يستكشف أبرز باحثي الذكاء الاصطناعي تطوير الذكاء الاصطناعي المدعوم بالذكاء الاصطناعي

كيف تجعل الذكاء الاصطناعي يطور الذكاء الاصطناعي من الجيل التالي بدلاً منك

كاتب المقال، المصدر: حساب ويشات الرسمي "APPSO"

إذا كان مهندس ذكي صيني، يتمتع بمهارات تقنية ممتازة وسيرة ذاتية متميزة، وخرج من جامعة بكين، إحدى أرقى الجامعات، فبإمكانه فعل أي شيء، لكنه لا يمكنه أبدًا ألا يعمل.

بعد أن غادرت ونغ لي مختبر Thinking Machines Lab قائلة إن الصحة والحياة هي "أهم أولوية متوافقة"، ظهرت تقارير عن عودتها إلى OpenAI. وفقًا لمتحدث رسمي بالشركة، ستُشرف على فريق يُسرّع الأبحاث الداخلية، وستشارك في استكشاف OpenAI لـ"التحسين الذاتي التكراري"، أي جعل الذكاء الاصطناعي يشارك في تدريب وتحسين نماذجه من الجيل التالي.

بشكل مماثل، فإن زميلها السابق، آيلا سوتسكفر، أحد الأعضاء الأساسيين السابقين في OpenAI ومؤسس Safe Superintelligence، قد فتح أخيرًا ثغرة صغيرة في بحثه السري. وبعد حصوله على وصول نادر إلى الأبحاث الداخلية، قررت نيفيديا الاستثمار في SSI وزيادة قدراتها الحسابية بمقدار عشرة أضعاف باستخدام نظام Vera Rubin الجديد.

تؤمن نفيديا أن SSI قد عملت على مدار العامين الماضيين على اتجاه بحثي جديد يختلف عن المسارات الحالية للنماذج الكبيرة. ولم يكشف إيليا عن مزيد من التفاصيل، بل قال فقط: "لدينا أبحاث تستحق التوسع."

زاد فضول الجماهير، وظهرت مقالة على وسائل التواصل الاجتماعي تحلّل عكسيًا للرؤى العامة، وتُشير إلى أن SSI لا تبحث عن وصفة تدريب مسبق أكبر التالية، بل عن طريقة جديدة للتطور والتكرار: جعل النموذج لا يظل ثابتًا بعد الانتهاء من التدريب، بل يتطور باستمرار من خلال التغذية الراجعة والتجارب والتعلم المستمر.

هذا التقييم لم يُؤكد من قبل SSI، لكنه يتماشى بشكل كبير مع مواقف إيليا السابقة. فقد أشار مرارًا وتكرارًا أن عصر التوسع الذي يعتمد فقط على مزيد من البيانات والقدرة الحسابية يقترب من حدوده، وأن الذكاء الاصطناعي يحتاج إلى إعادة تعلم كيفية تكوين فهم أعمق باستخدام تجارب أقل، والنمو المستمر من خلال التفاعل مع البيئة.

يبدو أن هؤلاء الخبراء الرائدين في الذكاء الاصطناعي، الذين حققوا بالفعل نجاحًا كبيرًا، ينظرون جميعًا في اتجاه واحد: كيفية جعل الذكاء الاصطناعي يطور الذكاء الاصطناعي التالي لهم.

عند ذكر التحسين الذاتي التكراري، يسهل تصور مشهد خيال علمي: الذكاء الاصطناعي يدرك فجأة عيوبه، ويعدل مباشرة أوزان الشبكة العصبية، ويستيقظ وهو أذكى بعشر مرات مما كان عليه بالأمس.

البداية الواقعية أكثر بساطة بكثير. إن تطوير الذكاء الاصطناعي هو في الأساس خط إنتاج دائري مستمر: يقرأ الباحثون الأوراق البحثية وسجلات التجارب، ويطرحون فرضية، ويعدلون كود التدريب، وينتظرون دورهم لتشغيل التجارب، وبعد ظهور النتائج يقارنون المؤشرات ويبحثون عن أسباب الفشل، ثم يصممون الخطة التالية.

