شركة Probably الناشئة تجمع 9 ملايين دولار لجعل الذكاء الاصطناعي بدقة الشيفرة البرمجية التقليدية

أغلقت الشركة الأمريكية الناشئة Probably جولة تمويل أولية (seed) بقيمة 9 ملايين دولار. وستُوجَّه الأموال إلى تطوير أنظمة ذكاء اصطناعي تمنع الهلوسات والأخطاء الواقعية قبل أن تصل الإجابة إلى المستخدم. والهدف الرئيسي هو بلوغ دقة مماثلة لدقة الأنظمة الحتمية، أي الشيفرة البرمجية التقليدية.

لماذا لا تُعدّ الهلوسات مجرد إزعاج؟

تُصاب نماذج اللغة الكبيرة بالهلوسة بانتظام: فهي تقدّم حقائق خاطئة بثقة، وتُحيل إلى دراسات غير موجودة، وتختلق اقتباسات. وبحسب تقديرات مستقلة متعددة، تخطئ حتى أكثر النماذج التجارية تقدمًا في ما بين 10 و20% من الادعاءات الواقعية المحددة. ويصعب على المستخدم للغاية أن يميّز متى يكون النموذج محقًا ومتى يختلق، إذ تبدو نبرته واثقة بالقدر نفسه في الحالتين. وهذا يخلق خطرًا منهجيًا يحدّ من إمكانية تطبيق الذكاء الاصطناعي في سيناريوهات الأعمال الفعلية.

تجد الشركات نفسها أمام خيارين سيئين: إما توظيف أشخاص للتحقق من كل إجابة يقدمها الذكاء الاصطناعي، وإما حصر استخدام النماذج في المهام التي لا يترتب على الخطأ فيها ضرر جسيم. وبالنسبة إلى الطب والقانون والامتثال المالي والقطاع الحكومي، يعني ذلك عمليًا أن أنظمة الذكاء الاصطناعي المستقلة غير قابلة للتطبيق، لأن كلفة الخطأ مرتفعة جدًا.

معيار جديد: دقة حتمية

تضع Probably معيارًا غير تقليدي، وهو بلوغ دقة الأنظمة الحتمية. وهذا يختلف جوهريًا عن آلية عمل نماذج LLM الحالية. فالبرنامج الحتمي يعطي النتيجة نفسها دائمًا عند المدخلات نفسها: الآلة الحاسبة لن «تقرر» يومًا أن تختلق إجابة للعملية 2 + 2. أما نموذج اللغة فيعمل بطريقة مختلفة، إذ يولّد نصًا احتماليًا قد يبدو مقنعًا لكنه ليس ملزمًا بأن يكون صحيحًا.

ويبني فريق Probably بنية لا يكتفي فيها الذكاء الاصطناعي بتوليد الإجابة، بل يتحقق منها قبل إرسالها. وفي ما يلي المبادئ الأساسية:

• فصل واضح بين المعرفة الموثوقة وافتراضات النموذج
• التحقق من كل ادعاء واقعي قبل أن يصل إلى المستخدم
• قول «لا أعرف» صراحةً بدلًا من اختلاق معلومة
• الشفافية: يوضّح النظام مصدر كل ادعاء
• عدم التسامح إطلاقًا مع الأخطاء الواقعية في الإجابة النهائية

هذا النهج يعاكس الاتجاه الذي سارت فيه معظم تطويرات LLM في السنوات الأخيرة. فقد جرى تدريب النماذج لاحقًا مع التركيز على «الفائدة» و«الإقناع»، وهو ما تعارض في كثير من الأحيان مع الدقة.

السوق والمنافسة

تجتذب مهمة بناء ذكاء اصطناعي موثوق رأس المال الجريء بقوة في الوقت الراهن. ويعمل في هذا المجال كل من Vectara وCohere، التي تركّز على بنى RAG المؤسسية، إضافة إلى عدد من الشركات الناشئة العاملة في الخفاء ومشاريع أكاديمية في جامعات كبرى. وتستثمر الشركات الكبرى، وهي OpenAI وAnthropic وGoogle، بدورها في الحد من الهلوسات، لكن الدقة بالنسبة إليها ليست سوى إحدى خصائص المنتج الكثيرة، لا عامل التمايز الرئيسي.

أما Probably فتبني كل شيء حول فكرة واحدة. وتمنح جولة التمويل الأولية البالغة 9 ملايين دولار الفريق عامًا ونصف العام إلى عامين لإثبات جدوى البنية واجتذاب تمويل لاحق. واسم الشركة سخرية متعمدة من الطبيعة الاحتمالية لنماذج اللغة، وفي الوقت نفسه إعلان عن نية تجاوزها.

ماذا يعني ذلك

إذا نجحت Probably في حل مشكلة الهلوسات بصورة مقنعة، فسيفتح ذلك أمام الذكاء الاصطناعي الطريق إلى القطاعات الخاضعة للتنظيم، مثل الرعاية الصحية والخدمات القانونية والامتثال المالي، حيث تُعدّ الأنظمة المستقلة اليوم غير مقبولة بسبب عدم دقتها. وبالنسبة إلى الشركات، يعني ذلك إمكانية الاستغناء عن طبقة التحقق البشري المكلفة، وتفويض المهام الحساسة إلى الآلة فعليًا، لا بالأقوال فقط، بل بضمانات دقة قابلة للقياس.