FS-Researcher: حان الوقت لأن يحمل الذكاء الاصطناعي دفتر ملاحظات ويتوقف عن التشتت

تخيّل أنك تحاول كتابة أطروحة دكتوراه وذاكرتك كذاكرة السمكة الذهبية. تقرأ المصدر الخمسين، وفي تلك اللحظة تتبخر تفاصيل المصدر الأول. هذا بالضبط ما تشعر به اليوم حتى أكثر النماذج اللغوية تطورًا، مثل GPT-4o أو Claude 3.5 Sonnet. فلديها نافذة سياق، وهي تتسع باستمرار، لكن مشكلة «Lost in the Middle» ما زالت قائمة. فحين تتراكم البيانات أكثر من اللازم، يبدأ النموذج بالارتباك، ويتجاهل تفاصيل مهمة وردت في منتصف النص، ويقدّم خليطًا سطحيًا بدل التحليل العميق. إنها حالة كلاسيكية لا يتحول فيها الكم إلى كيف، وقد حاول المهندسون لسنوات معالجتها بمجرد توسيع الذاكرة العاملة.

قرر فريق من الباحثين مقاربة المسألة بطريقة مختلفة، فقدّم FS-Researcher. فبدلًا من حشو مئات الصفحات من نتائج البحث في النموذج المسكين، منحوه «طرفًا معرفيًا اصطناعيًا» على هيئة دفتر ملاحظات منظَّم. الفكرة بسيطة إلى حدّ العبقرية: الوكيل لا يكتفي بالبحث والقراءة، بل يدوّن ملاحظاته بنشاط. ففي أثناء العمل، يستخرج النظام الكيانات الأساسية والحقائق والروابط بينها، ويسجّلها في مخزن خارجي يُحدَّث باستمرار. وهذا يتيح للنموذج الحفاظ على تركيزه على المهمة، دون إثقال سياقه الأساسي بالحشو الذي لا مفر من مصادفته في البحث المعمّق على الشبكة.

اعتمدنا في السابق على RAG، وهو نظام يجلب مقاطع نصية من قاعدة بيانات. لكن RAG يعمل في كثير من الأحيان كأمين مكتبة سيئ: يحضر الصفحة المطلوبة، لكنه لا يفهم الصورة العامة. أما FS-Researcher فيعمل كمحلل متأنٍّ. فهو ينظّم المعلومات هرميًا، ويستبعد المكرر منها، والأهم أنه قادر على الربط بين الحقائق الواردة في مصادر مختلفة. فإذا ذكرت وثيقة سبب حدث ما، وتناولت أخرى نتائجه، فإن النظام لا ينسخ الفقرتين فحسب، بل يدمجهما في سلسلة منطقية واحدة داخل دفتره. وهذا بالغ الأهمية عند كتابة التقارير الطويلة، حيث لا تكفي الوقائع وحدها، بل يهم أيضًا بناء السرد.

لماذا يهم هذا الآن تحديدًا؟ لقد اصطدمنا بسقف «القوة الغاشمة» في نوافذ السياق. فشركات مثل Google تتباهى بملايين الرموز (tokens) في Gemini، لكن استخدام نافذة بهذا الحجم في الواقع مكلف جدًا ويبطّئ التوليد إلى سرعة السلحفاة. ويُظهر FS-Researcher أن الحلول المعمارية وسير العمل (workflow) الصحيح للوكيل أكثر فاعلية بكثير من الزيادة المتواصلة في عدد المعاملات. وبالنسبة إلى الشركات، يعني ذلك أن التحليل الآلي عالي الجودة للأسواق أو للاتجاهات التقنية يصبح أرخص وأدق. ولن تضطر بعد الآن إلى التحقق من كل حقيقة يقدّمها النموذج، لأنه يحتفظ بنفسه بسجل شفاف لاستدلالاته واكتشافاته.

في المحصلة، نشهد انتقالًا من دردشات الذكاء الاصطناعي إلى «موظفي» الذكاء الاصطناعي. فالدردشة تجيب عن سؤال فحسب، أما الموظف فهو من يستطيع العمل مع المعلومات طويلًا ومنهجيًا، ولا ينسى لماذا فتح المتصفح قبل عشر دقائق. ويمثّل FS-Researcher إحدى أولى الخطوات الواثقة نحو بناء باحثين مستقلين يوفّرون وقت الإنسان فعلًا، بدلًا من أن يضيفوا إليه عملًا في تصحيح الأخطاء. وهذا يغيّر قواعد اللعبة في الوسط الأكاديمي وفي قطاع الشركات، حيث تظل دقة البيانات أهم من سرعة تقديمها. والسؤال الآن هو: متى تصبح هذه الإضافات معيارًا في جميع خدمات LLM الشائعة؟

الخلاصة: قد تنتهي حقبة نوافذ السياق «المتضخمة» قبل أن تبدأ فعليًا، لتحل محلها أنظمة ترشيح ذكية ودفاتر ملاحظات خارجية. فهل ستتمكن OpenAI وAnthropic من دمج آليات كهذه أصلًا في نماذجهما، أم ينتظرنا ازدهار في منصات الوكلاء التابعة لجهات خارجية؟