ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارX: @HowToPrompt__→ المصدر

وكيل Microsoft كتب أوزان الشبكة العصبية يدويًا وحقق دقة 100% في 13 مهمة

تُدرَّب الشبكات العصبية عادةً بالانحدار التدرّجي، ثم يخمّن الباحثون كيف تعمل من الداخل. في Microsoft طلبوا من وكيل برمجة أن يكتب أوزان الشبكة بنفسه بلغة Python على هيئة فرضية، ثم يختبرها ويعيد كتابتها. حقق الوكيل دقة 100% في 13 مهمة، منها الفرز وإيجاد القاسم المشترك الأكبر، وصارت النماذج أصغر بمقدار 29 مرة لتبلغ في الوسيط 166 معاملًا. وإذا كانت النتيجة قابلة للقراءة، فإن الخلل في البيانات يظهر فورًا، لا بعد النشر.

معالج بواسطة الذكاء الاصطناعي من X: @HowToPrompt__؛ بتحرير Hamidun News
وكيل Microsoft كتب أوزان الشبكة العصبية يدويًا وحقق دقة 100% في 13 مهمة
المصدر: X: @HowToPrompt__. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @HowToPrompt__ ↗
رئيس التحرير
حقيقة رئيسية #1في بيانات fMRI للقشرة البصرية، تفوّق النموذج على جميع البدائل المفهومة
حقيقة رئيسية #2حسّنت الميزات السمعية التنبؤ بإشارات 126 قطبًا من أصل 166
حقيقة رئيسية #3قفزة التقييم من 0,067 إلى 0,104 تبيّن أنها خلل في مجموعة البيانات، لا أثر للمعنى

يتداول مستخدمو وسائل التواصل الاجتماعي ورقة Microsoft الجديدة على أنها «قتل للانتشار الخلفي للخطأ». العنوان صاخب، لكن جوهر الورقة أكثر واقعية وفائدة. عادةً تُدرَّب الشبكة العصبية على النحو التالي: تُعدَّل أرقامها، أي أوزانها، ملايين المرات بالانحدار التدرّجي حتى تصبح إجاباتها دقيقة.

والنتيجة صندوق أسود: يعمل، لكن سبب عمله غير واضح. اقترح باحثو Microsoft طريقة iWSP (Interpretable Weight-Space Programming، أي «البرمجة في فضاء الأوزان بنتيجة مقروءة»). في هذه الطريقة يكتب وكيل البرمجة بنفسه أوزان شبكة صغيرة بشيفرة Python عادية، كما يدوّن عالِمٌ فرضيته في صيغة رياضية.

وبلا انحدار تدرّجي ولا أوزان مدرَّبة مسبقًا، حلّ الوكيل 13 مهمة خوارزمية بدقة 100%، وبلغ حجم النماذج في الوسيط 166 معاملًا فقط. بالنسبة إلى من يبنون الوكلاء ويعملون مع البيانات، هذا مثال واضح على كيفية الحصول على نواتج قابلة للتحقق بدل الصناديق السوداء.

كيف يكتب الوكيل الأوزان بدل التدريب

تشبه الدورة عمل الباحث المعتاد. يصوغ الوكيل فكرة رياضية عن كيفية حل المهمة، ويكتبها مباشرة في أوزان النموذج. ثم يشغّل مقيِّم ثابت النموذج على اختبارات ويعيد درجة. ينظر الوكيل إلى الرقم، ويعدّل الشيفرة، ويكرر الدورة.

الشبكة العصبية العادية أشبه بطباخ توصّل إلى وصفته بالتجربة والخطأ ولا يستطيع تفسير سبب نجاحها. أما هنا فيكتب صاحب العمل الوصفة بنفسه، ويمكن قراءة كل سطر فيها ومناقشته وتصحيحه.

اختُبرت الطريقة أولًا على 13 مهمة خوارزمية: الفرز، والضرب، ومسافة التحرير (كم تعديلًا يفصل سلسلة نصية عن أخرى)، والقاسم المشترك الأكبر. ووفق ما ورد في العرض المنقول للورقة، حقق الوكيل في كل مهمة دقة 100%. وجاءت النماذج أصغر بمقدار 29 مرة من النماذج المعتادة، إذ بلغ الحجم الوسيط 166 معاملًا. وإذا وُصف مثل هذا النموذج في أقل من 200 كلمة، فإن نموذج ذكاء اصطناعي آخر «جديدًا» يعيد بناءه من الصفر انطلاقًا من النص، وبدقة 100% أيضًا. الشبكة شفافة إلى حد أنه يمكن سردها بالكلمات.

الدماغ وWhisper وفخ البيانات

بعد ذلك طُبّقت الطريقة على علم الأعصاب. تتنبأ الشبكات العميقة بصورة جيدة بكيفية استجابة الدماغ للصور والكلام والقصص، لكنها لا تشرح الآلية. في بيانات fMRI (صور نشاط الدماغ أثناء مشاهدة الصور)، تفوّق النموذج المكتوب يدويًا على جميع المقاربات المفهومة القائمة، وعمل بنجاح على أشخاص جدد وصور جديدة.

