ذكاء اصطناعي يفحص 400 عام من الأرشيفات ويعثر على نيزك منسي ووحيدي قرن مفقودة

حصل منشور Jesse Waites بعنوان «I pointed AI at 400 years of archives» على 95 نقطة و47 تعليقًا على Hacker News. يقول المؤلف إنه مرّر إلى الذكاء الاصطناعي مواد تعود إلى أربعة قرون، وعثر على نيزك منسي ووحيدات قرن مفقودة وعدد من القصص الأخرى. ولا يتضح من الإعلان أي الأرشيفات استخدم، ولا أي نموذج اعتمد عليه، ولا كم بلغت التكلفة. يستعرض هذا المقال ما أُعلن عنه، وكيف تُبنى مثل هذه المشاريع عادةً، وأين تكمن نقاط ضعفها.

ما المعروف من الإعلان

الوعد في حد ذاته واضح: مجموعة ضخمة من الوثائق القديمة لم يقرأها أحد كاملةً، ونموذج قادر على قراءتها في وقت معقول. أربعة قرون من المواد تعني مخطوطات ومطبوعات ومراسلات وفهارس، وربما صحفًا. وغالبًا ما تكون فهرسة هذه المجموعات ضعيفة. فالباحث لا يجد فيها إلا ما يبحث عنه بكلمة مفتاحية، أما بقية المحتوى فيبقى دون مساس.

تبدو الاكتشافات المذكورة في العنوان نتيجة قراءة من هذا النوع، أي قراءة بلا استعلام محدد مسبقًا: نيزك وُصف في وقت ما ثم نُسي، ووحيدات قرن ضاعت آثارها في السجلات. وإذا لم يبالغ المؤلف، فقد عمل النموذج كقارئ لا يحتاج إلى معرفة السؤال مسبقًا.

كيف تُبنى هذه المشاريع عادةً

تُبنى المشاريع المماثلة في الغالب على عدة خطوات. وهذا مخطط عام، وليس وصفًا لمنشور بعينه.

• التعرف: تتحول الصور الممسوحة إلى نص عبر OCR أو التعرف على الخط اليدوي، وهنا تضيع أكبر نسبة من الجودة عند التعامل مع الخطوط المطبعية القديمة وخطوط اليد.
• الوسم: يستخرج LLM من كل وثيقة الأشخاص والأماكن والأشياء والتواريخ والأحداث.
• المطابقة: تُربط السجلات من عقود مختلفة ببعضها، فتظهر قصص لا تكشفها أي وثيقة منفردة.
• التحقق: يقارن إنسان ما عُثر عليه بالمصدر الأصلي.

تحدد الخطوة الأخيرة ما إذا كان ما وُجد اكتشافًا حقيقيًا أم اختلاقًا جذابًا. فالنماذج تميل إلى استكمال السياق من عندها، خاصة حين يكون النص مقروءًا بصورة سيئة. ولا تكون لـ«النيزك المنسي» قيمة إلا إذا أمكن، عبر رابط إلى صفحة الأرشيف، رؤية سجل حقيقي.

أين تكمن المزالق

الأول هو أخطاء التعرف. فإذا تبين أن «وحيد القرن» في الأصل كلمة أخرى، وأن OCR أو النموذج طابقها مع قصة لافتة، يختفي الاكتشاف. الثاني هو الانتقاء. فالمنشور يتحدث عما وُجد، أما عدد النتائج الإيجابية الكاذبة التي استُبعدت فلا يرد عنه شيء في العنوان. الثالث أن «المنسي» لا يعني «المجهول». فقد يكون مؤرخو المجموعات المحلية على علم بالنيزك طوال هذا الوقت، لكن المعلومة لم تصل إلى نطاق واسع.

يُرجَّح، بحسب عدد التعليقات، أن النقاش على Hacker News يدور حول الأسئلة نفسها: كيف جرى التحقق، وكم بلغت التكلفة، وأي ما عُثر عليه جديد فعلًا. لكن التعليقات نفسها غير واردة في المصدر، لذا فهذا افتراض وليس عرضًا لمحتواها.

المعطيات الرئيسية

• نطاق المواد: نحو 400 عام.
• الاكتشافات المعلنة: نيزك منسي، ووحيدات قرن مفقودة، و«وغير ذلك».
• تفاعل المجتمع: 95 نقطة و47 تعليقًا على Hacker News.
• غير المعروف من الإعلان: النموذج، وحجم المجموعة، والتكلفة، ونسبة النتائج الإيجابية الكاذبة.

ماذا تفعل بهذا

إذا كان لديك أرشيف، سواء كان مراسلات شركة أو وثائق تقنية لعشر سنوات أو مكتبة مرقمنة، فإن المخطط المعروض في هذا المنشور يصلح وصفةً عملية: اقرأ كل شيء أولًا بالنموذج دون سؤال محدد مسبقًا، ثم اختر الحالات الشاذة وتحقق منها يدويًا. ويجب أن يرتبط كل اكتشاف برابط إلى صفحة أو ملف محدد. وبدون هذا الربط لا يمكن استخدام النتيجة ولا الدفاع عنها. واحسب بشكل منفصل تكلفة التعرف وتكلفة الوسم، فعلى الصور الرديئة غالبًا ما تكون الأولى أعلى من الثانية. وقبل أن تستشهد بالمنشور دليلًا على قدرات الذكاء الاصطناعي، اقرأ الأصل وابحث فيه عن المنهجية وأمثلة التحقق. أما الإعلان على Hacker News فلا يتضمن هذه التفاصيل.