الرعب الثلجي: عندما تبدو الواقعية أسوأ من رسالة سيئة لـ Sora

انظر إلى هذه المقاطع من وسائل التواصل الاجتماعي: مدن محيت حرفياً من الخريطة بطبقات ثلج يبلغ عمقها عدة أمتار. لو قلت لك أن هذا عرض توضيحي جديد من OpenAI أو Runway، كنت ستصدقني على الأغلب. وصلنا إلى نقطة حيث تلهم الكوارث الطبيعية الحقيقية ثقة أقل من جيل شبكات عصبية. لكن خلف الفيديوهات الفيروسية تختبئ مشكلة خطيرة لكل فقاعتنا التكنولوجية المريحة. بينما نناقش ما إذا كان ChatGPT سيحل محل المبرمجين، يطرح العالم الحقيقي تحديات لم تتعلم الذكاء الاصطناعي الحديث حلها حتى الآن.

السياق واضح: كانت السنتان الماضيتان فترة "حماس أرصادي" في الذكاء الاصطناعي. أطلقت Google DeepMind GraphCast، وNVIDIA تبني Earth-2، وHuawei تعزز Pangu-Weather. وعدتنا هذه النماذج بثورة، تنبئ الطقس في ثوان بدقة لا تستطيع الطرق العددية التقليدية على الحواسيب العملاقة تحقيقها. السخرية أنه عندما يتعلق الأمر بأحداث متطرفة "البجعة السوداء" مثل هذه العاصفة الثلجية الملحمية، فإن شبكات عصبية معروفة غالباً ما تسلم نتائج ليست أفضل من التنجيم. وإليك السبب.

المشكلة الرئيسية أن الذكاء الاصطناعي في جوهره آلة معقدة جداً لحساب متوسط التجربة. يتم تدريبه على البيانات التاريخية من آخر 40-50 سنة. إذا لم تكن هذه العينة تحتوي على شذوذ بهذا الحجم، لن يتمكن النموذج من تخيله ببساطة. بالنسبة لشبكة عصبية، هذا الحدث هو ضوضاء إحصائية يجب "تنعيمها". وفي النتيجة نحصل على حالة حيث يتنبأ الذكاء الاصطناعي ببراعة بمطر الغد في لندن، لكنه أعمى تماماً أمام كارثة تحدث مرة كل قرن. هذا قيد معماري أساسي: تعمل النماذج جيداً ضمن توزيع البيانات لكنها تضيع خارجها.

هناك جانب آخر—ساخر وقليل مخيف. نصب مليارات الدولارات في الذكاء الاصطناعي التوليدي لكي يرسم لنا صوراً جميلة للنهاية. ندرس Sora أن يفهم كيف يسقط الضوء على رقاقات الثلج وكيف تتحرك الثلوج. لكن في نفس الوقت، نصرف موارد أقل بكثير لتعليم الذكاء الاصطناعي فهم فيزياء هذه العمليات على مستوى التنبؤ. نبني مرايا رقمية للواقع تبدو مثالية لكنها تفتقر إلى أساس صلب. وبالتالي تصبح الصورة على هاتفك الذكي أكثر "واقعية" من كومة الثلج خارج نافذتك التي تشل مراكز البيانات والخدمات اللوجستية.

ماذا يعني هذا للصناعة؟ حان الوقت لنعترف أن النهج الإحصائي البحت في الذكاء الاصطناعي وصل إلى حده. المستقبل لا يكمن في نماذج اللغة الضخمة، بل في الأنظمة الهجينة—ما يسمى بـ Physics-informed Neural Networks (PINNs). هذه شبكات عصبية لها قوانين الديناميكا الحرارية والديناميكا المائية مدمجة في "أدمغتها" على المستوى المعماري. فقط بهذه الطريقة يمكننا الانتقال من مجرد رسم البكسلات إلى إدارة حقيقية للمخاطر في العالم الفيزيائي. في الوقت الحالي، لا يتبقى لنا سوى مشاهدة الفيديوهات والذهول من كيف تتفوق الطبيعة بسهولة على أي معالج رسومات.

الخلاصة: تبقى الطبيعة أفضل مولد محتوى، ونماذج الذكاء الاصطناعي لدينا لا تزال معتمدة جداً على الماضي للتنبؤ بالمستقبل. هل ننتظر اللحظة التي تبدأ فيها الشركات الناشئة الأرصادية بتوظيف الفيزيائيين بنفس عدوانية توظيفهم لمتخصصي الموجزات؟