المشارك في تطوير ChatGPT ليام فيدس: بعد 722 مخطوطة من OpenAI، حان وقت انتقال الذكاء الاصطناعي إلى المختبرات

نشرت OpenAI على GitHub دفعة واحدة 722 مخطوطة رياضية تغطي 17 مجالًا، من نظرية الأعداد والهندسة إلى علوم الحاسوب النظرية والفيزياء الرياضية. ويرافق جزءًا من الأعمال براهين صورية بلغة Lean يتحقق منها الحاسوب آليًا. وبحسب إعلان الشركة، كتبت جميع النصوص نموذج frontier داخلي لم يصدر بعد. وبعد بضعة أيام سحبت OpenAI عدة مخطوطات. وفي هذا السياق يطرح ليام فيدس، أحد صنّاع ChatGPT، فكرة مفادها أن على الذكاء الاصطناعي بعد الرياضيات أن يتجه إلى المختبر.

ما الذي نُشر بالضبط

الحجم هنا غير معتاد. فالرياضي العادي يكتب عشرات الأبحاث طوال مسيرته، أما هنا فقد ظهرت مئات النصوص دفعة واحدة في فروع مختلفة من العلم. ويجمع بينها مؤلف واحد، وهو ليس إنسانًا بل نموذج غير منشور.

وفق ما هو معروف من الإعلان:

• نُشرت 722 مخطوطة في حزمة واحدة على GitHub؛
• تغطي 17 مجالًا رياضيًا وشبه رياضي؛
• يرافق جزءًا من الأعمال براهين صورية بلغة Lean يجري التحقق منها دون تدخل بشري؛
• المصدر نموذج داخلي من OpenAI، وليس له إصدار عام؛
• أُزيلت عدة مخطوطات من المستودع لاحقًا.

لم تُذكر أسباب السحب في الجزء المتاح من المادة، لذلك من المبكر استخلاص استنتاجات عن جودة الأعمال المسحوبة. أما واقعة السحب نفسها فتشير إلى أمر آخر: مع هذه الأحجام يصبح الانتقاء والتحقق مهمة قائمة بذاتها.

لماذا بدأ الذكاء الاصطناعي بالرياضيات

تناسب الرياضيات الذكاء الاصطناعي لسبب واحد: يمكن التحقق من الإجابة بكلفة زهيدة. فالبرهان إما أن يمر في Lean أو لا يمر. وهذه إشارة شبه مثالية للتعلم المعزز، لأن النموذج يحصل على تقييم نزيه دون خبراء ودون كلفة العالم الواقعي. ولذلك وصلت الأنظمة هنا سريعًا إلى نتائج كانت تتطلب سابقًا مستوى مهنيًا.

لكن لهذه البيئة المريحة حدودًا. فالمخطوطة التي لا تخضع لتحقق صوري تبقى نصًا يجب أن يقرأه متخصص. ومئات الأبحاث دفعة واحدة تعني مئات الساعات من المراجعة. أما الأعمال المرفقة ببراهين Lean فلا تحل المشكلة إلا للنتائج التي أمكن إخضاعها للصياغة الصورية.

المختبر كساحة الاختبار التالية

تبدو فكرة فيدس منطقية إذا نظرنا إلى مساره. فبحسب المعلومات المتاحة علنًا، غادر OpenAI وأسس Periodic Labs، وهي شركة ناشئة تبني أنظمة ذكاء اصطناعي للفيزياء والكيمياء وعلم المواد. والرهان هو أن يتلقى النموذج تغذية راجعة من تجربة حقيقية، لا من النصوص وأدوات التحقق الصوري فقط.

في المختبر يكون التحقق مكلفًا. فتخليق مادة يستغرق ساعات أو أيامًا، والقياس يحتاج إلى معدات، والضوضاء في البيانات لا تزول لمجرد أن النموذج ذكي. لكن النتيجة هنا لا يمكن الطعن فيها: فالعينة إما أن تمتلك الخاصية المطلوبة أو لا تمتلكها. وإذا كانت الرياضيات قد أظهرت أن الذكاء الاصطناعي قادر على إنتاج البراهين بتدفق مستمر، فإن المختبر يختبر ما إذا كان قادرًا على إنتاج اكتشافات قابلة للتحقق بالتدفق نفسه.

لا تتضمن الجزء المتاح من المادة تفاصيل المقابلة نفسها، لذلك لا نعيد سرد حجج فيدس المحددة. غير أن العنوان يحدد الاتجاه: فنقطة الاختناق تنتقل من توليد الأفكار إلى سرعة التحقق منها وكلفته.

ما الذي ينبغي متابعته لاحقًا

يفيد المتابعين للقطاع ثلاثة معالم.

1. مصير المخطوطات. كم عملًا سيؤكده رياضيون مستقلون، وكم عملًا آخر سيُسحب. هذا أفضل مقياس لموثوقية النموذج الداخلي. 2. إصدار النموذج. إذا أطلقته OpenAI، فسيتضح إلى أي حد يمكن إعادة إنتاج النتائج خارج البنية التحتية الداخلية. 3. المختبرات الآلية. الدورات المتكررة «فرضية، تجربة، تحديث النموذج» في علم المواد ستبيّن ما إذا كان النجاح ينتقل من البيئة الصورية إلى البيئة الفيزيائية.

أما الفرق التي تبني منتجات على LLM فالخلاصة عملية: تزداد قيمة النموذج حيث يوجد مُتحقِّق سريع ورخيص. قد يكون Lean، أو اختبارات الكود، أو محاكيًا، أو روبوتًا في المختبر. وينبغي بناء خط المعالجة (pipeline) انطلاقًا من التحقق لا من التوليد.