METR: طول المهام التي ينجزها وكيل الذكاء الاصطناعي بنسبة نجاح 50% يتضاعف كل 3,6 أشهر
كيف نعرف حجم العمل المعقّد الذي يستطيع وكيل الذكاء الاصطناعي إنجازه بمفرده؟ تقيس METR ذلك بساعات العمل البشري: إذا استغرقت المهمة نصف يوم من مهندس، وأنجزها الوكيل في نصف المحاولات، فهذا هو «أفقه». وفي النماذج حتى Opus 5.5 وGPT-6 Astra، يتضاعف الأفق تقريبًا كل 3,6 أشهر. لذلك يمكن إسناد المهام ذات آلية التحقق الواضحة إلى الوكلاء بجرأة أكبر، أما القرارات التي لا تتوفر لها طريقة سريعة للتحقق فالأفضل إبقاؤها بيد البشر.
معالج بواسطة الذكاء الاصطناعي من METR؛ بتحرير Hamidun News
تخيّل أنك تكلّف مبتدئًا بمهمة وتريد أن تعرف أي قدر من العمل سينجزه بمفرده وأين سيكون عليك التدخل. الباحثون يواجهون المشكلة نفسها مع وكلاء الذكاء الاصطناعي، لكن قياسها يزداد صعوبة. أصدرت METR، وهي المنظمة التي تقيّم قدرات النماذج، تقريرًا كبيرًا في نوفمبر 2026 عن النماذج المتاحة للعموم، بما فيها Opus 5.5 وGPT-6 Astra. خلاصته أن القدرات المهمة لتسريع تطوير الذكاء الاصطناعي نفسه تنمو بسرعة، بينما يزداد قياسها صعوبة.
ما هو «أفق المهام» بمثال بسيط
تُسمى المقياس time horizon، أي «الأفق الزمني». نأخذ مهمة ونحسب الوقت الذي يحتاجه إنسان خبير لإنجازها. لنفترض أنه نصف يوم. إذا نجح الوكيل في إنجاز مثل هذه المهام في 50% من المحاولات، فإن أفقه عند نسبة 50% يساوي نصف يوم. وكلما ارتفع هذا المؤشر، أمكن ائتمان الوكيل على أجزاء عمل أطول وأكثر استقلالية.
استخدمت METR هذا المقياس سابقًا لقياس القدرات الوكيلية للذكاء الاصطناعي في هندسة البرمجيات. أما الآن فلم تعد مجموعة المهام القديمة TH1.1 كافية، إذ كادت النماذج تتقنها. لذلك دمج الباحثون هذه المجموعة مع مجموعة جديدة أصعب هي TH2. وعلى المجموعة المدمجة يتضاعف الأفق تقريبًا كل 3,6 أشهر. وبسبب صعوبة TH2، يكون الأفق المطلق لأي نموذج على المجموعة المشتركة أقل منه على TH1.1 وحدها.
ثمة تفصيل مهم. ففي الجزء القابل للتحقق من TH2 دون TH1.1، يتم التضاعف بوتيرة أسرع. وربما يكون التسارع الأخير مخفيًا داخل الاتجاه العام. لكن METR تستدرك بأن التفسيرات قد تكون مختلفة. وقد أشارت OpenAI مؤخرًا إلى وتيرة مماثلة في مهامها البحثية الداخلية.
أين يتفوق الوكلاء وأين يكون حكمهم أضعف من البشر
حيث تتوفر للمهمة مقاييس واضحة وتغذية راجعة سريعة، كما في تحسين الشيفرة، لا تقل النماذج عادةً عن الخبراء البشر. وحين جنّدت METR منفّذين من جانبها للمقارنة، لم يتيسر عادةً العثور على أشخاص يتفوقون على النماذج الرائدة. وفي الحالات التي تملك فيها المنظمة بيانات من عشرة متخصصين فأكثر، وقعت النماذج في نسبة مئوية عالية جدًا، لكن ليس في القمة.
تتغير الصورة عندما يكون الاختيار بلا إشارة واضحة. فمثلًا، قد تقدّم الاختبارات دلالة ضعيفة على ما إذا كان الحل سيعمل في ظروف أخرى، أو قد يستغرق التحقق وقتًا طويلًا جدًا. في مثل هذه المهام يكون حكم الوكلاء أضعف من حكم الخبراء. وفي أحد الأمثلة، بالغت النماذج القاضية في تقدير جودة النتيجة إذا أنتجها نموذج بالقوة نفسها أو أقوى. وعمليًا يعني هذا أن التقييم الآلي بواسطة «نموذج قاضٍ» ينحاز إلى مديح نظرائه.
وأدخلت METR بشكل منفصل مؤشر «تكلفة دورة الحياة»: كم يكلّف ابتكار المهمة وتشغيلها والتحقق منها. والمهام الواقعية أغلى عادةً. وبحسب بيانات METR، فإن مضاعفة هذه التكلفة مع بقاء طول المهمة نفسه تعادل تقريبًا تقليص أفق الوكيل إلى النصف. وفي الوقت نفسه، تتشابه وتيرة التقدم في المهام الرخيصة والمكلفة، وحتى في أغلى المهام تتحسن النتائج مع الزمن.
ماذا أظهرت الفحوص وماذا نفعل عمليًا
لبناء صورة عامة، أنشأت METR مؤشرًا مركّبًا هو MCI. يقوم على تقنية IRT الإحصائية، القريبة من تلك التي يقوم عليها مؤشر Epoch Capabilities Index. وفي الحدود الأمامية للنماذج المتاحة للعموم، لا يُرى بحسب هذا المؤشر تسارع قوي ولا تباطؤ. أما لدى المطوّرين كلٌّ على حدة، فثمة مؤشرات غير مؤكدة على تغيّر في ميل المنحنى، لكن النتيجة حساسة للخيارات المنهجية، وMETR نفسها غير واثقة من موثوقيتها.
