كتابة: Shenchao TechFlow
لا حاجة للتدريب، لا حاجة للبيانات، لا حاجة للانحدار التدريجي.
قام باحثو معهد ماساتشوستس للتكنولوجيا بإعطاء أوزان نموذج صغير مفتوح المصدر إلى GPT-6 Astra، وأصدروا أمرًا بلغة طبيعية: "ارفع قدرته الرياضية."
استغرقت Astra 20 ساعة، وفحصت 800 مليون معلمة، ووجدت 131,072 وزنًا في الشبكة المكونة من طبقتين، وخلقت عملية جراحية.
قبل الجراحة، حصل النموذج على درجة 7.9% في اختبار MATH-500؛ بعد الجراحة، 48.1%.
هذا هو أبرز خبر ذكاء اصطناعي اليوم.
عملية بدون تدرج
في 2 نوفمبر، نشر فريق بحثي من مختبر علوم الحاسوب والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) مدونة كشفت عن نتائج تجربة سموها "البرمجة في فضاء الأوزان" (Weight-Space Programming). المؤلف الأول ريكيا تاكيهي هو طالب دكتوراه في السنة الأولى في CSAIL، ويشمل الشركاء جايدن تيه وآليكس زانغ، ومشرف تاكيهي عمر خطاب.
يمكن تلخيص الفكرة الأساسية للتجربة في جملة واحدة: جعل ذكاء اصطناعي قوي بما يكفي يقرأ مباشرة "دماغ" ذكاء اصطناعي آخر، ليجد المشكلة، ثم يعدلها بدقة باستخدام سكين جراحة.
الـ"مريض" المختار هو النموذج مفتوح المصدر من علي بابا Qwen3.5-0.8B، وهو نموذج لغوي صغير بـ800 مليون معلمة. أما الـ"جراح" فهو أحدث نموذج من OpenAI، GPT-6 Astra.
قدم فريق البحث إلى Astra ثلاثة أشياء: مجموعة من تمارين الرياضيات، وبيئة Python تسمح بقراءة وكتابة أوزان النموذج، وعدد محدود من عمليات استدلال النموذج. لا توجد وحدة معالجة رسومية، ولا حلقة تدريب، ولا مُحسّن. يجب على Astra أن تتصرف كباحث بشري، من خلال مراقبة سلوك النموذج وفحص قيم الأوزان، لتشخيص المشكلة ثم تعديل المعلمات مباشرة.
استمرت العملية بأكملها لمدة 20.3 ساعة، منها 4.7 ساعة تم قضاها في انتظار استعادة الخدمة. أجرت Astra 158 محادثة و80 تنفيذًا لـ Python و50 تقييمًا للنموذج.
في النهاية، وجد اتجاهًا عدديًا في مصفوفات إخراج MLP في الطبقتين 15 و19 يسبب تكرار إخراج النموذج، ثم طرح هذا الاتجاه من 64 عمودًا من الإخراج. إجمالي الأوزان المعدلة: 131,072، وهو ما يمثل 0.016% من جميع معلمات النموذج.
ارتفع درجات الرياضيات ستة أضعاف
التغييرات صغيرة، لكن التأثير مذهل.
على ثلاثة اختبارات مرجعية، المقارنة بين الإصدار السابق والمحسّن هي كالتالي:
MATH-500: 7.9% → 48.1%
GSM8K: 13.8% → 67.1%
IFEval (اتباع التعليمات): 21.0% → 62.3%
رقم آخر أكثر وضوحًا: قبل التعديل، كانت 93% من إجابات Qwen3.5-0.8B على MATH-500 تصل إلى حد الحد الأقصى البالغ 32,768 رمزًا بسبب الدورات التكرارية. بعد التعديل، انخفض هذا المعدل إلى 33.1%.
وصف تقرير VentureBeat هذا بأنه "تحرير جينات الشبكات العصبية". هذا التشبيه يلتقط بدقة جوهر المسألة: تدريب النماذج التقليدية يشبه جعل شخص ما يحسن مهاراته في الرياضيات من خلال ممارسة كثيفة، بينما برمجة فضاء الأوزان تشبه فتح الدماغ مباشرةً، والعثور على العصب المتصل بشكل خاطئ وإعادة توصيله.
