تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارورقة بحثية · للتجربةThe Decoder→ المصدر

Moonshot AI تحوّل Kimi من البرمجة إلى العلوم: تحليل الجينات في 90 دقيقة بدلًا من 4 ساعات

ترى Moonshot AI أن النماذج في مجال البرمجة كادت تتوقف عن التحسن السريع، فتحوّل Kimi نحو الأحياء والصيدلة. حلّل مساعد BioMaster المبني على Kimi K3.1 Pro بيانات 3 696 خلية من فأر في 90 دقيقة، وحدّد 100 جين مرشّح، بينما يحتاج الإنسان إلى نحو أربع ساعات. الأمر أشبه بتكليف الذكاء الاصطناعي بالفرز الأولي للسجلات (logs) وترك الاستنتاجات للمهندس. أما الاكتشافات دون تدخل بشري فلا يحققها الذكاء الاصطناعي حتى الآن.

معالج بواسطة الذكاء الاصطناعي من The Decoder؛ بتحرير Hamidun News
Moonshot AI تحوّل Kimi من البرمجة إلى العلوم: تحليل الجينات في 90 دقيقة بدلًا من 4 ساعات
المصدر: The Decoder. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليThe Decoder ↗
رئيس التحرير
حقيقة رئيسية #1استطلاع Citi (50 مديرًا تنفيذيًا في الولايات المتحدة): 72% يستخدمون الذكاء الاصطناعي، و24% يتوقعون ارتفاع نسبة النجاح
TCSExam، 100 مسألةقدّمت النماذج براهين قابلة للتحقق، لكن ولا فرضية واحدة
مدير Moonshot الدولي فيكاريالعلم يتطلب نماذج أذكى من تلك التي يحتاجها القانون والمال والبرمجة

قررت شركة Moonshot AI الصينية الناشئة، المطوِّرة لعائلة نماذج اللغة Kimi، الانسحاب من سباق أفضل النتائج في البرمجة. فكل تحسين جديد هناك أصبح أعلى كلفة، بينما بالكاد يظهر أثره في الاختبارات. وبدلًا من ذلك، توجّه الشركة Kimi نحو علم الأحياء والكيمياء والأبحاث الصيدلانية.

ولدى الشركة مثال واضح بالفعل: فقد دمجت شركة DP Technology البكينية نموذج Kimi K3.1 Pro في مساعد البحث BioMaster، الذي حلّل في 90 دقيقة بيانات الجينات من 3 696 خلية من بنكرياس فأر، وحدّد 100 جين مرشّح. وبحسب التقدير، كان الإنسان سيحتاج إلى نحو أربع ساعات لإنجاز العمل نفسه.

تخيّلوا مطوّرًا يفرز الذكاء الاصطناعي له في ساعة ونصف، بدلًا من أربع ساعات، كمًّا هائلًا من السجلات (logs) ويحدّد مئة موضع مشبوه: سيظل على الإنسان فحصها جميعًا، لكن نقطة الانطلاق تتوفر أسرع بكثير. وبالنسبة إلى من يبنون منتجات على LLM، هذه إشارة إلى الاتجاه الذي قد تنتقل إليه موجة الطلب المقبلة.

لماذا تبتعد Moonshot عن البرمجة

قال جياكومو فيكاري، المدير الدولي في Moonshot AI، خلال Web Summit في لشبونة إن العلم يتطلب نماذج أذكى من تلك التي يحتاجها القانون أو المال أو البرمجة. والمنطق كالتالي: إذا كان المساعد الموجّه للبرمجة أو للوثائق القانونية جيدًا بما يكفي لمعظم المهام، فإن كل تحسين إضافي يعطي فائدة ملموسة أقل. أما في العمل البحثي فالمعيار أعلى، وبالتالي تبقى هناك مساحة للتفوق على المنافسين.

هذا ليس تخليًا عن البرمجة بحد ذاتها، بل تغيير في الأولويات. فالشركة تراهن على أن المهام العلمية المعقدة ستصبح ميدان اختبار جديدًا وسوقًا جديدة لـ Kimi.

ما الذي أظهره BioMaster فعلًا

من المهم أن نفهم ما الذي تسارع تحديدًا. فالنموذج لم يحقق اكتشافًا: لقد غربل مجموعة بيانات الجينات واقترح قائمة من 100 جين مرشّح، يتولى عالم الأحياء بعد ذلك فحصها بنفسه. وهذا دور مألوف للمساعد: أن يتولى المعالجة الأولية الروتينية ويختصر الطريق إلى فرضية ذات معنى. والمكسب، من أربع ساعات إلى 90 دقيقة، أي أكثر من الضعف، مرحَّب به، لكنه نتيجة اختبار واحد، وليس دليلًا على أن المختبر بأكمله سيعمل بهذه الطريقة. كما أن زمن الإنسان هنا تقديري، وليس مقيسًا في مقارنة خاضعة للرقابة.

