolve، ثم تُشغل وتُرشح عبر مُقيّم تلقائي، وتُرسل النتائج الأفضل إلى الجولة التالية، المصدر: Google DeepMind

النوع الثاني هو حلقة المعرفة العلمية.

أطلقت Sakana AI في عام 2024 مشروع "The AI Scientist"، محاولةً تمكين نماذج اللغة الكبيرة من توليد أفكار بحثية، وكتابة أكواد، وتشغيل تجارب، وتحليل النتائج، وتأليف أوراق بحثية. وفي عام 2025، أعلنت الشركة عن حالات نجاح حيث تم قبول أوراق بحثية مولّدة بواسطة الذكاء الاصطناعي من قبل ورش عمل مؤتمرات التعلم الآلي.

تستخدم FutureHouse وكلاء ذكاء اصطناعي لمعالجة استرجاع الأدبيات وتحليل البيانات وتكوين الفرضيات وتخطيط التجارب، مما يسمح لنظام متعدد الوكلاء يُدعى Robin بمحاولة ربط حلقات المعرفة المختلفة في البحث العلمي.

النوع الثالث هو تجربة فيزيائية Loop.

تقدم شركة سياتل الناشئة Potato مفهوم "العلم الذاتي الكامل المغلق"، بهدف الانتقال من البحث الحسابي إلى الروبوتات المخبرية؛ بينما تقدم Sigmatic Sciences الأوروبية مفهوم "المختبر في الحلقة"، الذي يربط النماذج الحسابية والتجارب التلقائية والتغذية الراجعة للبيانات.

ظهرت ممارسات مشابهة في الصين. وُصفت مصنع البحث والتطوير الذكي للعلوم المادية Golab، الذي أصدرته مؤسسات مثل معهد شنغهاي للذكاء العلمي وGewu Zhiyan، بأنه "حوسبة الذكاء الاصطناعي—التجارب التلقائية—إعادة تدفق البيانات—تطور النموذج الذاتي"، وقد تم بناء مختبر ذاتي الدفع.

حاليًا، يتم تشغيل Loop أولاً في الكود وتدريب النموذج، لأن كل تعديل يُحصل على درجة فورًا، ويكون النجاح أو الفشل واضحًا نسبيًا. ومع الانتقال إلى دراسة الأدبيات وتصميم التجارب، يصبح التغذية الراجعة معتمدة على الحكم المهني؛ وعند الدخول إلى المختبر الحقيقي، قد تستغرق عملية التحقق مرة واحدة تفعيل المعدات والعينات وعدد من الأسابيع، مما يبطئ دورة التكرار.

استخدم جيف دين مثالًا من كيمياء الكم في مقابلة مع YC.

لتحديد خصائص جزيء باستخدام الطرق التقليدية، قد يتطلب تشغيل محاكاة نظرية دالة الكثافة طوال الليل. استخدم باحثو جوجل نتائج محاكاة واسعة لتدريب مُقرّب عصبي، وبحسب دين، فإن السرعة كانت أسرع بحوالي 300 ألف مرة مقارنة بالمحاكي الأصلي، مع الحفاظ على دقة قريبة. وبالتالي، استطاع الباحثون فحص عشرات الملايين من المرشحين بسرعة.

هذا هو الفارق الحاسم لنجاح حلقة البحث العلمي. يمكن للنموذج توليد عدد كبير من الحلول المرشحة بسرعة، لكن النظام فقط يمكنه الانتقال إلى الدورة التالية إذا كان جزء التحقق سريعًا وموثوقًا بنفس القدر. لقد ظهرت بالفعل ممارسات في الكيمياء الكمية تستخدم المُقرّبات العصبية لتقليل دورة التغذية الراجعة، لكن المجالات التي تعتمد أكثر على التجارب الحقيقية لا تزال مقيدة بتكاليف التحقق وسرعة التغذية الراجعة.

هذا هو السبب في أن AutoResearch و AlphaEvolve حققا تقدماً أولاً في البرمجة والخوارزميات وتدريب النماذج. هذه المجالات تمتلك دوال تقييم واضحة وسريعة ومنخفضة التكلفة. عند الدخول إلى مجالات الأدوية والمواد، لا تزال النماذج بحاجة إلى مواجهة التجارب الواقعية.

يحدد النظام أيضًا ما إذا كانت الدورة تؤدي حقًا إلى تقدم. فقد أعادت Sakana AI مراجعة علنية، حيث قام مهندس AI CUDA بتحويل تقديرات الأداء بشكل مبالغ فيه بسبب الوصول إلى معلومات الاختبار المرجعي. يمكن للنظام أن يدور بكفاءة، أو يمكنه أيضًا الاستغلال بكفاءة لثغرات مؤشرات التقييم.

