قوانين التوسع على الطيار الآلي: بدأ الذكاء الاصطناعي يعلم الناس كيف يبنون الشبكات العصبية

تخيل أنك تبني ناطحة سحاب لكنك لا تعرف بتأكيد ما إذا كانت الأساسات ستتحمل عشرة طوابق إضافية. في عالم نماذج اللغة الكبيرة، كل شيء يعمل بطريقة تقريبية مماثلة. ينفق المهندسون مئات الملايين من الدولارات على التدريب، على أمل أن إضافة بضعة آلاف من بطاقات الرسومات الإضافية ستجعل النموذج أذكى وليس فقط أكثر تكلفة. تسمى هذه القواعد الضمنية للعبة بقوانين التوسع (Scaling Laws)، وحتى الآن كان البحث عنها يشبه الكيمياء الحديثة. لكن يبدو أن عصر التخمين يقترب من نهايته، لأن الباحثين من جامعة بكين وستانفورد قررا تسليم هذا العمل الممل والمكلف لشبكة البيانات العصبية نفسها.

المشكلة هي أن العثور على هذه القوانين عملية مؤلمة وباهظة التكاليف بشكل غير معقول. تذكر العمل الشهير لشركة DeepMind حول "نموذج الشنشيلا" (Chinchilla scaling laws). في ذلك الوقت، اضطر الباحثون إلى تدريب عشرات النماذج الصغيرة وجمع البيانات حول أدائها ومحاولة استخلاص صيغة تتنبأ بسلوك "الأخ الأكبر". الخطأ في الحسابات في هذه المرحلة لا يكلف الوقت فقط—بل يكلف ثروة.

يغير المشروع الجديد، الذي سمي "AI Scientist"، قواعد اللعبة بشكل جذري. بدلاً من إجبار الناس على اختيار المعاملات يدويًا وبناء الرسوم البيانية، أنشأ العلماء نظامًا يحلل نتائج الاختبارات ويصيغ الاعتماديات الرياضية بمفرده. ما هو الأكثر سخرية هنا هو أن هذا العالم الافتراضي أدى المهمة بشكل أفضل من الخبراء الحقيقيين. خلال الاختبارات، توقع النظام دقة النماذج بهامش خطأ اتضح أنه أقل بشكل كبير من خبراء علوم البيانات ذوي الخبرة.

هذا ليس مجرد مسألة السرعة أو الراحة. معتادون على التفكير بأن الاكتشاف العلمي والحدس هما آخر قلاع الإنسانية، لكن اتضح أنه في البحث عن الأنماط المخفية داخل مجموعات البيانات الضخمة، يميل عقلنا كثيرًا إلى الإفراط في التبسيط. الذكاء الاصطناعي لا يبحث عن أرقام "جميلة" أو رسوم بيانية خطية بسيطة؛ بل يجد الاعتماديات التي تعمل بالفعل في الفضاء متعدد الأبعاد للمعاملات.

لماذا هذا مهم الآن؟ وصلنا إلى نقطة حيث مجرد إضافة القوة الحسابية لا تعطي بعد النمو المتفجر في الجودة. تتحدث الصناعة بشكل متزايد عن "هضبة"، وللمضي قدمًا، نحتاج ليس فقط إلى التيرافلوبس بل إلى الدقة الجراحية في العمارة. إذا كان بإمكان OpenAI أو Google سابقًا حرق الكهرباء في مدن بأكملها من أجل تجربة، فالآن يطالب المستثمرون بالكفاءة.

أتمتة البحث عن قوانين التوسع هي في الأساس خلق ملاح لأولئك الذين كانوا يسيرون سابقًا بالأجهزة في ضباب كثيف. الآن يمكننا معرفة مقدمًا ما إذا كان يستحق إطعام النموذج بتريليون رمز إضافي أم أنه وصل بالفعل إلى حده الأقصى.

ماذا يعني هذا لمستقبل الصناعة؟ من المحتمل أن نرى تسارعًا حادًا في دورات التطوير. إذا استغرق الأمر سابقًا شهورًا للتحقق من فرضية أساسية، فالآن يمكن لنظام آلي تشغيل آلاف السيناريوهات في بضع ساعات فقط. هذا يقربنا من اللحظة التي تبدأ فيها شبكات البيانات العصبية في تصميم الأجيال التالية من نفسها مع مشاركة إنسانية عملية معدومة. لا تزال أيدينا على مفتاح الدائرة، لكن شخصًا آخر يرسم الرسوم التوضيحية. وهذا "الشخص" يفهم بوضوح رياضيات التعلم أفضل منا.

الخلاصة: توقف الذكاء الاصطناعي أخيرًا عن كونه مجرد "روبوت دردشة ذكي" وأصبح أداة للاكتشافات العلمية الأساسية. إذا تعلمت شبكات البيانات العصبية تحسين تدريبها الخاص بشكل أفضل من منشئيها، فإن سؤال ظهور ذكاء عام كامل يصبح مجرد مسألة وقت والصيغة الصحيحة—تلك التي ربما يجدها شخص ليس بإنسان.