يمكن للنماذج الكبيرة اليوم المشاركة في العديد من المراحل، فهي تستطيع قراءة مكتبات الكود، وتكرار الأوراق البحثية، وكتابة سكريبتات التجارب، واستخدام قوة الحوسبة لتشغيل الاختبارات، وتنظيم عشرات المجموعات من النتائج، وتحليل أي معلمة قد تكون مشكلة، ثم مواصلة تعديل الكود. في الماضي، كانت فرقة واحدة تستغرق أيامًا لإكمال دورة واحدة، لكن في المستقبل، قد يقوم عدة وكلاء بتجربة عشرات المسارات بالتوازي، ثم يُقدّمون أفضل النتائج المحتملة للإنسان للحكم عليها.

في أوائل يوليو، نشرت وينغ لي مقالًا طويلًا بعنوان "Harness Engineering for Self-Improvement"، كتبته تقريبًا مسبقًا لتوجيه اتجاه البحث الذي ستتولاه. فهي ترى أن أقرب مسار واقعي للتحسين الذاتي في الوقت الحالي ليس إعادة كتابة النموذج المباشر للدماغ، بل جعل الذكاء الاصطناعي يتعلم أولاً تحسين بيئة عمله: تحليل تلقائي للسجلات الفاشلة، وتعديل إدارة السياق، واستدعاء الأدوات، وتدفق العمل، ثم تحسين هذا النظام من خلال نتائج التجارب الجديدة. يمكن لـ harnesss أكثر نضجًا دفع البحث الآلي، بينما يمكن للنماذج الأقوى بدورها جعل harnesss أبسط، مما يخلق دورة تفاعلية.

هذا يخلق توازناً مثيراً بين المسارين اللذين يتبعهما وينغ لي و إيليا: فـ OpenAI تبدو وكأنها تنقل تدريجياً عمليات البحث الحالية إلى الذكاء الاصطناعي، بحيث يصبح أولاً مهندساً بحثياً قادراً على العمل؛ بينما قد تحاول SSI البحث عن نماذج تعلم جديدة من مستوى أعمق، بحيث يمتلك النموذج نفسه القدرة على التكرار المستمر والتطور.

لا يحتاج الذكاء الاصطناعي إلى أن يمتلك القدرة من البداية على تعديل أوزانه مباشرة. ما دام يستطيع تحسين عملية التدريب، أو تصفية البيانات، أو تصميم التقييمات، أو تحسين الحاوية الخارجية للنموذج، فهو يشارك بالفعل في إنشاء خلفه.

الأول يتحرك من الدورة الهندسية نحو الداخل، والثاني يتحرك من آلية النموذج نحو الخارج، وهدفهما كلاهما تقليل الفجوة بين ذكاء اصطناعي من جيل وجيله التالي.

في حين أن الخبراء يرغبون في تسريع المراهنة على هذا المسار، ظهر صوت آخر داخل الصناعة.

هذه الأسبوع، وقّع أكثر من 1100 من المتخصصين من شركات مثل OpenAI وAnthropic وGoogle وMeta على بيان يطالب ببناء تقنيات وأدوات تنسيقية مبكرة للتحكم في وتيرة البحث التلقائي للذكاء الاصطناعي. ويشمل المشاركون باحثين كبار مثل جاكوب باشوكيس، العالم الرئيسي في OpenAI، وجاك كلارك وجاريد كابلان، المؤسسان المشتركان لـAnthropic، بالإضافة إلى إيليا نفسه.

لم تطلب العريضة وقف أبحاث الذكاء الاصطناعي، ولا تنكر القيمة المحتملة للتحسين الذاتي. بل تقلق من أن一旦 تبدأ الذكاء الاصطناعي في تسريع أبحاث الذكاء الاصطناعي بشكل ملحوظ، قد يتفوق نمو القدرات على قدرة البشر على فهم وتحكم الأنظمة.

فكّر جيدًا، فهذا التذبذب "الظاهري المتناقض" يأتي من نفس المجموعة، بل وحتى من نفس الشخص. في نفس اللحظة، يمكن اتخاذ حكمين متعارضين: فهم يؤمنون أن البحث الآلي قد يكون مفتاح القفزة التالية للذكاء الاصطناعي، كما يؤمنون أنه بمجرد أن تعمل هذه الدورة التغذوية بشكل فعلي، يجب على الصناعة أن تمتلك القدرة على التباطؤ عند الحاجة.