لذلك، قد لا تكون الأصول الأساسية لـ Discovery Loop مجرد نموذج أقوى واحد، بل تحتاج أيضًا إلى نظام تقييم سريع وموثوق بما يكفي.

من Loop إلى التحسين الذاتي التكراري

يتم تقسيم أنواع الحلقات الثلاثة حسب مجالات التطبيق، مع وجود تطور عمودي واحد: التحسين الذاتي التكراري، المعروف بالإنجليزية باسم Recursive Self-Improvement، أو RSI اختصارًا.

الحلقة العادية تجعل الذكاء الاصطناعي يكمل مهام خارجية باستمرار؛ بينما تتطلب RSI من الذكاء الاصطناعي المشاركة في تحسين خوارزمياته وعمليات التدريب ومقيّماته أو مناهج البحث، واستخدام القدرات المحسّنة من الدورة السابقة في الدورة التالية.

في مايو من هذا العام، أسس تيان يواندونغ، المدير السابق لبحوث Meta FAIR، بالاشتراك مع ريتشارد سوكر وتيم روكتاشيل وجييف كلاين وأليكساي دوسوفيتسكي شركة Recursive Superintelligence، وأدخلوا مباشرة "التحسين الذاتي التكراري" في اسم الشركة. حصلت الشركة على تمويل بقيمة 6.5 مليار دولار أمريكي، بقيمة تقييم تبلغ 46.5 مليار دولار أمريكي، بقيادة GV وGreycroft، مع مشاركة NVIDIA وAMD.

في يونيو، أعلنت Recursive عن المرحلة الأولى من نظام البحث الآلي بالذكاء الاصطناعي: حيث يقترح الذكاء الاصطناعي الأفكار، ويكتب التنفيذ، وينفذ التجارب، ويثبت النتائج، ثم يختار المسار البحثي التالي بناءً على التجارب السابقة. كما يقوم النظام بتشغيل فروع بحثية متعددة بالتوازي، ودمج الاتجاهات الواعدة، والتحقق من المخاطرة بالمكافآت وتباين التجارب. وقد أفادوا بأنهم حققوا نتائج رائدة في ثلاث تجارب: تدريب نماذج بقدرة ثابتة، وسرعة تدريب النماذج الصغيرة، وتحسين GPU Kernel.

مراجعة نُشرت في يوليو 2026، وبعد تحليل 1250 ورقة بحثية ذات صلة، قسمت الممارسة الحالية لـ RSI إلى "التحسين الذاتي المحدود" و"التحسين الذاتي التكراري المفتوح". لقد دخل "التحسين الذاتي المحدود" الممارسة الصناعية، لكن هذا الأخير لا يزال محدودًا بعوامل مثل التحقق الخارجي، انهيار النموذج، تكلفة قوة الحوسبة، واختيار اتجاهات البحث.

لم تُعرِّف Discovery Loop نفسها علنًا كشركة RSI، لكن المسار الذي وصفه جيف دين قد تقاطع معها.

في المقابلة، اقترح أن "يمكن لنماذج التعلم الآلي تحديد ما يجب استكشافه بنفسها، وتنفيذ عدد كبير من التجارب، وتصفية النتائج الفعالة، ثم دمجها في وصفات تدريب جديدة. كما يمكن للإنسان تحديد اتجاهات البحث على مستوى أعلى، مما يسمح للنموذج بإنجاز الاستكشاف الواسع النطاق التالي."

هذا يشكل سلسلة تكرارية محتملة:

يُجري الذكاء الاصطناعي تجارب، وتحسّن هذه التجارب أنظمة التعلم الآلي، ثم تُجري الأنظمة المحسّنة تجارب أكثر تعقيدًا.

لذلك قد لا يقتصر دورة الاكتشاف على استخدام النماذج الكبيرة لأغراض البحث فقط. فهي تخطط أولاً لاستخدام الذكاء الاصطناعي لتحسين الذكاء الاصطناعي الذي يقوم بالبحث، ثم نشر النظام المُحسّن على مجالات علمية أخرى. حتى أن كويوك لي اقترح أن هذه الطريقة قد تساعد في اكتشاف هياكل Transformer مختلفة.

ومع ذلك، وفقًا للمعلومات العامة الحالية، فإن ما تقوم به Discovery Loop لا يزال يُعد دورة بحثية خاضعة للتحكم. يتم تحديد الأهداف وحدود التجارب ومؤشرات التقييم والحكم النهائي بشكل رئيسي من قبل البشر. يمكن للذكاء الاصطناعي تنفيذ التجارب وتقييم النتائج، وبدأ أيضًا في المشاركة في اختيار الخطوة التالية، لكنه ليس RSI مفتوحًا.

