كيف نقيس الذكاء الحقيقي: أهم اختبارات الأداء لوكلاء الذكاء الاصطناعي

عاشت صناعة الذكاء الاصطناعي طويلاً في واقع مريح لكنه وهمي، قوامه تصنيفات ثابتة. فعندما كان يصدر نموذج لغوي جديد، كان مطوّروه يعرضون بفخر درجاته المرتفعة في اختبارات مثل MMLU أو اختبارات الحيرة (perplexity). وكانت هذه الأرقام توحي بأن الشبكة العصبية قرأت الإنترنت كله، وأنها قادرة على اجتياز الامتحانات الموحّدة بتفوق عبر الإجابة عن أسئلة الاختيار من متعدد. لكن مع انتقال القطاع من بناء روبوتات دردشة واسعة الاطلاع إلى تطوير وكلاء ذكاء اصطناعي مستقلين، انهار هذا النهج انهياراً تاماً. فقد تبيّن أن قدرة النموذج على الاستشهاد بالموسوعات لا تكاد تمت بصلة إلى قدرته على حجز تذكرة طيران بنفسه، أو العثور على خطأ في شيفرة برمجية حقيقية وإصلاحه، أو معالجة طلب معقّد من عميل غاضب.

تكمن مشكلة المقاييس التقليدية في انفصالها عن الاستخدام الفعلي. فاختبارات الأداء الثابتة تقيّم الذكاء الاصطناعي في فراغ معزول: يُعطى النموذج موجّهاً نصياً واحداً (prompt) ويقدّم إجابة واحدة. أما في العالم الحقيقي، فعمل الوكيل دورة تفاعل متواصلة مع بيئة متغيرة. إذ يجب على الوكيل تحليل الوضع الراهن، ووضع خطة عمل، واستخدام أدوات خارجية مثل المتصفح أو سطر الأوامر، وتقييم نتيجة خطوته، والأهم من ذلك تصحيح خطئه إذا لم تسر الأمور كما ينبغي. ويتطلب تقييم هذا السلوك متعدد المراحل منهجية اختبار جديدة كلياً، تنقل التركيز من قياس المعرفة الموسوعية إلى تقييم التفكير الوكيلي المعقّد.

ولهذا السبب بدأ المجتمع البحثي بنشاط في تطوير بيئات اختبار ديناميكية واعتمادها، تحاكي سير العمل الواقعي بدقة. فبدلاً من أن يُطلب من النموذج كتابة دالة معزولة بلغة Python، تضع المعايير الجديدة الوكيل داخل نظام تشغيل افتراضي يتيح الوصول إلى مستودع حقيقي على GitHub. ويُكلَّف الذكاء الاصطناعي بإصلاح خلل وصفه أحد المستخدمين في التعليقات. ولإنجاز ذلك، يجب على الوكيل أن يدرس بنفسه آلاف الأسطر من شيفرة غير مألوفة، ويحدد سبب المشكلة، ويُجري التعديلات، ويشغّل الاختبارات المحلية، ويتأكد من أن تدخّله لم يُعطّل مكونات معمارية أخرى في البرنامج. ويتيح هذا النهج قياس القيمة الحقيقية للذكاء الاصطناعي للمطورين والشركات الكبرى.

وتحدث ثورة مماثلة في تقييم قدرة النماذج على التعامل مع واجهات الويب. إذ تضع الاختبارات الحديثة الوكلاء داخل نسخ محاكاة من المتاجر الإلكترونية وأنظمة حجز التذاكر ولوحات التحكم المؤسسية. وتتلقى النماذج مهمة عالية المستوى، مثل تنفيذ استرجاع منتج محدد أو إيجاد الرحلة الأنسب وفق معايير صارمة. ويجب على الوكيل التفاعل مع عناصر صفحة الويب، والنقر على الأزرار، وتعبئة النماذج، والانتقال عبر الروابط، مع التكيّف الفوري مع تغيرات الواجهة. وإذا واجه النظام نافذة منبثقة غير متوقعة أو خطأً في تحميل الصفحة، فعليه أن يُظهر قدرة على التصحيح الذاتي وإيجاد مسارات بديلة.

وينطوي التحول نحو اختبارات الأداء الوكيلية على تبعات هائلة على قطاع التقنية بأكمله. فقد سئم القطاع المؤسسي بصراحة من العروض التقديمية الجذابة للنماذج اللغوية، التي تُظهر مستوى استثنائياً في توليد نصوص متماسكة، لكنها تقف عاجزة تماماً عند محاولة أتمتة العمليات التجارية الداخلية. وبدأت معايير التقييم الجديدة تؤثر مباشرة في توزيع رأس المال الجريء واختيار المتعاقدين التقنيين. فالشركات لا تستثمر إلا في المنصات التي يُظهر وكلاؤها كفاءة قابلة للقياس في الاختبارات الديناميكية، ولا تلهث وراء تريليونات المعاملات (parameters) سعياً إلى درجات مجردة في لوائح صدارة عفا عليها الزمن.

وفي نهاية المطاف، يحدد تطور أساليب الاختبار اتجاه تطور الذكاء الاصطناعي نفسه. فما يستطيع المهندسون قياسه بدقة، يستطيعون تحسينه عن قصد. والانتقال من الاختبارات الثابتة إلى محاكاة العالم الواقعي يعني أن الجيل القادم من النماذج الأساسية لن يُصمَّم للحفاظ على حديث اجتماعي، بل لتنفيذ مهام محددة. أما العصر الذي كان يُقاس فيه ذكاء الآلة بمفرداتها اللغوية وحدها، فيطويه الزمن بلا رجعة. ويحلّ محله زمن المنفعة العملية الصارمة، حيث يصبح المعيار الأول للنجاح قدرة الخوارزمية على تولّي العمل الروتيني وإنجاز ما بدأته حتى النهاية.