ومن بين فحوص المتانة، بحث الباحثون عن اختراق المقاييس (reward hacking) وعن حالات رفض النماذج للمهام. كما اختبروا أسراب الوكلاء. وبالمقارنة مع اختيار أفضل نتيجة من عدة محاولات مستقلة، تفيد الأسراب في المهام القابلة للتحقق ذات المقياس الواضح والتغذية الراجعة السريعة. أما في بقية المهام فالأثر غير واضح أو سلبي.
موقف METR النهائي حذر. فالبيانات المتاحة للعموم لا تكفي لاستبعاد تسارع حاد في تطوير الذكاء الاصطناعي خلال العامين المقبلين. وتقصد المنظمة بذلك حالة تنمو فيها القدرات بسرعة كبيرة بحيث لا يعود البشر قادرين على فهم الأنظمة الجديدة فهمًا ذا معنى، ولا على تقييم المخاطر الكارثية والاستجابة لها.
ما الذي يترتب على ذلك للفرق:
- يمكن إسناد المهام ذات آلية التحقق الواضحة، مثل تحسين الشيفرة وفق مقياس قابل للقياس، إلى الوكلاء بجرأة أكبر.
- أبقوا القرارات التي لا تتوفر لها تغذية راجعة سريعة تحت إشراف الخبراء.
- لا تعتمدوا على النموذج القاضي وحده، خصوصًا إذا كان يقيّم عمل نموذج من المستوى نفسه.
- يُستحسن تشغيل سرب الوكلاء حيث يمكن التحقق من النتيجة بسرعة.
وهناك قيود أيضًا. فهذا تقرير صادر عن المنظمة المقيِّمة نفسها، وليس تدقيقًا مستقلًا. وتصف METR جزءًا من الاستنتاجات، ومنها الاتجاهات الخاصة بكل مطوّر على حدة، بأنه غير مؤكد. إضافة إلى ذلك، فالنص الأصلي الذي بين أيدينا مقتطع: وتفاصيل المنهجية والملاحق تبقى في النسخة الكاملة من التقرير.
- 21 نوفمبر 2026Thinking Machines تطلق Inkling 2 Mini: 26 مليار معامل و20.1 نقطة في مؤشر AA Index
- 21 نوفمبر 2026رياضي في Anthropic يعلن: Claude ساعد في إثبات فرضية ريمان خلال 6 أسابيع
- 21 نوفمبر 2026شركة Osmo الناشئة تدرّب الذكاء الاصطناعي على الروائح بـ 10 ملايين تقييم بشري وتولّد العطور انطلاقًا من نص مكتوب
- 21 نوفمبر 2026كوريا الشمالية تكشف أول روبوت دردشة «ينبوع الحكمة»: العلوم فقط ودون سياسة
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما هو «أفق المهام» بمثال بسيط؟
تُسمى المقياس time horizon، أي «الأفق الزمني». نأخذ مهمة ونحسب الوقت الذي يحتاجه إنسان خبير لإنجازها. لنفترض أنه نصف يوم. إذا نجح الوكيل في إنجاز مثل هذه المهام في 50% من المحاولات، فإن أفقه عند نسبة 50% يساوي نصف يوم. وكلما ارتفع هذا المؤشر، أمكن ائتمان الوكيل على أجزاء عمل أطول وأكثر استقلالية. استخدمت METR هذا المقياس سابقًا لقياس القدرات الوكيلية للذكاء الاصطناعي في هندسة البرمجيات. أما الآن فلم تعد مجموعة المهام القديمة TH1.1 كافية، إذ كادت النماذج تتقنها.
ما أبرز التفاصيل حول أين يتفوق الوكلاء وأين يكون حكمهم أضعف من البشر؟
حيث تتوفر للمهمة مقاييس واضحة وتغذية راجعة سريعة، كما في تحسين الشيفرة، لا تقل النماذج عادةً عن الخبراء البشر. وحين جنّدت METR منفّذين من جانبها للمقارنة، لم يتيسر عادةً العثور على أشخاص يتفوقون على النماذج الرائدة. وفي الحالات التي تملك فيها المنظمة بيانات من عشرة متخصصين فأكثر، وقعت النماذج في نسبة مئوية عالية جدًا، لكن ليس في القمة. تتغير الصورة عندما يكون الاختيار بلا إشارة واضحة. فمثلًا، قد تقدّم الاختبارات دلالة ضعيفة على ما إذا كان الحل سيعمل في ظروف أخرى، أو قد يستغرق التحقق وقتًا طويلًا جدًا.
ما أبرز التفاصيل حول ماذا أظهرت الفحوص وماذا نفعل عمليًا؟
لبناء صورة عامة، أنشأت METR مؤشرًا مركّبًا هو MCI. يقوم على تقنية IRT الإحصائية، القريبة من تلك التي يقوم عليها مؤشر Epoch Capabilities Index. وفي الحدود الأمامية للنماذج المتاحة للعموم، لا يُرى بحسب هذا المؤشر تسارع قوي ولا تباطؤ. أما لدى المطوّرين كلٌّ على حدة، فثمة مؤشرات غير مؤكدة على تغيّر في ميل المنحنى، لكن النتيجة حساسة للخيارات المنهجية، وMETR نفسها غير واثقة من موثوقيتها. ومن بين فحوص المتانة، بحث الباحثون عن اختراق المقاييس (reward hacking) وعن حالات رفض النماذج للمهام. كما اختبروا أسراب الوكلاء.
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.