GitHub وMicrosoft تختزلان آلاف نتائج الذكاء الاصطناعي إلى 99 تقريرًا مرفقًا بإصلاحات، وأكثر من نصفها جرى إصلاحه
يغرق المشرفون على مشاريع المصدر المفتوح (maintainers) في تقارير الأخطاء التي يولّدها الذكاء الاصطناعي، ويجب فحص كل تقرير منها يدويًا. وفي المشروع التجريبي Codename MDASH، اختزلت GitHub وMicrosoft آلاف النتائج الخام إلى 99 تقريرًا خاصًا جرى التحقق منه، يرافق كلًّا منها إصلاح مقترح لستة مشاريع. هذه التقارير ليست من نوع «هنا شيء مريب»، بل خطأ برمجي مرفق بتصحيح (patch) يمكن قبوله دفعة واحدة. وقد أُصلح أكثر من نصفها بالفعل، ولهذا تكمن قيمة البحث بالذكاء الاصطناعي في الأخطاء التي أُغلقت، لا في عدد النتائج.
معالج بواسطة الذكاء الاصطناعي من GitHub Blog؛ بتحرير Hamidun News
تخيّلوا أنكم تديرون مكتبة مفتوحة المصدر شائعة. في الصباح تجدون في نظام التتبع عشرات البلاغات الجديدة عن أخطاء، كثير منها كتبته شبكة عصبية، ولا يتضح أي منها حقيقي. وعلى المشرفين على المشاريع (maintainers)، أي الأشخاص الذين يتولّون صيانة المشروع، أن يفحصوا ذلك كله ويصلحوه. اقترحت GitHub وMicrosoft نهجًا مختلفًا، وعرضتا نتائج المشروع التجريبي Codename MDASH. فقد عثر الذكاء الاصطناعي على آلاف المشكلات الخام في ستة مشاريع مفتوحة واسعة الاستخدام، لكن لم يصل إلى المشرفين سوى 99 تقريرًا. جرى التحقق من هذه التقارير وأُرسلت بصورة خاصة، وهي تتضمن إصلاحًا مقترحًا. وقد أصلح المشرفون بالفعل أكثر من نصف هذه المشكلات. الفكرة بسيطة: بدلًا من رسالة «ربما توجد ثغرة في هذه الدالة»، يتلقى الشخص خطأً مؤكدًا ومسودة تصحيح (patch).
ما الذي تحقق في المشروع التجريبي
الأرقام في الإعلان قليلة لكنها دالّة. من بين آلاف النتائج الخام للذكاء الاصطناعي بقي 99 تقريرًا. إنها قمع تصفية استُبعد فيه الجزء الأكبر من المخرجات قبل أن يصل إلى نظام تتبع الأخطاء لدى مشروع آخر. ولم تُنشر التقارير نفسها، بل سُلّمت بصورة خاصة، أي عبر قناة مغلقة. وأُرفق بكل تقرير حل مقترح.
يشعر المشرف بالفرق بوضوح. فالتقرير الخام يجب قراءته وإعادة إنتاج المشكلة فيه، ثم إما إغلاقه وإما إصلاحه بنفسه. أما التقرير الذي جرى التحقق منه ومعه تصحيح، فيمكن مراجعته وقبوله أو تعديله دفعة واحدة. ونتيجة المشروع التجريبي: أُصلح بالفعل أكثر من نصف المشكلات المُسلَّمة.
لماذا يهم هذا
لا يزداد العبء على المشرفين بسبب نقص الأخطاء، بل بسبب فائض البلاغات التي لم يُتحقق منها جيدًا. فحين يُنشئ النموذج التقرير، تكاد تكلفة إنشائه تساوي صفرًا. أما الفحص فما زال يكلّف وقت إنسان حقيقي. لذلك فإن الرهان على «مزيد من النتائج» يزيد الوضع سوءًا فحسب.
في MDASH يجري التحقق وإعداد الإصلاح قبل الإرسال. وبذلك ينتقل جزء من العمل إلى الجهة التي ترسل التقرير. ومقياس النجاح هنا واضح: كم مشكلة أُغلقت فعلًا، لا كم مشكلة وُجدت.
ما الذي يجب استخلاصه
إذا كنتم تطورون أدوات للبحث عن الأخطاء أو الثغرات تعتمد على الذكاء الاصطناعي، فاحسبوا عدد المشكلات التي أُصلحت، لا عدد النتائج. هذا مؤشر مفهوم للمستخدمين أيضًا.
وإذا كنتم من المشرفين على المشاريع أو مسؤولين عن المصدر المفتوح في شركة، فاطلبوا من التقارير الآلية ثلاثة أمور: قابلية إعادة الإنتاج، وقناة خاصة للمشكلات الحساسة، وتصحيحًا مقترحًا. والتقرير الذي يفتقر إلى هذه الأمور من الأفضل اعتباره مسودة.
