الحدود الجديدة للذكاء الاصطناعي: من البيانات إلى خبرة التفاعل

على مدى العقد الماضي، كان تقدم الذكاء الاصطناعي يُقاس بالحجم: نماذج أكبر، ومجموعات بيانات أضخم، وقدرات حوسبية أكبر. وقد قاد هذا النهج إلى اختراقات مذهلة في النماذج اللغوية الكبيرة (LLM). ففي خمس سنوات فقط، انتقل الذكاء الاصطناعي من نماذج مثل GPT-2 التي كانت بالكاد تحاكي الترابط في النص، إلى أنظمة مثل GPT-4 التي تستطيع الاستدلال والانخراط في حوار ذي معنى. والآن تشير النماذج الأولية لوكلاء الذكاء الاصطناعي، القادرة على التنقل بين قواعد الشيفرة البرمجية أو تصفح صفحات الويب، إلى حدود جديدة كليًا.

لكن الحجم وحده لا يوصل الذكاء الاصطناعي إلى أبعد من حد معين. فالقفزة التالية لن تتحقق بتكبير النماذج فقط، بل بدمج بيانات أعلى جودة مع العوالم التي نبنيها لتدريب النماذج. ويصبح السؤال الأهم: كيف تبدو الصفوف الدراسية للذكاء الاصطناعي؟

خلال الأشهر القليلة الماضية، راهن وادي السيليكون على هذا الاتجاه، وتستثمر المختبرات مليارات الدولارات في بناء هذه الصفوف، التي تُعرف ببيئات التعلم المعزز (RL). تتيح هذه البيئات للآلات أن تجرّب وتفشل وتتحسن داخل فضاءات رقمية واقعية.

تطورت قصة الذكاء الاصطناعي الحديث عبر عصور، يتحدد كل منها بنوع البيانات التي استهلكتها النماذج. بدأ الأمر بعصر التدريب المسبق على مجموعات بيانات بحجم الإنترنت. وقد مكّنت هذه البيانات المتاحة للعموم الآلات من محاكاة اللغة البشرية عبر التعرف على الأنماط الإحصائية. ثم ظهرت البيانات مقترنة بالتعلم المعزز من التغذية الراجعة البشرية، وهي طريقة تستعين بعاملين عبر العمل الجماعي (crowdsourcing) لتقييم إجابات النماذج اللغوية الكبيرة، وقد جعلت الذكاء الاصطناعي أكثر فائدة واستجابة وتوافقًا مع تفضيلات البشر.

لا تزال البيانات اليوم هي الأساس. فهي المادة الخام التي يُبنى منها الذكاء. لكننا ندخل مرحلة جديدة لم تعد فيها البيانات وحدها كافية. ولفتح الحدود التالية، يجب أن نجمع بين البيانات عالية الجودة وبيئات تتيح تفاعلًا غير محدود وتغذية راجعة متواصلة وتعلّمًا عبر الفعل. لا تحل بيئات RL محل البيانات؛ بل تعزز ما تستطيع البيانات فعله، إذ تمكّن النماذج من تطبيق المعرفة واختبار الفرضيات وتحسين السلوك في ظروف واقعية.

في بيئة RL، يتعلم النموذج عبر حلقة بسيطة: يراقب حالة العالم، وينفذ فعلًا، ويتلقى مكافأة تبيّن ما إذا كان هذا الفعل قد ساعد في بلوغ الهدف. وعبر تكرارات عديدة، يكتشف النموذج تدريجيًا الاستراتيجيات التي تقود إلى نتائج أفضل. والتحول المهم هنا أن التعلم يصبح تفاعليًا؛ فالنماذج لا تكتفي بالتنبؤ بالرمز (token) التالي، بل تتحسن عبر التجربة والخطأ والتغذية الراجعة.

على سبيل المثال، تستطيع النماذج اللغوية اليوم توليد الشيفرة البرمجية ضمن إعداد محادثة بسيط. لكن عندما نضعها في بيئة برمجة حية، حيث يمكنها الحصول على السياق وتشغيل شيفرتها ومعالجة الأخطاء وتحسين حلها، يتغير شيء ما. فهي تنتقل من تقديم المشورة إلى حل المشكلات باستقلالية.

وفي عالم تحركه البرمجيات، ستمثل قدرة الذكاء الاصطناعي على توليد شيفرة بمستوى الإنتاج واختبارها داخل مستودعات ضخمة تحولًا كبيرًا في القدرات. ولن تتحقق هذه القفزة بتكبير مجموعات البيانات فقط، بل بفضل بيئات غامرة يستطيع فيها الوكلاء التجريب والتعثر والتعلم عبر التكرار، تمامًا كما يفعل المبرمجون من البشر. فعالم التطوير الحقيقي فوضوي: يتعامل المبرمجون مع أخطاء غير محددة بما يكفي، وقواعد شيفرة متشابكة، ومتطلبات غامضة.

وتدريب الذكاء الاصطناعي على التعامل مع هذه الفوضى هو السبيل الوحيد لينتقل يومًا من محاولات عرضة للأخطاء إلى حلول متسقة وموثوقة.

والتنقل عبر الإنترنت فوضوي بدوره. فالنوافذ المنبثقة، وجدران تسجيل الدخول، والروابط المعطلة، والمعلومات القديمة تتخلل سير العمل اليومي في التصفح. ويتعامل البشر مع هذه العقبات بشكل شبه غريزي، أما الذكاء الاصطناعي فلن يطور هذه القدرة إلا بالتدريب في بيئات تحاكي عدم القدرة على التنبؤ في الإنترنت. فعلى الوكلاء أن يتعلموا التعافي من الأخطاء، والتعرف على عقبات واجهة المستخدم وتجاوزها، وتنفيذ سير عمل متعدد الخطوات في التطبيقات واسعة الاستخدام.

اعتمد كل قفزة كبرى في تطور الذكاء الاصطناعي على بنية تحتية غير مرئية، مثل المُعلِّقين الذين يصنفون مجموعات البيانات، والباحثين الذين يدربون نماذج المكافأة، والمهندسين الذين يبنون الهياكل الداعمة لاستخدام النماذج اللغوية الكبيرة للأدوات والإجراءات. وقد كان البحث عن مجموعات بيانات كبيرة وعالية الجودة عنق زجاجة في الذكاء الاصطناعي يومًا ما، وأدى حل هذه المشكلة إلى موجة التقدم السابقة. أما اليوم، فليست البيانات هي عنق الزجاجة، بل بناء بيئات RL غنية وواقعية ومفيدة فعلًا.

لن تكون المرحلة التالية من تقدم الذكاء الاصطناعي نتاج مصادفة الحجم. بل ستكون ثمرة الجمع بين أساس متين من البيانات وبيئات تفاعلية تعلّم الآلات أن تتصرف وتتكيف وتستدل في سيناريوهات واقعية معقدة. وستحوّل بيئات الاختبار المعزولة لبرمجة الشيفرة (sandboxes)، وساحات التجريب لأنظمة التشغيل والمتصفحات، والمحاكاة الآمنة، التنبؤ إلى كفاءة.