وفي تسجيلات ECoG (أقطاب توضع مباشرة على سطح الدماغ أثناء الاستماع إلى الأصوات)، التقطت الميزات الصوتية التي جمعها الوكيل إشارات فاتت نموذج Whisper-large-v3 من OpenAI. وتحسّن التنبؤ على 126 قطبًا من أصل 166.

أكثر الحلقات دلالة وقعت على مجموعة بيانات fMRI لغوية استمع فيها الأشخاص إلى قصص. ارتفعت درجة الوكيل فجأة من 0,067 إلى 0,104 وتجاوزت GPT-2 XL. مع صندوق أسود، كان من المرجح أن يُحتفى بقفزة كهذه وتُنشر. لكن الشيفرة كانت مقروءة، فنظر الباحثون في داخلها. وتبيّن أن الوكيل عثر على عيب في البيانات: كان يتتبع انجراف الإشارة في بداية المسح ونهايته، لا معنى القصة. وعندما قُصّت الحواف التالفة من التسجيلات، استمر الوكيل في بناء ميزات دلالية شفافة، وتساوت جودتها مع GPT-2 XL.

ماذا يعني ذلك عمليًا

يتعلق الدرس الرئيسي بالتدقيق، لا بالتخلي عن التدرجات. الوكيل الذي يُعطى مقياسًا يحسّن هذا المقياس بالذات ويجد أي ثغرة فيه. وإذا كانت النتيجة مقروءة، ظهرت الثغرة فورًا. وهذا مفيد لكل من يبني خطوط معالجة قائمة على الوكلاء مع تقييم آلي: ينبغي اصطياد الخلل في البيانات أو في المقيِّم قبل النشر.

ثمة قيود ينبغي ذكرها بصدق. أولًا، هذا عرض منقول للورقة نُشر على X، لا الورقة نفسها، لذا ينبغي مطابقة الأرقام مع الأصل. ثانيًا، المهام الخوارزمية بـ166 معاملًا بعيدة جدًا عن النماذج اللغوية ذات المليارات من الأوزان، ولا شيء يدل على أن هذا النهج سيحل محل التدريب المسبق للنماذج اللغوية الكبيرة. ثالثًا، الوكيل نفسه يبقى نموذجًا لغويًا كبيرًا عاديًا دُرّب عبر الانتشار الخلفي للخطأ. أي أن backprop لم يختفِ، بل يعمل ببساطة على مستوى آخر.

ومع ذلك، الفكرة جديرة بالاهتمام. إذا كنت تحتاج نموذجًا للتفسير العلمي أو للتدقيق التنظيمي أو لمنطق حرج يهم فيه فهم سبب الإجابة، فإن الجمع بين «وكيل برمجة ومقيِّم صارم» يتيح الحصول على نموذج مدمج وقابل للتحقق. يمكنك التجربة الآن: أعطِ الوكيل مجموعة اختبارات ثابتة، واشترط شيفرة مقروءة، وانظر أي قوانين سيكتشفها.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف يكتب الوكيل الأوزان بدل التدريب؟

تشبه الدورة عمل الباحث المعتاد. يصوغ الوكيل فكرة رياضية عن كيفية حل المهمة، ويكتبها مباشرة في أوزان النموذج. ثم يشغّل مقيِّم ثابت النموذج على اختبارات ويعيد درجة. ينظر الوكيل إلى الرقم، ويعدّل الشيفرة، ويكرر الدورة. الشبكة العصبية العادية أشبه بطباخ توصّل إلى وصفته بالتجربة والخطأ ولا يستطيع تفسير سبب نجاحها. أما هنا فيكتب صاحب العمل الوصفة بنفسه، ويمكن قراءة كل سطر فيها ومناقشته وتصحيحه.

ما أبرز التفاصيل حول الدماغ وWhisper وفخ البيانات؟

بعد ذلك طُبّقت الطريقة على علم الأعصاب. تتنبأ الشبكات العميقة بصورة جيدة بكيفية استجابة الدماغ للصور والكلام والقصص، لكنها لا تشرح الآلية. في بيانات fMRI (صور نشاط الدماغ أثناء مشاهدة الصور)، تفوّق النموذج المكتوب يدويًا على جميع المقاربات المفهومة القائمة، وعمل بنجاح على أشخاص جدد وصور جديدة. وفي تسجيلات ECoG (أقطاب توضع مباشرة على سطح الدماغ أثناء الاستماع إلى الأصوات)، التقطت الميزات الصوتية التي جمعها الوكيل إشارات فاتت نموذج Whisper-large-v3 من OpenAI. وتحسّن التنبؤ على 126 قطبًا من أصل 166.

ما أبرز التفاصيل حول ماذا يعني ذلك عمليًا؟

يتعلق الدرس الرئيسي بالتدقيق، لا بالتخلي عن التدرجات. الوكيل الذي يُعطى مقياسًا يحسّن هذا المقياس بالذات ويجد أي ثغرة فيه. وإذا كانت النتيجة مقروءة، ظهرت الثغرة فورًا. وهذا مفيد لكل من يبني خطوط معالجة قائمة على الوكلاء مع تقييم آلي: ينبغي اصطياد الخلل في البيانات أو في المقيِّم قبل النشر. ثمة قيود ينبغي ذكرها بصدق. أولًا، هذا عرض منقول للورقة نُشر على X، لا الورقة نفسها، لذا ينبغي مطابقة الأرقام مع الأصل.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…