كاشف نصوص الذكاء الاصطناعي يتعلم أثناء التشغيل: اكتشاف 93% من النصوص المموَّهة بدل 27%
تتجاوز «أدوات الأنسنة» كاشفات النصوص المولَّدة بالذكاء الاصطناعي. وهذه برامج تعيد كتابة النص الآلي ليبدو بشريًا. وقد سمح باحثون من MIT وCornell Tech للكاشف العامل بالتعلم المستمر من نصوص المستخدمين الجديدة غير الموسومة. فاكتشف أكثر من 93% من النصوص المموَّهة، بينما لم يكتشف كاشف تجاري سوى نحو 27%. وهذه إشارة لمن يعمل في مكافحة الاحتيال والإشراف على المحتوى: النموذج الذي يُدرَّب مرة واحدة يحتاج إلى تحديث مستمر، كما تُحدَّث مرشحات البريد المزعج.
معالج بواسطة الذكاء الاصطناعي من MIT News؛ بتحرير Hamidun News
يشتبه معلّم في أن شبكة عصبية كتبت بحثًا فصليًا لأحد طلابه، فيشغّل كاشف نصوص الذكاء الاصطناعي. لكن المشكلة أن الطالب ربما مرّر مسودته عبر «أداة أنسنة»، وهي برنامج يعيد كتابة النص الآلي ليبدو بشريًا، وعندها سيفوّت الكاشف العادي هذا التمويه. اقترح باحثون من MIT وCornell Tech ألا يبقى الكاشف جامدًا بعد إطلاقه، بل أن يتعلم من النصوص الجديدة أثناء العمل.
يُسمّى هذا النهج test-time adaptation (TTA)، أي التكيّف أثناء التشغيل. وفي اختبار على نصوص مموَّهة، لم يكتشف كاشف تجاري سوى نحو 27% من نصوص الذكاء الاصطناعي، في حين اكتشفت النسخة المزوّدة بـ TTA أكثر من 93%. وإذا كنت تبني نظامًا لمكافحة الاحتيال أو الإشراف على المحتوى أو التحقق منه، فهذا يمسّ مهمتك مباشرة: فالنموذج الذي يُدرَّب مرة واحدة سيتجاوزه خصمه مع الوقت.
لماذا تفشل الكاشفات
عادةً يجمع المطوّر من الإنترنت نصوصًا معروفًا أن إنسانًا أو ذكاءً اصطناعيًا كتبها، ثم يدرّب نموذجًا على التمييز بينها. وبعد الإطلاق يبقى النموذج على حاله. ومن هنا تأتي المشاكل من جهتين.
الأولى هي التحول الطبيعي. فالناس يغيّرون المواضيع والتعابير والتشبيهات. والكاتب في عام 2030 يستخدم صورًا مختلفة عن كاتب عام 2010. وقد يعدّ الكاشف المدرَّب على نصوص قديمة الأسلوب البشري الجديد أسلوبًا آليًا، فيتهم كاتبًا حقيقيًا خطأً.
الثانية هي سباق التسلح. فحول أي كاشف شائع تظهر أدوات أنسنة بسرعة. تضيف الشركة نصوصها إلى بيانات التدريب، فتظهر أدوات أنسنة جديدة، وتتكرر الحلقة. وبحسب المؤلف الرئيسي كيفين رين، قد تستمر هذه الحلقة إلى الأبد.
ما الذي اقترحه المؤلفون
في TTA يتكيّف النموذج بعد إطلاقه مع البيانات الواردة إليه. وبالنسبة إلى الكاشف، هذه هي النصوص التي يرسلها المستخدمون. ولا وسوم عليها: لا أحد يعرف هل كتب النص إنسان أم شبكة عصبية. لكن هذه النصوص تعكس الكتابة الراهنة للبشر وللذكاء الاصطناعي، وهذا بالضبط ما على الكاشف أن يتعرّف عليه. وبعد أن يجمع النموذج عددًا كافيًا من الأمثلة، يستخلص بنفسه الأنماط التي تفصل بين النوعين. ولا حاجة إلى إعادة تدريبه من الصفر.
وللتحقق، أعدّ المؤلفون مجموعات بيانات يُعرف فيها عدد النصوص البشرية والآلية، لكنهم لم يُظهروا للنموذج الوسوم. وولّدوا جزءًا من الأمثلة بنماذج لغوية عمدًا بطريقة تتجاوز الكاشف. وبعد التكيّف، اختبروا النموذج على بيانات إجاباتها معروفة.
النتائج
- في سيناريو النصوص المموَّهة، اكتشفت الطرق الحالية نحو 27%، بينما اكتشف النموذج المزوّد بـ TTA أكثر من 93%.
- وفي تجربة تحاكي التغيّر الطبيعي في اللغة البشرية مع الزمن، حقق الكاشف المزوّد بـ TTA دقة 85% مقابل 73% للطرق التقليدية.
وتبيّن أن المهمة الثانية أصعب: فالتحولات في الكتابة البشرية بطيئة ودقيقة، ويصعب رصدها أكثر من حيل أدوات الأنسنة المتعمدة. وقدّمت شركة Pangram أرصدة API للوصول إلى الكاشفات.