لكن فريق البحث قدم هو نفسه قيدًا مهمًا: لم تُضِف Astra أي قدرات رياضية جديدة إلى Qwen، بل أزالت فقط عائقًا كان يمنع النموذج من تفعيل قدراته الحالية.
هذا الفرق حاسم. للتحقق من ذلك، أعاد الفريق نفس التجربة على نموذج Google Gemma 3 270M. نادرًا ما يواجه Gemma 3 مشكلة الإخراج المتكرر (فقط 8.5٪ من الإجابات وصلت إلى حد الرموز)، ونتيجة لذلك، لم يُحسّن Astra درجته على MATH-500 إلا بشكل طفيف جدًا، مع تقلبات لا تتجاوز نقطة مئوية واحدة.
الاستنتاج واضح: ما يمكن لبرمجة مساحة الأوزان فعله حاليًا هو "إزالة العوائق"، وليس "بناء طرق جديدة".
ليس فقط رياضيات
الرياضيات هي مجرد سيناريو قدمه فريق البحث، وقدرة أسترا في فضاء الأوزان تتجاوز ذلك بكثير.
تحديد "الروح": قام فريق البحث بتدريب أربع شبكات استراتيجية لألعاب Atari متطابقة تمامًا من حيث البنية (Breakout و Pong و Pac-Man و Freeway)، ثم قاموا بإرسال الأوزان فقط إلى Astra دون أي تسميات. وقد تمكّن Astra من التعرف بدقة على اللعبة التي تخص كل شبكة بناءً على قيم الأوزان فقط. كان استنتاجه: أوزان الطبقة الأولى في شبكة Breakout تتركز في قاع الشاشة (موقع المضرب)، بينما تميل توزيعات الإجراءات في الطبقة النهائية نحو الحركة اليسرى أو اليمنى.
بناء شبكة من الصفر: في تجارب MinAtar (النسخة المصغرة من Atari)، كتبت Astra شبكة استراتيجية اللعبة مباشرة في فضاء الأوزان من الصفر. على لعبة Breakout، حصلت الشبكة التي كتبتها Astra على درجة 517.4، بينما حصلت الشبكة المدربة بخوارزمية PPO على 500 مليون خطوة على درجة 25.3 فقط.
إصلاح السيارة ذاتية القيادة العالقة: تم تعليق مُحكم سيارة تدرب باستخدام PPO على منحدر، وانحشر في مُثلى محلية. استخدمت Astra محادثة واحدة فقط، وعَدّلت 3.5% من الأوزان، ونجح المُحكم المُصلح في جميع الاختبارات الـ1,024.
النقطة المشتركة بين هذه التجارب هي أن أسترا لا يمكنها فقط "قراءة" الأوزان وفهم ما تمثله كل رقم من سلوك، بل يمكنها أيضًا "إعادة كتابة" الأوزان لتمكين النموذج من القيام بأمور لا يستطيع الخوارزمية التدريبية القيام بها.
ماذا يعني "تحرير الجينات باستخدام الشبكات العصبية"؟
قبل برمجة مساحة الأوزان، سبق أن أُجريت محاولات مباشرة لتحرير أوزان النماذج. فقد أظهرت ROME في NeurIPS 2022 وMEMIT في ICLR 2023 كيفية إدراج أو تعديل معلومة واقعية بدقة داخل أوزان نموذج لغوي، مثل تغيير "برج إيفل في باريس" إلى "برج إيفل في روما".
لكن ROME و MEMIT يقومان بـ "استبدال فعلي"، حيث يكون كائن العملية معلومة واحدة. ما عرضه فريق MIT مختلف هذا المرة: إن Astra تُعدّل القدرات العامة للنموذج، مثل الاستدلال الرياضي واتباع التعليمات، وهذا يتجاوز عتبة "تحرير معلومة واحدة" إلى "تغيير نمط سلوك".
