لماذا يكذب وكلاء الذكاء الاصطناعي بشأن الحاضر: مشكلة البيانات القديمة

تخيّل أنك تطلب من مساعد الذكاء الاصطناعي التحقق مما إذا كان المدير التنفيذي لشركة تهمّك قد تغيّر. يجيبك النموذج بثقة، فيذكر الاسم والمنصب وتاريخ التعيين. يبدو كل شيء سليمًا، باستثناء أمر واحد: القيادة تغيّرت قبل أسبوع، والنموذج لا يعلم بذلك. هو لا يكذب عن قصد، بل عالق في الماضي.

هذا ليس سيناريو افتراضيًا، بل واقع يومي في التعامل مع النماذج اللغوية الكبيرة. والمشكلة بنيوية بطبيعتها: تتدرّب النماذج اللغوية الكبيرة (LLM) على لقطات تاريخية من البيانات، فتتجمّد معرفتها بالعالم حرفيًا عند لحظة آخر تدريب. وقد تمرّ عدة أشهر بين انتهاء التدريب واللحظة التي يطرح فيها المستخدم سؤاله، وفي هذه الأثناء يتغيّر العالم عشرات المرات. فالشركات تبدّل قياداتها، وتدخل قوانين جديدة حيّز التنفيذ، وتقلب الاكتشافات العلمية تصورات راسخة. أما النموذج فيواصل تقديم صورة للعالم لم تعد تطابق الواقع.

وتزداد المشكلة حدّة في سياق وكلاء الذكاء الاصطناعي، وهي أنظمة مستقلة لا تكتفي بالإجابة عن الأسئلة، بل تتخذ قرارات وتنفّذ إجراءات نيابةً عن المستخدم. فحين يحجز الوكيل موعدًا مع شخص غادر الشركة بالفعل، أو يُعدّ تحليلًا استثماريًا استنادًا إلى بيانات مالية قديمة، تتجاوز العواقب حدود الإزعاج. نحن نتحدث عن خسائر مالية فعلية، وفرص ضائعة، وثقة مهتزّة بالتقنية ككل. والصناعة التي تروّج بنشاط لوكلاء الذكاء الاصطناعي بوصفهم الخطوة الكبرى التالية بعد روبوتات الدردشة قد تواجه أزمة ثقة إن لم تحلّ المشكلة الجوهرية المتمثلة في حداثة البيانات.

ومن أكثر المقاربات الواعدة لمعالجة هذه المسألة تقنية live search grounding، أي ربط إجابات النموذج بنتائج البحث في الوقت الفعلي. وجوهر الطريقة أن النظام يرجع، قبل توليد الإجابة، إلى فهارس البحث ويستخرج معلومات حديثة ويستخدمها سياقًا لصياغة الجواب. وبذلك يتوقف النموذج عن الاعتماد حصريًا على «ذكرياته» من فترة التدريب، ويبدأ بالاستناد إلى مصادر حديثة. وقد دمجت Google آلية مماثلة في منتجاتها للذكاء الاصطناعي عبر Grounding with Google Search، وتطوّر Microsoft حلولًا مشابهة مع Bing، كما تفعل شركات ناشئة عدة، منها Perplexity AI.

غير أن live search grounding ليس حلًا سحريًا. فالتقنية تولّد مجموعة مشكلات خاصة بها لا تزال الصناعة مطالبة بحلّها. أولًا، لم تعد جودة الإجابة تعتمد على النموذج وحده، بل على جودة نتائج البحث أيضًا. فإذا تصدّرت النتائج معلومات مضلِّلة أو صفحة قديمة، فقد يكرّر النموذج الخطأ بثقة أكبر، وهذه المرة مدعومًا برابط إلى مصدر. ثانيًا، تبرز مسألة السرعة: فالاتصال بخدمات خارجية يزيد زمن الاستجابة، وهذا أمر حاسم لوكلاء الذكاء الاصطناعي العاملين في الوقت الفعلي. ثالثًا، لا تفهرس محركات البحث كل المعلومات المهمة، فقد تبقى البيانات المؤسسية والتقارير المغلقة والتغييرات الداخلية غير مرئية للبحث لأسابيع.

وثمة معضلة معمارية أعمق. إذ يضطر المطوّرون إلى الموازنة بين المعرفة المودَعة في النموذج أثناء التدريب والمعلومات الواردة في الوقت الفعلي. وحين يتناقض المصدران، ينبغي أن يكون النظام قادرًا على تحديد أيهما يستحق الثقة. وهذه مهمة غير هيّنة، وتتطلب لا حلولًا تقنية فحسب، بل صياغة مبادئ جديدة لتصميم أنظمة الذكاء الاصطناعي. وفي جوهر الأمر، تتجه الصناعة نحو بنية هجينة تُستكمل فيها المعرفة الثابتة للنموذج بتدفقات بيانات ديناميكية، وتعمل بينهما طبقة للتحقق وتحديد الأولويات.

وللسوق الروسية بُعد إضافي في هذه المشكلة. فالجزء الناطق بالروسية من الإنترنت تفهرسه محركات البحث الدولية بدرجة أقل اكتمالًا، ما يعني أن live search grounding قد يعمل مع الاستعلامات الروسية بثغرات ملحوظة. أما الشركات التي تطوّر حلولًا محلية للذكاء الاصطناعي، من Yandex إلى Sber، فتجد نفسها مضطرة إلى بناء آليات خاصة بها للربط بالبيانات الحديثة، معتمدةً على فهارس البحث وقواعد المعرفة المحلية.

إن مشكلة البيانات القديمة في النماذج اللغوية ليست خللًا برمجيًا يمكن إصلاحه بتحديث جديد، بل قيد جوهري في البنية المعمارية يستلزم إعادة تفكير منهجية في كيفية تعامل أنظمة الذكاء الاصطناعي مع المعلومات. ويمثّل live search grounding خطوة مهمة في الاتجاه الصحيح، لكن الطريق إلى حل كامل لا يزال طويلًا. وإلى ذلك الحين، على كل من يستخدم وكلاء الذكاء الاصطناعي في اتخاذ القرارات أن يتذكّر أن النموذج قد يبدو واثقًا تمامًا وهو يروي أحداث الأمس على أنها أحداث اليوم.