مؤلفو AI 2027 يعدّلون توقعاتهم: الذكاء الاصطناعي يسبق سيناريوهم بنحو خمسة أشهر

عندما يكتب الذكاء الاصطناعي الشيفرة بسرعة أكبر، تصبح المهمة التالية للفريق التحقق مما إذا كان المنتج العامل يصدر فعلًا بسرعة أكبر. ومع تطوير النماذج نفسها ينشأ أثر إضافي: فالنموذج المحسَّن يمكن أن يساعد في بناء النموذج التالي. وهذه الحلقة تحديدًا دفعت مؤلفي AI 2027 إلى مراجعة مواعيد توقعاتهم. وبالنسبة إلى المطورين والمؤسسين، السؤال العملي هو: أي العمليات ينبغي إعادة بنائها الآن إذا بدأت الأدوات تتحسن أسرع من المتوقع؟

ما الذي تغيّر في التوقعات

في 10 نوفمبر نشر AI Futures Project تحديثًا: بات جميع أعضاء الفريق يعتبرون ظهور باحث ذكاء اصطناعي خارق، SAR، في عام 2027 أمرًا محتملًا، في حال عدم وجود إبطاء متعمد وجوهري للتطوير. وكان دانيال كوكوتايلو قد منح سابقًا احتمالًا بنسبة 50% لظهور SAR قبل عام 2029.

يقصد المؤلفون بـ SAR نظامًا قادرًا على أتمتة البرمجة بالكامل داخل مشروع للذكاء الاصطناعي، واختيار اتجاهات البحث بمستوى أفضل باحث بشري. وهذا معيار أعلى بكثير من وكيل يُنجز بمفرده مهام منفصلة داخل مستودع الشيفرة.

كما يقدّر الفريق احتمال ظهور ذكاء اصطناعي يتفوق على أفضل الخبراء في جميع المهام تقريبًا بنسبة 35–65% قبل بداية عام 2028. وقد ورد في العرض الأصلي «في عام 2028»، لكن المصدر الأول يحدد حدًا زمنيًا أبكر. ويدعو المؤلفون إلى إيقاف مؤقت أو تقييد جوهري لوتيرة التطويرات المتقدمة. وهذا اقتراحهم لإدارة المخاطر. تحديث AI Futures Project.

ما الذي رصدته METR

كان الدافع تقرير METR الصادر في 5 نوفمبر حول الأبحاث داخل Anthropic. ويرى مؤلفوه أن قدرات النماذج في المهام ذات الشروط الواضحة تتحسن حاليًا بنحو ضعف الوتيرة التاريخية. وعدم اليقين كبير: فلن يفاجئ الباحثين تسارع بمقدار 1.3 مرة ولا بمقدار ثلاثة أضعاف.

ترجّح METR أن الجزء الأكبر من التسارع الحالي يرتبط باستخدام الذكاء الاصطناعي. وفي الوقت نفسه أغلقت Anthropic معظم الأدلة التي عدّها المقيّمون الأكثر إفادة. ولذلك لا يستطيع القارئ الخارجي التحقق بنفسه من جزء جوهري من الحجج. وتحذر METR بشكل منفصل من أن المقاييس الداخلية قد تعكس بشكل ناقص العمل في ظروف أكثر غموضًا. تقرير METR.

واستنادًا إلى هذه التقديرات، توصل AI Futures Project إلى تسارع في التقدم بفضل الذكاء الاصطناعي بنحو 1.7 مرة. ومن هذه القيمة حسب الفريق نحو خمسة أشهر من التقدم على سيناريوهه. أما تطبيق هذا التعديل على كل حدث متوقع فسيكون خطأ: فالمقارنة تخص مؤشرًا محددًا، وتعتمد مواعيد المراحل التالية على افتراضات إضافية.

كيف تطبّق ذلك على فريقك

لنتخيل مختبرًا يُعدّ فيه وكيل شيفرة تجربة في ساعة بدلًا من يوم عمل. بعد ذلك تنتظر التجربة وحدة GPU شاغرة، ويستغرق التدريب عدة أيام، ولا يزال على الباحث أن يفهم النتيجة. اختصار المرحلة الأولى مفيد، لكن الدورة الإجمالية لن تتسارع إلا بقدر ما تسمح به المراحل الأخرى. وإذا ساعد الوكيل في اختيار تجارب أنجح، فقد يكون الأثر أقوى بوضوح.

وفي تطوير المنتجات المنطق مشابه. يمكن إنتاج شيفرة أكثر والانتظار للإصدار المدة نفسها بسبب التحقق من المتطلبات أو المراجعة أو القبول. لذلك فالخطوة التالية المعقولة هي أخذ فئة متكررة من المهام وقياس الزمن من صياغة المهمة حتى النتيجة المقبولة، مع احتساب التصحيحات وتكلفة التشغيل وساعات المراجعة البشرية بشكل منفصل. هذا يتيح رؤية المواضع التي تحرّر فيها الأتمتة الموارد فعلًا.

وبالنسبة إلى المؤسس، يساعد هذا القياس في اتخاذ قرارات التوظيف والميزانية. فإذا بقيت عنق الزجاجة في التحقق من النتيجة، فلن يزيلها مجرد توليد مزيد من الشيفرة. أما مدير المنتج فمن المفيد له التحقق من قدرة الفريق على صياغة المهام وقبول التغييرات بسرعة كافية، وإلا فسيمرّ تحسن النماذج بعيدًا عن المنتج.

يمنح التوقع المحدَّث سببًا لمراجعة هذه العمليات بوتيرة أكبر. لكنه وحده لا يثبت بعد أن فريقًا بحثيًا مستقلًا سيظهر في العام المذكور. والقرار العملي اليوم هو تجميع بيانات خاصة بك عن كفاءة الوكلاء، والحفاظ على إمكانية تغيير الأدوات مع ظهور نتائج قابلة للتحقق.