القيود والخلاصة العملية
لا يعد المؤلفون بالنصر. فكلما أصبحت كتابة نماذج LLM المستقبلية أكثر طبيعية، ازدادت صعوبة التمييز بين نصوصها والنصوص البشرية. كما يزداد صعوبةً العثور على نصوص بشرية موثوقة للتدريب. ويقرّ المؤلف المشارك مانيش رافاغان بأنه من غير الواضح أصلًا إن كانت هذه المسألة قابلة للحل. ويطرح سؤالًا أوسع: كيف سنتعامل مع العلم والكتابة والفن إذا تعذّر التمييز بين الإنسان والذكاء الاصطناعي؟
والخلاصات للممارسين كما يلي. أولًا، الكاشف المدرَّب مرة واحدة يتراجع أداؤه مع الوقت: فالبيانات تتغيّر والخصم يتكيّف. ومقاييس الأداء على مجموعة اختبار ثابتة لا تصف الواقع جيدًا. ثانيًا، تدفق نصوص المستخدمين غير الموسومة مورد وليس نفايات: إذ يمكن تكييف النموذج عليه دون وسم يدوي مكلف. ثالثًا، لا يقتصر الأمر على المدارس والصحف. فقد تفيد هذه الطريقة ضد رسائل التصيّد الاحتيالي وعمليات الاحتيال في SEO، حيث الخصم متكيّف بطبيعته.
ولا ينبغي قراءة النتيجة على أنها «الكاشفات صارت موثوقة الآن». فحكم الكاشف يظل تقديرًا احتماليًا، ولذلك ينبغي في الحالات المهمة، كالنشر العلمي ومسابقات القصة القصيرة والتوظيف، التحقق منه بوسائل أخرى. وسيُعرض هذا العمل في مؤتمر NeurIPS. ويخطط المؤلفون للبحث عن مجالات أخرى يفيد فيها TTA، وبناء معايير اختبار (بنشماركات) أكثر ملاءمة للفحص الديناميكي للكاشفات.
- 18 نوفمبر 2026جنسن هوانغ يستقيل من منصب الرئيس التنفيذي لـ NVIDIA، والشركة تفقد أكثر من $1 تريليون من قيمتها السوقية
- 18 نوفمبر 2026Airbnb تغيّر نموذج وكلاء البرمجة، وإنفاق كبار المستخدمين ينخفض 7 أضعاف
- 18 نوفمبر 2026أداة الاختبار رأت «سعرًا» في عبارة «حتى عام 2027»: 4 من 7 سيناريوهات حمراء كانت خاطئة
- 18 نوفمبر 2026sd.cpp بدلاً من Forge Neo: تسعة نماذج على بطاقة رسومات بذاكرة 16 غيغابايت تولّد الصور في 5–68 ثانية
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول لماذا تفشل الكاشفات؟
عادةً يجمع المطوّر من الإنترنت نصوصًا معروفًا أن إنسانًا أو ذكاءً اصطناعيًا كتبها، ثم يدرّب نموذجًا على التمييز بينها. وبعد الإطلاق يبقى النموذج على حاله. ومن هنا تأتي المشاكل من جهتين. الأولى هي التحول الطبيعي. فالناس يغيّرون المواضيع والتعابير والتشبيهات. والكاتب في عام 2030 يستخدم صورًا مختلفة عن كاتب عام 2010. وقد يعدّ الكاشف المدرَّب على نصوص قديمة الأسلوب البشري الجديد أسلوبًا آليًا، فيتهم كاتبًا حقيقيًا خطأً. الثانية هي سباق التسلح. فحول أي كاشف شائع تظهر أدوات أنسنة بسرعة.
ما أبرز التفاصيل حول ما الذي اقترحه المؤلفون؟
في TTA يتكيّف النموذج بعد إطلاقه مع البيانات الواردة إليه. وبالنسبة إلى الكاشف، هذه هي النصوص التي يرسلها المستخدمون. ولا وسوم عليها: لا أحد يعرف هل كتب النص إنسان أم شبكة عصبية. لكن هذه النصوص تعكس الكتابة الراهنة للبشر وللذكاء الاصطناعي، وهذا بالضبط ما على الكاشف أن يتعرّف عليه. وبعد أن يجمع النموذج عددًا كافيًا من الأمثلة، يستخلص بنفسه الأنماط التي تفصل بين النوعين. ولا حاجة إلى إعادة تدريبه من الصفر. وللتحقق، أعدّ المؤلفون مجموعات بيانات يُعرف فيها عدد النصوص البشرية والآلية، لكنهم لم يُظهروا للنموذج الوسوم.
ما أبرز التفاصيل حول النتائج؟
في سيناريو النصوص المموَّهة، اكتشفت الطرق الحالية نحو 27%، بينما اكتشف النموذج المزوّد بـ TTA أكثر من 93%. وفي تجربة تحاكي التغيّر الطبيعي في اللغة البشرية مع الزمن، حقق الكاشف المزوّد بـ TTA دقة 85% مقابل 73% للطرق التقليدية. وتبيّن أن المهمة الثانية أصعب: فالتحولات في الكتابة البشرية بطيئة ودقيقة، ويصعب رصدها أكثر من حيل أدوات الأنسنة المتعمدة. وقدّمت شركة Pangram أرصدة API للوصول إلى الكاشفات.
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.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.