الشهادة الجامعية خارج المعادلة: كيف يقود «الطريق البري» إلى OpenAI وAnthropic

انسوا كل ما قيل لكم عن ضرورة حيازة شهادة PhD للعمل في الدوري الأول للذكاء الاصطناعي. فإذا كانت حزمة من الأبحاث المنشورة في كبرى المؤتمرات مثل NeurIPS هي بطاقة الدخول إلى النادي المغلق لشركتي OpenAI أو DeepMind، فإن قواعد اللعبة تغيّرت اليوم إلى حد أن أكاديميي الأمس يتنازلون مواقعهم بوتيرة متزايدة لمن يُطلق عليهم في الصين «يي لو زي». ويعني هذا المصطلح «الطريق البري» أو طريق المتعلم الذاتي، وهؤلاء هم بالضبط من يشكّلون اليوم العمود الفقري للفرق التي تبني نماذج الجيل التالي.

ظل الاعتقاد سائدًا لفترة طويلة بأن مدخل صناعة الذكاء الاصطناعي محمي بجدار منيع من الألقاب الأكاديمية. كان عليكم أن تدرسوا الرياضيات العليا لسنوات، وأن تكتبوا الأبحاث وتنتظروا مراجعات المحكّمين، لمجرد الحصول على فرصة لمقابلة عمل. لكن المفارقة أن أبرز نجاحات السنوات الأخيرة لم تكن انتصارًا للنظرية الخالصة، بل انتصارًا للتوسّع في الحجم (Scaling Laws). فقد تبيّن أن بناء GPT-4 لا يتطلب ابتكار نوع جديد من العصبونات بقدر ما يتطلب مهارات استثنائية في البنية التحتية وإعداد البيانات وتحسين الحوسبة. إنه عمل للمبرمجين المهرة والمهندسين، لا للنظريين.

أدركت شركات مثل OpenAI ذلك قبل غيرها. ففي كوادرها يظهر باطراد أشخاص تركوا الجامعة أو لم يلتحقوا بها أصلًا، لكنهم أمضوا سنوات في التنقيب داخل الشيفرات المفتوحة المصدر والمشاركة في مسابقات Kaggle. ويمتلك هؤلاء المتخصصون القادمون عبر «الطريق البري» صفة يفتقر إليها خريجو ستانفورد في كثير من الأحيان: القدرة على جعل الشيفرة تعمل في ظل موارد محدودة. وفي زمن تُقاس فيه تكلفة تدريب النموذج بمئات ملايين الدولارات، يكلّف أي خطأ هندسي ثمنًا باهظًا. هنا يُقدَّر من يفهم كيف تتفاعل العتاد ("الحديد") مع البرمجيات على أعمق مستوى.

حدث تغيّر النموذج السائد لأن الذكاء الاصطناعي تحوّل من تخصص علمي إلى صناعة. فقد كان الطيران يومًا ما حِكرًا على علماء يعملون منفردين، أما اليوم فتبني الطائرات مصانع ضخمة. وقد دخل الذكاء الاصطناعي مرحلة «المصانع». ولتدريب نموذج بمستوى Claude 3، لا تحتاجون إلى إعادة كتابة بنية المحوّل. بل تحتاجون إلى توزيع الحِمل على آلاف المعالجات الرسومية بحيث لا يتوقف أي منها ثانية واحدة. ولهذا السبب أصبح مهندسو البنية التحتية ومتخصصو البيانات «نجوم الروك» الجدد، وتساوت رواتبهم مع دخل كبار الباحثين.

إضافة إلى ذلك، تغيّر شكل التطوير نفسه. فـ OpenAI ومنافسوها يزدادون انغلاقًا. لم يعودوا ينشرون أبحاثًا تفصيلية عن أساليبهم خشية المنافسة. وفي أجواء السرية هذه، تفقد المهارة الأكاديمية في كتابة تقارير أنيقة بـ LaTeX قيمتها. ويصبح الأهم هو «المطبخ» الداخلي: كيف تنقّون البيانات من الضوضاء بالتحديد، وما الحيل التي تستخدمونها في التعلم المعزَّز (RLHF). لا تُدرَّس هذه المعارف في الجامعات، ولا تُكتسب إلا في الميدان عبر العمل على مشاريع حقيقية.

ماذا يعني ذلك للمستقبل؟ نحن نشهد دمقرطة للمواهب مقترنة باحتكار للموارد. فعتبة الدخول من حيث المعرفة تنخفض: لم تعودوا بحاجة إلى إنفاق سبع سنوات على أطروحة الدكتوراه. غير أن المتطلبات من المهارات العملية ترتفع بوتيرة أسية. وإذا استطعتم عرض مشروع يعمل ويحل مشكلة محددة في التحسين أو معالجة البيانات، فسيعني حسابكم على GitHub لدى مسؤول التوظيف في وادي السيليكون أكثر من أي شهادة.

الخلاصة: يفسح عصر النظريين في الذكاء الاصطناعي المجال لعصر البنّائين. فهل ستتمكن الجامعات من التكيّف مع عالم تسبق فيه الممارسة النظرية بعدة سنوات؟