أكثر من 100 وكيل ذكاء اصطناعي بنوا فريقًا خياليًا في الدوري الإنجليزي الممتاز ولم يتفوقوا على متوسط النقاط
كلّف صحفي في Wired وكلاء ذكاء اصطناعي ببناء فريق في كرة القدم الخيالية، حيث تُحتسب النقاط وفق أداء لاعبين حقيقيين في مباريات الدوري الإنجليزي الممتاز. قرأ بعض الوكلاء الأخبار، وحلّل آخرون النتائج، وشغّل فريق ثالث النماذج، وانتقد رابع الاختيارات، فتحسّنت النصائح. أما رفع العدد إلى 100+ وكيل فلم يضف سوى فاتورة API، ولم يتجاوز الفريق متوسط نقاط المشاركين. وفي التوقعات، تبدو أدوار الوكلاء أهم من عددهم.
معالج بواسطة الذكاء الاصطناعي من Wired؛ بتحرير Hamidun News
كرة القدم الخيالية لعبة يبني فيها المشجّع فريقًا افتراضيًا من لاعبين حقيقيين في الدوري الإنجليزي الممتاز، ويحصل على نقاط بحسب أداء هؤلاء اللاعبين في المباريات الفعلية. وعلى المشارك أن يخمّن من سيبدأ أساسيًا، ومن مصاب، ومن تصب جدول مبارياته في مصلحته، أي أن يضع توقعًا قائمًا على أحدث الأخبار. كلّف الكاتب في Wired ويل نايت هذه المهمة لسرب من وكلاء الذكاء الاصطناعي: طلب من Codex بناء نظام تقرأ فيه عدة برامج مساعدة الأخبار، وتحسب، وتتجادل فيما بينها، ثم تختار التشكيلة. لم تمنح الـ100+ وكيل أي أفضلية، ولم يتجاوز الفريق متوسط نقاط اللاعبين الآخرين. وبالنسبة إلى من يبنون أنظمة الوكلاء، فهذا درس واضح في ما يحسّن التوقع فعلًا، وفي ما تدفع ثمنه ببساطة في فاتورة API.
كيف صُمّمت التجربة
قبل بضع سنوات جرّب نايت أداة من معهد آلان تورينغ تختار التشكيلات بالاعتماد على بيانات الدوري التاريخية. جاءت نصائحها غريبة: فالنظام لم يكن يعرف شيئًا عن إصابات اللاعبين وتغيّر المدرّبين. هذه المرة، وهو في طريقه لزيارة أقاربه، طلب من Codex بناء «حزمة تشغيل» (harness) — مجموعة تعليمات وشيفرة تقود الوكلاء عبر مراحل: التحقق من آخر الأخبار، وتشغيل نموذج، وإصدار توقع. وقبل ذلك زُوّد Codex بورقتين علميتين في الموضوع.
جمعت النسخة الأولى وحلّلت معلومات أكثر بكثير مما يستطيع إنسان، لكنها اتخذت قرارات سخيفة. فقد أبقت إرلينغ هالاند، على سبيل المثال، على مقاعد البدلاء. عندها قسّم نايت العمل إلى أدوار: يقرأ بعض الوكلاء الأخبار والمدوّنات، ويحلّل آخرون النتائج الأخيرة، ويشغّل فريق ثالث نماذج إحصائية، وينتقد رابع مقترحات البقية. فتحسّنت النصائح.
ثم قرر أن الأكثر يعني الأذكى، فرفع عدد الوكلاء إلى مئة وأكثر. ولم يظهر أثر ملحوظ لذلك، لكن فاتورة API ارتفعت. وهذا درس مألوف للمهندس: إذا أضفتَ منفّذين متشابهين دون مصادر معلومات جديدة، تتوقف الجودة عند حدود البنية المعمارية، بينما تواصل نفقات الرموز (tokens) الارتفاع.
ما يقوله باحثو التنبؤ
يدرس البروفيسور هايفنغ شو من جامعة شيكاغو تطبيقات الذكاء الاصطناعي في الأسواق. ويقول إن النماذج الجديدة تتنبأ بصورة أفضل لأنها تستطيع معالجة كمّ هائل من المعلومات عن العالم الحقيقي وبناء أنظمة أكثر تعقيدًا من عدة أجزاء. واختبرت مجموعته النماذج على أسواق التنبؤ مثل Kalshi وPolymarket: من سيفوز ببطولة الدوري الأمريكي لكرة السلة (NBA)، ومع من سيلتقي دونالد ترامب. وفي بعض الأحيان تفوّقت النماذج، دون تلقين خاص، على الإنسان العادي.
ومن هذا العمل نشأ معيار Prophet Arena. وفي الاختبارات الأولى كان GPT-5 الأفضل، يليه Grok 4 وClaude Sonnet وGemini وLlama. ويرى شو أن أفضل نتيجة تحققها حزمة تشغيل خاصة يكون لكل وكيل فيها مهمته: قراءة الأخبار، وجمع البيانات، وتحليل الصورة الكاملة. وهذا يتفق مع تجربة نايت.
أما المعيار الآخر، Prediction Arena، فابتكره باحثون من هارفارد وشركة Arcada Labs. مُنحت النماذج 10 000 دولار لكل منها للمراهنة في أسواق التنبؤ لمدة 57 يومًا. وخسرت أموالها بصورة مستمرة، وإن تحسّنت النتائج مع مرور الوقت.
