نموذج Qwen 3.8 27B يتعرّف على ثلاث ألعاب من أوزان الشبكات العصبية على حاسوب محمول عادي

عادةً ما تبدو أوزان الشبكة العصبية للإنسان كجدول ضخم من الأعداد الكسرية. ولفهم ما تعلّمه النموذج، يشغّله المهندس على بيانات اختبار، أو يرسم مخططات للتنشيط، أو يحلّل البنية بأدوات متخصصة. أما التجربة الجديدة فتُظهر طريقًا مختلفًا: يمكن ببساطة عرض أوزان شبكة صغيرة على نموذج لغوي وطلب شرح ما تفعله.

اختبر سايمون ويليسون هذا السيناريو على نموذج Qwen 3.8 27B المشغَّل محليًا على حاسوب محمول. تلقّى النموذج معاملات أربعة وكلاء ألعاب صغار وسؤالًا واحدًا: لأي لعبة دُرّبت هذه الشبكة؟ لا بايثون، ولا آلة حاسبة، ولا تشغيل للنموذج، بل طلب واحد طويل مليء بالأرقام فقط.

كانت النتيجة قوية على نحو غير متوقع. فقد حدّد Qwen بشكل صحيح Pac-Man وPong وBreakout. أما في Freeway فأخطأ واعتبرها نسخة من Pac-Man. أي أن النموذج المحلي أنجز ثلاث مهام من أربع، رغم أن كل تحليل استغرق من 46 دقيقة إلى أكثر من ساعة.

ماذا فعل النموذج بالضبط

لنتخيل شبكة صغيرة تتحكم بالمضرب في لعبة Breakout. بعض المدخلات تصف خلايا ساحة اللعب، بينما تربط طبقات أخرى موضع الكرة بأوامر «يسار» و«يمين». وبعد التدريب تبقى هذه العلاقات مخزّنة داخل مصفوفات الأوزان.

حاول Qwen إعادة بنائها يدويًا: بحث عن المعاملات الكبيرة، وقابلها بإحداثيات الخلايا، وفحص أي الكائنات قد تؤثر في أفعال الوكيل. وفي حالة Breakout توصّل إلى صورة صحيحة: المضرب في الأسفل، ويتحرك أفقيًا، ويردّ الكرة نحو الكتل. وبلغت ثقته في الجواب 88%.

وفي Pong وصف النموذج مضربًا عموديًا على اليمين وكرة تتحرك في الملعب، مع ثقة بلغت 75%. وفي Pac-Man تعرّف على متاهة وأهداف وتهديدات متحركة بثقة 72%. وليس هذا تخمينًا بسيطًا للاسم من شكل الطلب، فالمهام الأربع اختلفت فقط في مجموعات الأوزان.

لماذا يهم هذا المطورين

لا تكمن الفائدة العملية في استبدال المصحّح (debugger) بروبوت دردشة. الأجدى هو القدرة على الحصول سريعًا على فرضية أولية حول نموذج مجهول أو تالف. فمثلًا، يمكن للمهندس أن يطلب من نموذج لغوي العثور على روابط قوية على نحو غير معتاد، أو شرح وظيفة طبقة صغيرة، أو مقارنة نسختين من الأوزان بعد إعادة التدريب.

قد يفيد هذا النهج في تدقيق النماذج الصغيرة، والتحقيق في حالات التراجع، وتحليل مكوّنات شبكات عصبية فُقدت وثائقها. فالنموذج اللغوي قادر على ربط الأرقام بمفاهيم هندسية مفهومة وتلميح الاتجاه الذي ينبغي النظر إليه بعد ذلك. لكن استنتاجه سيحتاج دائمًا إلى التحقق عبر تشغيل النموذج وأدوات التشخيص المعتادة.

وهناك سيناريو أجرأ، هو تعديل الأوزان دون تدريب كامل. أفاد مؤلفو العمل الأصلي بأن GPT-6 Astra غيّر 0.016% من معاملات Qwen3.5-0.8B ورفع نتيجته في MATH-500 من 7.9% إلى 48.1%. غير أن منتقدين يشيرون إلى أن جزءًا من هذه التجارب يتضمن شيفرة وعمليات مألوفة لباحثي تعلّم الآلة. لذا من الأفضل اعتبار قراءة الأوزان بلا أدوات والتصحيح التلقائي للنموذج مهمتين مختلفتين.

أين تقع الحدود

لا يمكن بعد وصف التجربة بأنها طريقة موثوقة للهندسة العكسية. فقد اختُبرت شبكات ألعاب صغيرة ذات مدخلات واضحة وعدد محدود من الإجابات الممكنة. وحتى في هذه الظروف أخطأ Qwen في لعبة واحدة من أربع. وتطلّب تحليل كل مثال عشرات الآلاف من الرموز وما يقارب ساعة من الحساب، كما يصعب أحيانًا التحقق من مسار الاستدلال.

أما بالنسبة للنماذج اللغوية الكبيرة فالمهمة أصعب بكثير: لا يمكن وضع مليارات المعاملات كلها في طلب واحد، وناذرًا ما يكون لجزء منفرد من الأوزان معنى قاطع. كما أن النص الواثق من النموذج لا يضمن صحة التفسير.

والخلاصة العملية بسيطة: التعامل مع نموذج اللغة كأداة تحليل إضافية، لا كبديل للتجربة. ينبغي البدء بالشبكات الصغيرة وأمثلة مرجعية معروفة مسبقًا وأسئلة محددة. وإذا وجد النموذج الانتظامات باستمرار، يمكن استخدام استنتاجاته لاختيار الفحص التالي. الحديث عن نهاية الشيفرة المصدرية سابق لأوانه، لكن فئة جديدة من أدوات تدقيق الشبكات العصبية بدأت تتبلور بالفعل.