وهم الشمولية: لماذا تعمل «مهارة» الذكاء الاصطناعي نفسها بشكل مختلف من نموذج إلى آخر

وهم الشمولية: لماذا تعمل «مهارة» الذكاء الاصطناعي نفسها بشكل مختلف من نموذج إلى آخر

يترسّخ بسرعة في مجتمع المطورين تصور خاطئ وخطير، يدفع إلى النظر إلى ما يُسمى «مهارات» الذكاء الاصطناعي على أنها وحدات برمجية جاهزة ذات منطق تنفيذ يمكن التنبؤ به. فقد اعتادت الصناعة على نموذج مديري الحزم: يكفي تنفيذ أمر التثبيت للحصول على أداة تعمل، سواء كانت مكتبة لمعالجة البيانات أو إطار عمل لبناء واجهات المستخدم. وبهذه العقلية تحديدًا ينزّل كثير من المستخدمين اليوم prompts جاهزة لمراجعة الشيفرة وتصحيح الأخطاء ومعالجة المستندات وتحليل الأمان من مستودعات GitHub العامة، متوقعين أن يؤدي دمجها في بيئة التطوير، مثل Cursor أو Claude Code، إلى جعل المساعد المعتمد على الشبكات العصبية أذكى فورًا.

غير أن الواقع يفرض قواعد مختلفة، إذ يصطدم وهم الحتمية بالطبيعة المعقدة للنماذج اللغوية الكبيرة، التي ترفض العمل وفق القواعد الصارمة للبرمجة التقليدية.

ولفهم جذر المشكلة، ينبغي التخلي عن النظر إلى الذكاء الاصطناعي بوصفه خوارزمية حوسبة تقليدية، وإدراك ما يعنيه فعلًا ما يُطلق عليه اليوم «مهارة ذكاء اصطناعي». هي عمليًا ليست شيفرة ثنائية مُجمَّعة، بل مجرد ملف نصي يحتوي على مجموعة تعليمات بلغة طبيعية. وحين يضيف المطور هذا الملف إلى بيئة عمله، فإنه يسلّم النموذج في الواقع مواصفات فنية كتبها إنسان لآلة. وتكمن المشكلة الرئيسية في أن الصياغات النصية تفتقر إلى الدقة الرياضية القاطعة، وأن كل شبكة عصبية تمرّر هذه الكلمات عبر منظورها الخاص، المتشكل من تدريبها المسبق وأوزانها الداخلية وآليات الانتباه لديها، وهي كلها نتاج مجموعات بيانات ضخمة لكنها مختلفة جوهريًا من نموذج إلى آخر.

ويُظهر اختبار تجريبي واسع النطاق عمق التباين في تفسير النص نفسه بين أنظمة مختلفة. ففي إطار الدراسة، قُدّمت مواصفات فنية واحدة مفصّلة إلى أربعة نماذج لغوية رائدة، وكان على كل منها تنفيذ المهمة 120 مرة بالضبط. ويمكن تشبيه الموقف مجازًا بتسليم ملخص تفصيلي لأربعة متخصصين من البشر ذوي كفاءة عالية. فجميعهم يتمتعون بذكاء لافت، ودافعية كبيرة، وقرأوا الوثيقة بعناية من أولها إلى آخرها. ومع ذلك، ستختلف نتائج عملهم حتمًا، لأن كل محترف يستند إلى خبرته الفريدة وعاداته الراسخة ورؤيته الخاصة للعملية.

وتتصرف الشبكات العصبية بالطريقة نفسها، إذ تُظهر تنوعًا لافتًا في مقاربة مهمة تبدو متطابقة. وبيّن تحليل مئات التكرارات أن المدخلات الأولية المتطابقة تمامًا لا تضمن بأي حال الحصول على نتيجة متطابقة. فقد يتبع أحد النماذج كل بند في التعليمات بدقة متناهية ويقدّم شيفرة جافة ودقيقة، وقد يقرر نموذج آخر فجأة الخوض في استطرادات نظرية مطولة بدلًا من تنفيذ الإجراءات فعليًا، وقد يبدأ ثالث العمل من النهاية متجاهلًا الأولويات الأساسية للمهمة. فالذكاء الاصطناعي في هذا السياق لا يعمل كحزمة برمجية يمكن التنبؤ بسلوكها، بل أقرب إلى موظف عنيد يتوقف فهمه للمهمة كليًا على أدق تفاصيل بنية الشبكة نفسها.

وينتج عن هذا التباين تبعات جسيمة على صناعة التطوير بأكملها، التي تدمج الحلول التوليدية في العمليات التجارية والمؤسسية. فنسخ المهارات الشائعة من المكتبات المفتوحة نسخًا أعمى، وتطبيقها دون مراعاة خصوصية المحرك المستخدم، يؤدي في كثير من الأحيان إلى أعطال غير متوقعة وهلوسات وأخطاء منطقية خفية. ويواجه المهندسون بانتظام حالات ينهار فيها prompt مضبوط بإتقان على منصة معينة تمامًا عند الانتقال إلى بنية منافسة. وهذا يعني أن فكرة الحل الشامل غير قابلة للحياة في عالم الذكاء الاصطناعي، وأن عملية الدمج تستلزم حتمًا تخصيص الأوامر النصية بما يلائم خصائص كل نموذج على حدة.

ويجب أن تنتقل هندسة الـ prompts الحديثة من الاقتباس الآلي إلى تخطيط مدروس يراعي الذاتية البنيوية في «إدراك» الشبكات العصبية. فالاستخدام الناجح للذكاء الاصطناعي يتطلب الإقرار بحقيقة بسيطة، وهي أننا لا ندير دوال صارمة بل فضاءات دلالية مرنة. ويصبح إدراك هذا الفارق الجوهري بين الشيفرة التقليدية والمهمة النصية مهارة أساسية للمتخصصين. ولن يتحقق استقرار حقيقي في النتائج إلا بالتوقف عن التعامل مع النماذج اللغوية كآلات يمكن التنبؤ بسلوكها، والبدء في بناء العمل معها بمراعاة «خبرتها» الفريدة، بما يحوّل فوضى التفسيرات إلى أداة تقنية موثوقة.