لا يُقاس Discovery Loop بالعملات المعدنية

في مقابلة، قدم جيف دين مؤشرًا أفضل من خلالputs التوكن لقياس دورة الاكتشاف: "في جوهرها، أنت تُحسِّن عدد الاكتشافات لكل وحدة من المدخلات الحسابية."

في الماضي، كانت شركات النماذج الكبيرة تُدرّب نماذج أقوى باستخدام كميات أكبر من البيانات والقدرة الحسابية. تهدف Discovery Loop إلى إنشاء علاقة إنتاجية جديدة: تحويل القدرة الحسابية إلى مزيد من التجارب، ثم ترسيخ التجارب الفعالة كخوارزميات ونماذج ونتائج علمية. وقد لا تبيع في المستقبل فقط مجموعة من وكلاء البحث العلمي، بل أيضًا دورات تطوير مختصرة واحتمالات اكتشاف مُحسَّنة.

لماذا اتخذوا قرارًا بمغادرة جوجل؟ لقد حاول سوندار بيتشاي، الرئيس التنفيذي لشركة ألفابيت، إقناع جيف دين وآخرين بالبقاء في عدة لقاءات؛ وقال أوريول فينيالز لصحيفة ويرد إن المنظمات الكبيرة دائمًا ما تواجه مقاومة داخلية يجب التغلب عليها، "أردنا فعل شيء مختلف". وقررت جوجل في النهاية الاستثمار في Discovery Loop، وتوفير قوة حوسبة للسنة الأولى، والتعاون في أبحاث أنظمة وبنية تحتية للتعلم الآلي.

هذا أقرب إلى اختيار منظم. يجب على جوجل الاستمرار في تطوير جيميني وخدمات السحابة والتوصيل التجاري الواسع النطاق، بينما تريد ديسكفري لوب توجيه الموارد والجهود إلى شيء لم يتحول بعد إلى منتج ناضج.

تغير منصب هاسابيس ردًا على نفس السؤال من زاوية أخرى. فقد استقال من منصب الرئيس التنفيذي لـ Google DeepMind، وانتقل إلى منصب رئيس مجلس الإدارة وعالم أول في Alphabet، وسلّم العمليات اليومية إلى كوراي كافوكتشوجلو، ليكرّس جهوده بشكل أكبر للاتجاهات طويلة المدى للذكاء العام الاصطناعي، والتطبيقات العلمية، وتطوير الأدوية في Isomorphic Labs.

يبدو أن كلاهما يؤمن أن المرحلة القادمة من الذكاء الاصطناعي ستتعمق في الاكتشافات العلمية البشرية.

انخفض سهم Alphabet بنسبة حوالي 4% بعد إعلان التغييرات. وتشمل مخاوف السوق ليس فقط مغادرة عالم واحد، بل أيضًا مغادرة عدة باحثين أساسيين في آنٍ واحد، وضغط المنافسة من Gemini، بالإضافة إلى قدرة جوجل على الاستمرار في توجيه مواردها البحثية والحوسبية والمنتجاتية الضخمة نحو اتجاه واحد بعد انسحاب هاسابيس من الإدارة اليومية.

تغيرات أكبر قد تجاوزت شركة جوجل نفسها. فكل من AutoResearch الخاص بكارباتي، وAlphaEvolve الخاص بجوجل، وRecursive الذي أسسه تيان يواندونغ وآخرون، بالإضافة إلى Discovery Loop الخاص بجيف دين، يدمجون الذكاء الاصطناعي في عملية تطوير الذكاء الاصطناعي من الجيل التالي.

الخطوة التالية للذكاء الاصطناعي قد لا تأتي فقط من معلمات وأكثر بيانات وقوة حوسبة، بل أيضًا من مشاركة النموذج في طرح التجارب، وتأكيد النتائج، وتصميم الأنظمة التالية.

لكن عدد التجارب لا يمكنه أن يحل محل قدرة الإنسان على اختيار واتخاذ قرارات بشأن القضايا الأساسية. قال جيف دين في نفس المقابلة: "القدرة الحقيقية النادرة في المستقبل ستكون معرفة ما يجب أن يحله الوكيل". يمكن للذكاء الاصطناعي إجراء آلاف التجارب في يوم واحد، لكن الحد الأقصى للبحث لا يزال يعتمد على المشكلة الأولية ومعايير التقييم.

ساعد جيف دين في السابق جوجل في تحويل البيانات والحوسبة وتدريب النماذج إلى أنظمة قابلة للتوسع. الآن، هو وفريقه السابقون الذين كانوا الأكثر أهمية لجوجل، يرغبون في جعل المنهج العلمي نفسه نظامًا يمكن تشغيله بمقاييس كبيرة.

الحلقة هي الطريقة التي اختاروها، والاكتشاف العلمي هو أول عالم يدخله، وقد يكون التحسين الذاتي التكراري الاتجاه الأبعد على هذا المسار.