قوانين التوسّع على الطيار الآلي: الذكاء الاصطناعي يبدأ في تعليم البشر كيف يبنون الشبكات العصبية

تخيّلوا أنكم تبنون ناطحة سحاب، ولا تعرفون على وجه اليقين هل سيتحمّل الأساس عشرة طوابق إضافية. وفي عالم النماذج اللغوية الكبيرة، يجري الأمر بصورة مشابهة إلى حد بعيد. فالمهندسون ينفقون مئات الملايين من الدولارات على التدريب، على أمل أن تجعل إضافة بضعة آلاف أخرى من بطاقات الرسوميات النموذج أكثر ذكاءً، لا أكثر كلفةً فحسب. وتُسمّى هذه القواعد غير المعلنة للعبة قوانين التوسّع (Scaling Laws)، وظلّ البحث عنها حتى اليوم أقرب إلى الكيمياء القديمة بصورتها العصرية. غير أن عصر التخمين العشوائي يبدو وكأنه ينتهي، لأن باحثين من جامعة بكين وجامعة ستانفورد قرروا إسناد هذه المهمة المملة والمكلفة إلى الشبكة العصبية نفسها.

تكمن المشكلة في أن البحث عن هذه القوانين عملية شاقة ومكلفة إلى حد باهظ. تذكّروا الورقة البحثية الشهيرة من DeepMind عن «نموذج الشنشيلا» (Chinchilla scaling laws). فقد اضطر الباحثون حينها إلى تدريب عشرات النماذج الصغيرة، وجمع بيانات عن أدائها، ومحاولة استنتاج صيغة تتنبأ بسلوك «الأخ الأكبر». والخطأ في الحسابات عند هذه المرحلة لا يكلّف وقتًا فحسب، بل يكلّف ثروة.

أما المشروع الجديد، الذي يحمل الاسم العملي «AI Scientist»، فيغيّر قواعد اللعبة جذريًا. فبدلًا من أن يختار البشر المعاملات يدويًا ويرسموا المخططات البيانية، ابتكر العلماء نظامًا يحلّل بنفسه نتائج عمليات التشغيل التجريبية ويصوغ العلاقات الرياضية. والمفارقة أن هذا العالِم الافتراضي أنجز المهمة بصورة أفضل من الخبراء من البشر. ففي الاختبارات، تنبأ النظام بدقة النماذج بهامش خطأ أقل بكثير من هامش خطأ علماء البيانات ذوي الخبرة.

لا يتعلق الأمر بالسرعة أو الراحة فحسب. فقد اعتدنا الاعتقاد بأن البحث العلمي والحدس هما آخر معاقل الإنسان، لكن تبيّن أن أدمغتنا شديدة الميل إلى التبسيط عند البحث عن الأنماط الخفية داخل كميات ضخمة من البيانات. والذكاء الاصطناعي لا يبحث عن أرقام «جميلة» أو رسوم خطية بسيطة، بل يعثر على العلاقات التي تعمل فعلًا في فضاء المعاملات متعدد الأبعاد.

لماذا يكتسب هذا أهمية الآن تحديدًا؟ لقد وصلنا إلى حدّ لم تعد فيه زيادة القدرة الحاسوبية وحدها تحقق قفزة في الجودة. وتتزايد في الصناعة الهمسات عن «الهضبة»، ولكي نواصل التقدم لا نحتاج إلى تيرافلوبس فحسب، بل إلى دقة بالغة في تصميم البنية. وإذا كانت OpenAI أو Google قادرتين في السابق على حرق الكهرباء بحجم مدن كاملة في سبيل تجربة واحدة، فإن المستثمرين اليوم يطالبون بالكفاءة. وأتمتة البحث عن Scaling Laws هي في جوهرها بمثابة نظام ملاحة لمن كانوا يسيرون سابقًا بالأجهزة وحدها وسط ضباب كثيف. فبات بإمكاننا الآن أن نعرف مسبقًا هل يجدر تغذية النموذج بتريليون رمز (token) إضافي، أم أنه بلغ حدّه الأقصى بالفعل.

ماذا يعني ذلك لمستقبل الصناعة؟ على الأرجح سنشهد تسارعًا حادًا في دورات التطوير. فإذا كان التحقق من فرضية أساسية يستغرق في السابق أشهرًا، فبوسع نظام مؤتمت الآن أن يختبر آلاف السيناريوهات في غضون ساعات معدودة. وهذا يقرّبنا من لحظة تبدأ فيها الشبكات العصبية بتصميم الأجيال التالية من نفسها دون أي تدخل بشري تقريبًا. ما زلنا نمسك بمقبض القاطع، لكن المخططات بات يرسمها شخص آخر. وهذا «الشخص الآخر» يفهم، على ما يبدو، رياضيات التدريب أكثر منا.

الخلاصة: لم يعد الذكاء الاصطناعي مجرد «روبوت دردشة ذكي»، بل تحوّل إلى أداة للاكتشافات العلمية الأساسية. وإذا كانت الشبكات العصبية قد تعلّمت تحسين تدريبها بصورة أفضل من صانعيها، فإن ظهور ذكاء اصطناعي عام (AGI) متكامل يصبح مسألة وقت وصيغة صحيحة، ومن المرجح أن الذي سيعثر عليها أيضًا ليس الإنسان.