وهم الإبصار: لماذا تتعثر النماذج متعددة الوسائط أمام واجهات الويب

يدفع السباق نحو بناء ذكاء اصطناعي قوي (AGI) الصناعة إلى التركيز على بنى أكبر حجمًا وأكثر شمولًا. فقد علّمنا النماذج الاستدلال، وكتابة أعقد الشيفرات البرمجية، ومحاكاة الصوت البشري، وتوليد صور واقعية كالصور الفوتوغرافية. ويبدو أننا على بُعد خطوة واحدة من ظهور وكلاء رقميين متكاملين قادرين على أداء أي عمل على الحاسوب. غير أن خلف العروض التقديمية اللامعة تختبئ عقبة هندسية جوهرية: فالنماذج متعددة الوسائط الحديثة لا تزال عاجزة عن التفاعل بكفاءة مع واجهات المستخدم. فما يراه الإنسان مجموعة بديهية من الأزرار والحقول، يتحول بالنسبة إلى الخوارزمية إلى تدفق مفرط من البيانات، تبلغ كلفة معالجته حدًا باهظًا ويعمل بدرجة عالية من عدم الاستقرار.

يكمن أصل المشكلة في الفجوة بين طريقة إدراك الذكاء الاصطناعي للمعلومات وطريقة تصميم الإنترنت الحديث. ثمة اليوم نهجان رئيسيان لجعل النموذج «يرى» موقعًا إلكترونيًا. الأول تزويده بالشيفرة المصدرية: ترميز HTML وأنماط CSS ومنطق JavaScript. والثاني التحليل البصري للقطات الشاشة، أو حتى لتسلسل من الإطارات أشبه بعرض شرائح. وكلا الأسلوبين، رغم شيوعهما، حلول ترقيعية تكشف قصور البنى الحالية. فبينما تقبل مهام الواجهات الخلفية الأتمتة عبر التعلم المعزز في بيئات مغلقة، تبقى الواجهات الأمامية بيئة فوضوية متغيرة، يمكن فيها لأدنى انحراف في الأنماط أن يشلّ عمل أكثر الوكلاء تقدمًا.

وإذا تعمقنا في التفاصيل التقنية، يتضح لماذا تُعدّ قراءة الشيفرة طريقًا مسدودًا أمام الخدمات واسعة النطاق. فالتصميم البرمجي الحديث للصفحات مثقل بوسوم زائدة وسكربتات خدمية وعناصر متداخلة لا نهاية لها، ولا تحمل أي دلالة ذات أهمية للإجراء المطلوب. ويضطر النموذج إلى إنفاق نافذة السياق على دراسة آلاف الأسطر من الشيفرة لمجرد العثور على رابط نشط واحد.

أما النهج البصري القائم على تحليل البيكسلات فيعاني علة أخرى هي الضوضاء المفرطة. فبالنسبة إلى العين البشرية يبقى زر «تسجيل الدخول» زرًّا سواء كان مستطيلًا أم بيضاويًا، أزرق اللون أم أخضر. نحن نتعرف فورًا على وظيفته الجوهرية.

أما بالنسبة إلى الشبكة العصبية فهو مصفوفة من ملايين البيكسلات، حيث يفرض كل تدرج رمادي في الخلفية وكل ظل تحت العنصر عبئًا حسابيًا دون أن يضيف معلومة مفيدة. ويتطلب تدريب النموذج على «تمثيل داخلي» للواجهة عبر الرؤية المحضة أحجامًا هائلة من البيانات والقدرات الحاسوبية، ما يجعل هذه الحلول باهظة الكلفة على الشركات.

وتتجاوز تبعات هذه الكفاءة المتدنية حدود الهندسة البحتة. فهشاشة النماذج الحالية في التعامل مع الواجهات تعني أننا لا نستطيع ائتمان الوكلاء المستقلين على العمليات الحرجة في الوقت الفعلي. فإذا كان تغيير طفيف في تصميم موقع ما يفسد منطق الذكاء الاصطناعي، تبقى هذه الأنظمة مجرد ألعاب أو أدوات ضيقة التخصص تحتاج إلى إشراف بشري مستمر. وفضلًا عن ذلك، فإن ارتفاع كلفة كل طلب، الناجم عن ضرورة تحليل لقطات شاشة «ثقيلة» أو أحجام ضخمة من شجرة DOM، يعوق انتشار مساعدي الذكاء الاصطناعي على نطاق واسع. لقد علقنا في نموذج يحاول فيه النظام إما محاكاة الرؤية البشرية دون فهم البنية، وإما تحليل البنية دون فهم الدلالة البصرية.

وفي المحصلة، تحتاج الصناعة إلى نهج جديد جذريًا في بناء التمثيل الداخلي لبيانات الواجهات. فبدلًا من إجبار الشبكات العصبية على التنقيب في ركام وسوم HTML أو تحليل كل بيكسل مشوِّش على الشاشة، ينبغي إنشاء طبقة وسيطة: بروتوكول دلالي أصيل. ويجب أن يكون تمثيلًا مضغوطًا لكنه غني بالمعلومات، ينقل إلى النموذج جوهر عناصر UI ويعفيه من الحسابات الزائدة. فعندما نكفّ عن محاولة تعليم الذكاء الاصطناعي أن يرى الموقع بـ«العينين» أو بـ«الشيفرة»، ونمنحه وسيلة لفهم البنية الوظيفية مباشرة، سيستطيع الوكلاء الرقميون الخروج من طور النماذج الأولية الدائمة، ليصبحوا أدوات مفيدة حقًا بين أيدينا. أما الآن، فتظل الوسائط المتعددة مجرد محاكاة باهظة وفجّة للرؤية، تتعثر أمام زر عادي في صفحة ويب.