أين السقف ولماذا لا تتعجل الصناعة الدوائية

الاختراقات المستقلة تمامًا للذكاء الاصطناعي ما زالت بعيدة. ففي TCSExam، وهو اختبار من 100 مسألة في علوم الحاسوب النظرية، قدّمت النماذج الرائدة براهين قابلة للتحقق، لكنها لم تحلّ بمفردها أي فرضية مفتوحة. فهي تعمل بثقة حيث يكون الطريق معروفًا، ولا تتجاوز حتى الآن حدود المعروف.

ويرى المنافسون الأمريكيون حدودًا مشابهة. فقد اكتشف Claude من Anthropic في سبتمبر نظامًا إنزيميًا، لكن ادعاءات OpenAI بشأن اختراقات في الرياضيات والفيزياء أثارت انتقادات علماء الرياضيات: هناك نتائج منفردة مثيرة للإعجاب، لكن الادعاءات المثيرة للجدل لا تقل عنها.

والصناعة الدوائية نفسها ليست مقتنعة أيضًا. ففي استطلاع Citi الذي أُجري في يونيو بين 50 مديرًا لأقسام البحث في الولايات المتحدة، يستخدم 72% الذكاء الاصطناعي على نطاق واسع بالفعل، لكن 24% فقط يتوقعون أن يرفع بشكل ملحوظ نسبة نجاح تطوير الأدوية. فالذكاء الاصطناعي يُقبل كأداة عمل، لكن ليس كضمان بأن الأدوية ستظهر بوتيرة أعلى.

ماذا يعني ذلك عمليًا

أولًا، لا ينبغي افتراض أن جودة النماذج في اختبارات البرمجة ستواصل النمو بالوتيرة السابقة: فالمطورون أنفسهم يتحدثون عن تباطؤ. ثانيًا، تبدو المساعدات العلمية المتخصصة على غرار BioMaster مجالًا واقعيًا: مجال معرفي واضح، ومقياس قابل للقياس (ساعات عمل المتخصص)، وبيانات جاهزة. ثالثًا، ينبغي تسويق هذه المنتجات كأدوات لتسريع الأعمال الروتينية، وليس كـ«علماء آليين»: فالتسريع هو ما له أثر قابل للتحقق، أما تشكك القطاع فتؤكده أرقام الاستطلاع.

تحفّظ: تأتي معظم المعلومات من حديث ممثل الشركة ومن عرض الصحافة له، ونتيجة BioMaster موصوفة عبر اختبار واحد دون تحقق مستقل. لكن الاتجاه دالّ: فالصراع على الريادة في LLM ينتقل تدريجيًا من سؤال «من يكتب الكود أفضل» إلى سؤال «من هو الأنفع في العلم الحقيقي».

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا تبتعد Moonshot عن البرمجة؟

قال جياكومو فيكاري، المدير الدولي في Moonshot AI، خلال Web Summit في لشبونة إن العلم يتطلب نماذج أذكى من تلك التي يحتاجها القانون أو المال أو البرمجة. والمنطق كالتالي: إذا كان المساعد الموجّه للبرمجة أو للوثائق القانونية جيدًا بما يكفي لمعظم المهام، فإن كل تحسين إضافي يعطي فائدة ملموسة أقل. أما في العمل البحثي فالمعيار أعلى، وبالتالي تبقى هناك مساحة للتفوق على المنافسين. هذا ليس تخليًا عن البرمجة بحد ذاتها، بل تغيير في الأولويات.

ما أبرز التفاصيل حول ما الذي أظهره BioMaster فعلًا؟

من المهم أن نفهم ما الذي تسارع تحديدًا. فالنموذج لم يحقق اكتشافًا: لقد غربل مجموعة بيانات الجينات واقترح قائمة من 100 جين مرشّح، يتولى عالم الأحياء بعد ذلك فحصها بنفسه. وهذا دور مألوف للمساعد: أن يتولى المعالجة الأولية الروتينية ويختصر الطريق إلى فرضية ذات معنى. والمكسب، من أربع ساعات إلى 90 دقيقة، أي أكثر من الضعف، مرحَّب به، لكنه نتيجة اختبار واحد، وليس دليلًا على أن المختبر بأكمله سيعمل بهذه الطريقة. كما أن زمن الإنسان هنا تقديري، وليس مقيسًا في مقارنة خاضعة للرقابة.

ما أبرز التفاصيل حول أين السقف ولماذا لا تتعجل الصناعة الدوائية؟

الاختراقات المستقلة تمامًا للذكاء الاصطناعي ما زالت بعيدة. ففي TCSExam، وهو اختبار من 100 مسألة في علوم الحاسوب النظرية، قدّمت النماذج الرائدة براهين قابلة للتحقق، لكنها لم تحلّ بمفردها أي فرضية مفتوحة. فهي تعمل بثقة حيث يكون الطريق معروفًا، ولا تتجاوز حتى الآن حدود المعروف. ويرى المنافسون الأمريكيون حدودًا مشابهة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…