METR تشرح كيف تقترب نماذج الذكاء الاصطناعي من تنفيذ مهام معقدة باستقلالية تصل إلى نحو 12 ساعة

في مقطع مصوّر من Bloomberg Tech مبني على حلقة بودكاست Odd Lots بتاريخ 25 أبريل 2026، شرح ممثلو منظمة METR البحثية لماذا لم يعد السؤال الأهم حول الذكاء الاصطناعي هو «هل يستطيع النموذج الرد على طلب ما؟»، بل «إلى متى يستطيع أن يواصل بمفرده تنفيذ مهمة معقدة متعددة الخطوات؟». وبحسب تقديرهم، يقترب Claude Opus 4.6 من مستوى يستطيع فيه الوكيل، باحتمال ملحوظ، إنجاز عمل كان سيستغرق من إنسان نحو 12 ساعة تقريبًا.

تعمل METR، أي Model Evaluation and Threat Research، على قياس مدى تقدم النماذج الرائدة في العمل المستقل. وناقش رئيس المنظمة كريس باينتر والباحث جويل بيكر مهام تختلف عن اختبارات المعرفة بالحقائق المعتادة: مهام يجب على النموذج فيها أن يخطط ويستخدم الأدوات ويكتب الشيفرة البرمجية ويتحقق منها ويصحح الأخطاء ويصل إلى النتيجة دون توجيه بشري متواصل. وهذا النمط تحديدًا هو الأهم لتقييم الفائدة العملية للأنظمة الوكيلية والمخاطر المرتبطة بها.

المقياس الرئيسي لدى METR هو time horizon (الأفق الزمني). وهو لا يعني الوقت الذي يقضيه الذكاء الاصطناعي في المهمة، بل صعوبة المهمة مقيسة بالوقت الذي كان سيستغرقه إنسان مؤهل في تنفيذها. وفي لوحة METR الرسمية، يُبنى هذا التقدير على أكثر من مئة مهمة في مجالات التطوير البرمجي والتعلم الآلي والأمن السيبراني. ولكل نموذج، يجري الباحثون عدة تشغيلات مستقلة، ويقارنون النتيجة بالتقديرات المرجعية البشرية، ثم يرسمون منحنى احتمال النجاح. ولا تستغرق العملية نفسها ساعات، بل أسبوعًا أو أسبوعين على الأقل من الوقت الفعلي، لأن على الفريق ضبط البنية الوسيطة اللازمة للتشغيل، وفحص حالات الفشل، واستبعاد محاولات الالتفاف على التقييم، وإعادة فحص التشغيلات المثيرة للجدل يدويًا.

إذا كان للنموذج أفق بنسبة نجاح 50% يبلغ عدة ساعات، فهذا يعني أنه ينجح في نحو نصف الحالات في مهام بهذا المستوى من الصعوبة. ولهذا تبدو عبارة «نحو 12 ساعة» لـ Claude Opus 4.6 أكثر جدية بكثير من مجرد رقم قياسي جديد في الاختبارات. فالأمر لا يتعلق بإجابة مصقولة في محادثة، بل بالقدرة على الاحتفاظ بالسياق وتقسيم العمل إلى مراحل وعدم الانهيار بعد أول إخفاق.

وفي تحديث Time Horizon 1.1 الصادر في يناير، كتبت METR أيضًا أن أفق قدرات النماذج الرائدة تضاعف تاريخيًا كل سبعة أشهر تقريبًا، وأن وتيرة التضاعف في قياسات النماذج التي صدرت بعد 2023 بدت أعلى. ومع ذلك، تحذر METR نفسها بوضوح من أنه لا يمكن ترجمة هذه الأرقام مباشرة إلى جاهزية لاستبدال الإنسان في أي عمل فكري. فمجموعة مهامها تتألف في معظمها من حالات هندسية وبحثية محددة المواصفات جيدًا، ويسهل التحقق من نتائجها. أما في العمل المعتاد فهناك سياق ضمني كثير، وتواصل بين الأشخاص، ومعايير نجاح غامضة.

ويخلص النقاش إلى استنتاج آخر. فعندما يقال إن نماذج الذكاء الاصطناعي بدأت تعمل معًا، فإن ذلك يعني في الممارسة، وبصورة متزايدة، حلقة تجمع النموذج والأدوات ودائرة تحكم، لا مجرد روبوت دردشة ثانٍ في نافذة مجاورة. فالأنظمة الوكيلية الحديثة قادرة بالفعل على استدعاء محررات الشيفرة وتشغيل الاختبارات والبحث عن المعلومات وتمرير النتائج الوسيطة إلى الخطوة التالية. وكلما طال أفق العمل المستقل لدى النموذج الأساسي، زادت فائدة هذه السلاسل، وازدادت صعوبة احتفاظ الإنسان بسيطرة كاملة على كل إجراء. لذلك تنظر METR إلى نمو الأفق لا بوصفه تقدمًا في المنتجات فحسب، بل أيضًا إشارة لتقييم المخاطر، بما في ذلك السيناريوهات التي تحصل فيها الأنظمة على قدر مفرط من الاستقلالية.

والمغزى العملي لهذا النقاش أن سوق الذكاء الاصطناعي يتحول تدريجيًا من مقارنة الإجابات إلى مقارنة الاستقلالية في العمل. فبالنسبة للشركات، هو سؤال عن العمليات التي يمكن إسنادها إلى الوكلاء الآن. وبالنسبة لمطوّري النماذج، هو سؤال عن سرعة نمو قدرة الأنظمة الفعلية على إنجاز المهام الطويلة حتى نهايتها. أما بالنسبة للمنظّمين وباحثي السلامة، فهو مؤشر مبكر على اللحظة التي يتوقف فيها الحديث عن الذكاء الاصطناعي المستقل عن كونه نظريًا ويصبح واقعًا تشغيليًا.