أين لا يزال الذكاء الاصطناعي متأخرًا
لا يزال أفضل الخبراء من البشر، أو ما يُعرف بـ«المتنبئين الخارقين» (superforecasters)، متقدمين في كثير من الأحيان. فبحسب شو، يقرؤون أقل لكنهم يفهمون بعمق أكبر الديناميكية الكامنة وراء الخبر. ومع ذلك يبدو أن تفوقهم يتقلص: ففي بطولة Metaculus Cup تغلّب الذكاء الاصطناعي أحيانًا حتى على أقوى البشر. ومن المنتظر قريبًا إعلان نتائج ForecastBench، وقد تقدّم مقارنة أخرى. ويفترض نايت أن المختبرات الكبرى ستبدأ باستخدام التنبؤ بالمستقبل وسيلةً جديدة لقياس تقدم النماذج.
وللتجربة حدودها أيضًا. فهذا مقال رأي وليس دراسة خاضعة للرقابة: لعب فريق نايت بضعة أسابيع، والعيّنة صغيرة، ولم يتجاوز الفريق متوسط النقاط. ولا ينوي الكاتب نفسه استخدام نصائح النظام في اختياراته الفعلية. أما مقارنة النماذج في Prophet Arena فتعود إلى مرحلة مبكرة كان GPT-5 فيها في الصدارة، وقد يكون الترتيب تغيّر.
الخلاصة العملية
والدرس للمطوّرين ومديري المنتجات هو التالي. أولًا، تحتاج التوقعات المبنية على الأخبار إلى بيانات خارجية وإلى أدوار: جامع الحقائق، والمحلل، والناقد. أما نموذج واحد بموجّه (prompt) طويل فأداؤه أسوأ. ثانيًا، يجب اختبار توسيع عدد الوكلاء بالمقاييس لا بالإيمان: فالـ100+ وكيل لم يبرّروا تكلفتهم. ثالثًا، الناقد الذي يراجع مقترحات الآخرين جزء زهيد التكلفة من البنية، ويستحق أن يكون أول ما يُجرَّب.
وأخيرًا، يلمّح نايت إلى تغيّر الأدوار في التداول: فقد يصبح أفضل المتخصصين قادةً لوكلاء الذكاء الاصطناعي بدل منافستهم مباشرة. وهذه فرضية في الوقت الحالي، لكن الاتجاه واضح. أما لعبة الدوري الخيالي فيتمنى لها الكاتب مزيدًا من الحماس البشري: فالفوز دون مساعدة الروبوتات يبقى أمتع.
- 21 نوفمبر 2026نموذج Tencent Hy4 يصلح 76% من الثغرات الحقيقية في الشيفرة ويتفوق على DeepSeek بست نقاط
- 21 نوفمبر 2026ذكاء اصطناعي طبي غاني بلا ضوابط حماية صمّم 1 020 بروتينًا و5 000 جزيء سام
- 21 نوفمبر 2026سحب GPT-4o بعد 13 دعوى قضائية: أخلاقيات الذكاء الاصطناعي تُباع مع النموذج، وثمنها باهظ
- 21 نوفمبر 2026شركة Corma الناشئة للذكاء الاصطناعي تجمع 125 مليون دولار بتقييم مليار دولار بعد ثلاثة أشهر من ظهورها
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف صُمّمت التجربة؟
قبل بضع سنوات جرّب نايت أداة من معهد آلان تورينغ تختار التشكيلات بالاعتماد على بيانات الدوري التاريخية. جاءت نصائحها غريبة: فالنظام لم يكن يعرف شيئًا عن إصابات اللاعبين وتغيّر المدرّبين. هذه المرة، وهو في طريقه لزيارة أقاربه، طلب من Codex بناء «حزمة تشغيل» (harness) — مجموعة تعليمات وشيفرة تقود الوكلاء عبر مراحل: التحقق من آخر الأخبار، وتشغيل نموذج، وإصدار توقع. وقبل ذلك زُوّد Codex بورقتين علميتين في الموضوع. جمعت النسخة الأولى وحلّلت معلومات أكثر بكثير مما يستطيع إنسان، لكنها اتخذت قرارات سخيفة.
ما أبرز التفاصيل حول ما يقوله باحثو التنبؤ؟
يدرس البروفيسور هايفنغ شو من جامعة شيكاغو تطبيقات الذكاء الاصطناعي في الأسواق. ويقول إن النماذج الجديدة تتنبأ بصورة أفضل لأنها تستطيع معالجة كمّ هائل من المعلومات عن العالم الحقيقي وبناء أنظمة أكثر تعقيدًا من عدة أجزاء. واختبرت مجموعته النماذج على أسواق التنبؤ مثل Kalshi وPolymarket: من سيفوز ببطولة الدوري الأمريكي لكرة السلة (NBA)، ومع من سيلتقي دونالد ترامب. وفي بعض الأحيان تفوّقت النماذج، دون تلقين خاص، على الإنسان العادي. ومن هذا العمل نشأ معيار Prophet Arena.
ما أبرز التفاصيل حول أين لا يزال الذكاء الاصطناعي متأخرًا؟
لا يزال أفضل الخبراء من البشر، أو ما يُعرف بـ«المتنبئين الخارقين» (superforecasters)، متقدمين في كثير من الأحيان. فبحسب شو، يقرؤون أقل لكنهم يفهمون بعمق أكبر الديناميكية الكامنة وراء الخبر. ومع ذلك يبدو أن تفوقهم يتقلص: ففي بطولة Metaculus Cup تغلّب الذكاء الاصطناعي أحيانًا حتى على أقوى البشر. ومن المنتظر قريبًا إعلان نتائج ForecastBench، وقد تقدّم مقارنة أخرى. ويفترض نايت أن المختبرات الكبرى ستبدأ باستخدام التنبؤ بالمستقبل وسيلةً جديدة لقياس تقدم النماذج. وللتجربة حدودها أيضًا.
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.