إن تقييم تاكيهي في المدونة أكثر تطرفًا: "ستُحسَب أوزان الشبكات العصبية قريبًا من خلال تحسينات أصلية من قبل نماذج LLM قادرة على الاستدلال على الأوزان."
إذا تم التحقق من هذا الاتجاه، فإن سيناريوهات التطبيق المحتملة تشمل:
إصلاح النموذج: عند حدوث مشكلة في النموذج بعد النشر، لا حاجة لاسترجاعه وإعادة تدريبه؛ بل يمكن لنموذج ذكاء اصطناعي آخر "تشخيصه" وإجراء التعديلات مباشرة. بالنسبة للنماذج المتقدمة التي تبلغ تكاليف تدريبها ملايين الدولارات، قد يعني هذا توفيرًا هائلاً في التكاليف.
مراجعة النموذج: إذا كان بإمكان الذكاء الاصطناعي قراءة الأوزان، فيمكن للباحثين في الأمان استخدامها للتحقق مما إذا كان النموذج قد تم زرع خلفية أو سلوك ضار فيه.
تخصيص النماذج مفتوحة المصدر: يمكن لنموذج ذكاء اصطناعي قوي بما يكفي تخصيص قدرات النماذج مفتوحة المصدر وفقًا لتعليمات لغة طبيعية، دون الحاجة إلى أي بنية تحتية للتدريب.
الجانب الآخر من العملة
GPT-6 Astra هو نموذج مثير للجدل بحد ذاته. وقد أخرت OpenAI إصدار نسخته المُحسَّنة GPT-6.1 Astra بسبب مخاوف أمنية.
كتب عالم OpenAI الرئيسي جاكوب باشوكسي مقالًا بعد ثلاثة أيام من إصدار Astra، حذر فيه من أن نتائج الاختبارات الداخلية لـ OpenAI تشير إلى أن تقدم الذكاء الاصطناعي قد يتجه نحو "التحسين الذاتي التكراري"، أي أن أنظمة الذكاء الاصطناعي تشارك بشكل متزايد في بناء خلفائها. وقال إن أي نظام مراجعة داخلي في أي مختبر لا يكفي للتعامل مع هذا المستقبل.
يُلامس برمجة مساحة الأوزان جوهر هذا التحذير بالضبط. إذا كان بإمكان ذكاء اصطناعي تعديل أوزان ذكاء اصطناعي آخر لتعزيز قدراته، فهل يمكن نظريًا لذكاء اصطناعي واحد أن يعدل أوزانه الخاصة؟
أشار فريق البحث في المدونة بوضوح إلى أنهم لم يعرضوا التحسين الذاتي التكراري، ولم يظهروا أن التأثيرات يمكن أن تتراكم باستمرار. لكن هذا لم يمنع مجتمع الأمان من أن يكون في حالة تأهب. ووصف ماكسيم فورنيس من PauseAI هذا بأنه "اتجاه بحثي شديد التهور".
القيود الحالية حقيقية: نجح التجربة فقط على نموذج صغير بـ 800 مليون معلمة، وفشل على Gemma 3. استغرق العملية بأكملها 20 ساعة وعددًا كبيرًا من المحاولات والخطأ، ولم يُعيد أي فريق مستقل تكرارها، كما لم يُثبت ميزة التكلفة مقارنة بالضبط التقليدي.
لكن الاتجاه قد تم تحديده بالفعل. لقد اقترحت أوراق بحثية في ICML 2026 أن مساحة الأوزان يجب أن تصبح "وضعًا من الدرجة الأولى" في الذكاء الاصطناعي التوليدي، إلى جانب النص والصورة والصوت، ويجب أن تفهم النماذج وتعمل على الأوزان بشكل أصلي.
إذا كان عام 2024 هو العام الذي تعلّم فيه الذكاء الاصطناعي "وصف الصور"، وعام 2025 هو العام الذي تعلّم فيه الذكاء الاصطناعي "كتابة الكود"، فإن عام 2026 قد يصبح العام الذي تعلّم فيه الذكاء الاصطناعي "تحسين الذكاء الاصطناعي".
Where this path leads is currently unknown.