بمجرد تشكيل هذه الدورة، فإنها تختلف عن إصدار نموذج أقوى في الماضي. كان معدل التقدم في الماضي محدودًا في النهاية بفريق البحث البشري. فالبشر هم من يطرحون الأسئلة، وينظمون التجارب، ويقيمون النتائج، كما أن التقدم قد يتوقف بسبب الميزانية أو الموارد البشرية أو العمليات التنظيمية.

الهدف من تطوير الذكاء الاصطناعي التلقائي هو التخلص التدريجي من هذه العقبات. كلما كان النموذج أقوى، زادت قدرته على مساعدة الفريق على إنشاء النموذج التالي بسرعة أكبر؛ وسيصبح النموذج التالي بدوره باحثًا أفضل، مما يقلل المزيد من وقت التطوير في الجولة التالية.

لذلك، على الرغم من القوتين المظهرتين المتضادتين، فإنهما تشتركان في نفس المقدمة: إن تطوير الذكاء الاصطناعي الآلي يتحول من فكرة بعيدة إلى هدف هندسي ملموس.

عودة وانغ إلى OpenAI تشير إلى أن التحسين الذاتي التكراري بدأ يحصل على منظمات ومسؤولين متخصصين؛ استعداد نفيديا لاستثمار أموال ضخمة وأحدث قدرات حوسبة بعد الاطلاع على الأبحاث السرية لـ SSI يشير إلى أن مسار التعلم الجديد وصل على الأقل إلى مرحلة تستحق التوسع والتحقق.

المُوقّعون يطلبون الاستعداد للفرملة، ليس لأنهم يعتقدون أن هذا المسار لن ينجح، بل بالضبط لأنهم بدأوا يأخذون بجدية ما سيحدث بعد نجاحه.

الخلاف الحقيقي لا يكمن في ما إذا كان ينبغي للذكاء الاصطناعي مساعدة البشر في إجراء الأبحاث. فقد دخلت توليد الأكواد، والبحث عن الأوراق البحثية، وأتمتة التجارب بالفعل المختبرات. بل يكمن في أنه عندما يتحول الذكاء الاصطناعي من أداة تزيد من كفاءة الباحثين إلى نظام بحثي قادر على اقتراح الحلول وتشغيل التجارب وتقييم النتائج وتعديل العمليات في الجولة التالية، فما هي النقاط التي يجب على البشر الاحتفاظ بحق اتخاذ القرار فيها.

هذا يعني سلسلة من القضايا التي تحتاج إلى مناقشة: من يحدد أهداف التحسين؟ ومن يقيم ما إذا كان أي تعديل يبدو أنه يحسن الأداء قد أدى إلى انتهاك الحدود الأمنية؟ عندما تكون عدة مختبرات في حالة تنافس، أي شركة ستكون مستعدة لتعليق تكرار فعال بمفردها؟ وإذا تم تقصير دورة تطوير النموذج فعلاً من سنة إلى أشهر أو أسابيع، هل يمكن للتقييمات الخارجية وفرق الأمان الداخلية مواكبة هذا التسارع؟

الشركات التي تعمل في مجال الذكاء الاصطناعي لا تتنافس الآن فقط على إنشاء نماذج شهيرة، بل تتنافس على نظام بحثي قادر على إنتاج نماذج أقوى باستمرار.

من ناحية، هناك باحثون رائدون مثل إيليا ووين لي، الذين يسعون لإيجاد طرق جديدة لجعل الذكاء الاصطناعي يشارك في تطورهم؛ ومن ناحية أخرى، هناك آلاف الباحثين في نفس الصناعة يطالبون بإعداد آلية إبطاء مسبقة. بين هاتين الموقفين، تتغير التحالفات باستمرار، ولا تكون المواقف متعارضة مباشرة، فالجميع يواجهون مشكلة مشتركة: عندما تبدأ أدوات البحث في تسريع البحث نفسه، من يمكنه أن يقرر متى يجب أن يأتي الجيل القادم من الذكاء الاصطناعي؟