هل نحن على حافة انفجار ذكاء؟ تحليل جديد

تتزايد الحماسة في صناعة الذكاء الاصطناعي حول فكرة أن النماذج الرائدة اليوم قد تبني الجيل التالي من التكنولوجيا. لكن دراسة جديدة وجدت أن أفضل الوكلاء في الذكاء الاصطناعي يواجهون صعوبات في حل المشكلات البحثية المفتوحة.

هل نحن على حافة انفجار ذكاء؟ ربما لا.

تتزايد الحماسة في صناعة الذكاء الاصطناعي حول فكرة أن النماذج الرائدة اليوم قد تبني الجيل التالي من التكنولوجيا. لكن دراسة جديدة وجدت أن أفضل الوكلاء في الذكاء الاصطناعي يواجهون صعوبات في حل المشكلات البحثية المفتوحة التي تتطلب دفع المجال للأمام.

تقدم النماذج اللغوية الكبيرة

حققت النماذج اللغوية الكبيرة تقدمًا سريعًا في العديد من الوظائف اليومية المتعلقة بأبحاث التعلم الآلي، مثل كتابة الأكواد، وتوليد البيانات، وإجراء التجارب. في العام الماضي، تمكنت شركة Sakana AI من كتابة ورقة بحثية اجتازت مراجعة الأقران في المؤتمر الدولي المرموق حول تمثيلات التعلم.

التوقعات حول الانفجار الذكي

أدت هذه التقدمات إلى تكهنات بأن النماذج قريبة من القدرة على بناء نسخ أفضل من نفسها مع القليل من الإشراف البشري – وهي عملية تُعرف بالتحسين الذاتي المتكرر. هذه الفكرة تدعم التوقعات بأننا قد نكون على حافة انفجار ذكاء قد يؤدي بسرعة إلى ذكاء اصطناعي خارق.

تجارب جديدة

في ورقة بحثية حديثة، اختبر الباحثون هذه الفكرة باستخدام نهج جديد أطلقوا عليه اسم التقييمات الظلية. يتضمن ذلك أخذ سؤال بحث من ورقة تعلم آلي غير منشورة عالية الجودة وطلب من وكلاء الذكاء الاصطناعي حل المشكلة. ثم يقوم مؤلفو الورقة الأصلية بتقييم النتائج. عندما اختبر الفريق Claude Opus 4.8 على ورقتين قُدِّمتا لمؤتمر NeurIPS 2026 المرموق، رفض المؤلفون كلاهما.

النتائج والتحديات

على الرغم من أن النماذج بدأت بشكل جيد، إلا أنها سرعان ما انحرفت عن المسار. على الرغم من قدرتها على مراقبة استخدام الوقت وميزانيات API وGPU، إلا أنها استعجلت في العملية. ترك أحدها 110 ساعات من الوقت غير المستخدمة، وفشل كلاهما في إنفاق حتى 50% من ميزانية API الخاصة بهما.

في النهاية، تشير النتائج إلى أن نماذج اليوم لا تزال بحاجة إلى المزيد من العمل قبل أن تتمكن من معالجة أكثر المشكلات تحديًا في أبحاث التعلم الآلي. حتى يحدث ذلك، من المحتمل أن يظل حلم التحسين الذاتي المتكرر بعيد المنال.

تشير النتائج إلى أن نماذج اليوم لا تزال بحاجة إلى المزيد من العمل قبل أن تتمكن من معالجة أكثر المشكلات تحديًا في أبحاث التعلم الآلي. حتى يحدث ذلك، من المحتمل أن يظل حلم التحسين الذاتي المتكرر بعيد المنال.