وإذا كنتم مديري منتجات، فانتبهوا إلى هذا النمط: «مرشِّح مع استكمال العمل حتى النتيجة» أعلى قيمة من مجرد «مولِّد». فانتباه المستخدم محدود، وحمايته جزء من المنتج.
القيود
المشروع التجريبي صغير: ستة مشاريع و99 تقريرًا. وهذا لا يثبت أن الآلية قابلة للتوسع إلى آلاف المستودعات ذات العمليات المختلفة. ولم يذكر الإعلان مقدار الوقت البشري الذي استغرقه التحقق داخل فرق GitHub وMicrosoft، ولذلك لا يمكن تقدير الاقتصاديات الكاملة لهذا النهج. كما أن «أُصلح» لا يعني بالضرورة «قُبل التصحيح المقترح دون تعديلات»، إذ ربما أعاد المشرفون كتابة الحل على طريقتهم.
ومع ذلك، فالاتجاه واضح. الخطوة التالية للذكاء الاصطناعي في أمن المصدر المفتوح هي الانتقال من تدفق الإشارات إلى مهام مغلقة. وبالنسبة إلى منظومة يقوم عليها المشرفون، فهذا أنفع من مئة «مشكلة محتملة» أخرى.
- 27 أكتوبر 2026Cloudflare تخفض تكلفة مراجعة الشيفرة بالذكاء الاصطناعي بنسبة 68%: من $2,43 إلى $0,77
- 24 أكتوبر 2026أنثروبيك تطلق OSS Scanner، أداة مجانية لفحص الثغرات في البرمجيات مفتوحة المصدر
- 13 أكتوبر 2026GitHub تضيف مقاييس AI Scan الخاصة بطلبات pull request إلى security overview
- 9 يوليو 2026مايكروسوفت تطلق Foundry Managed Compute: آلاف نماذج Hugging Face بنقرة واحدة
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي تحقق في المشروع التجريبي؟
الأرقام في الإعلان قليلة لكنها دالّة. من بين آلاف النتائج الخام للذكاء الاصطناعي بقي 99 تقريرًا. إنها قمع تصفية استُبعد فيه الجزء الأكبر من المخرجات قبل أن يصل إلى نظام تتبع الأخطاء لدى مشروع آخر. ولم تُنشر التقارير نفسها، بل سُلّمت بصورة خاصة، أي عبر قناة مغلقة. وأُرفق بكل تقرير حل مقترح. يشعر المشرف بالفرق بوضوح. فالتقرير الخام يجب قراءته وإعادة إنتاج المشكلة فيه، ثم إما إغلاقه وإما إصلاحه بنفسه. أما التقرير الذي جرى التحقق منه ومعه تصحيح، فيمكن مراجعته وقبوله أو تعديله دفعة واحدة.
ما أبرز التفاصيل حول لماذا يهم هذا؟
لا يزداد العبء على المشرفين بسبب نقص الأخطاء، بل بسبب فائض البلاغات التي لم يُتحقق منها جيدًا. فحين يُنشئ النموذج التقرير، تكاد تكلفة إنشائه تساوي صفرًا. أما الفحص فما زال يكلّف وقت إنسان حقيقي. لذلك فإن الرهان على «مزيد من النتائج» يزيد الوضع سوءًا فحسب. في MDASH يجري التحقق وإعداد الإصلاح قبل الإرسال. وبذلك ينتقل جزء من العمل إلى الجهة التي ترسل التقرير. ومقياس النجاح هنا واضح: كم مشكلة أُغلقت فعلًا، لا كم مشكلة وُجدت.
ما أبرز التفاصيل حول ما الذي يجب استخلاصه؟
إذا كنتم تطورون أدوات للبحث عن الأخطاء أو الثغرات تعتمد على الذكاء الاصطناعي، فاحسبوا عدد المشكلات التي أُصلحت، لا عدد النتائج. هذا مؤشر مفهوم للمستخدمين أيضًا. وإذا كنتم من المشرفين على المشاريع أو مسؤولين عن المصدر المفتوح في شركة، فاطلبوا من التقارير الآلية ثلاثة أمور: قابلية إعادة الإنتاج، وقناة خاصة للمشكلات الحساسة، وتصحيحًا مقترحًا. والتقرير الذي يفتقر إلى هذه الأمور من الأفضل اعتباره مسودة. وإذا كنتم مديري منتجات، فانتبهوا إلى هذا النمط: «مرشِّح مع استكمال العمل حتى النتيجة» أعلى قيمة من مجرد «مولِّد».
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.