كيف دفع Gemini مدوّنة الذكاء الاصطناعي إلى mode collapse وأجبرها على إعادة بناء مولّد المواضيع

تبيّن أن الموجّه الإبداعي المفتوح محرّر سيئ: فبدلًا من التنوّع، دفع زاوية الجمعة في مدوّنة الذكاء الاصطناعي، دون أن يلاحظ أحد، إلى mode collapse. فعلى مدى أربعة أسابيع متتالية، ظلّ نموذج LLM يقترح في جوهره «السؤال الجدلي عن الذكاء الاصطناعي» نفسه، مع تعديلات طفيفة في الصياغة، ولم يتّضح ذلك إلا حين اصطفّت النصوص المتطابقة في المعنى في سلسلة واحدة. ولم تظهر المشكلة سريعًا لسبب بسيط: كل منشور بمفرده بدا مقبولًا.

ففي الأسبوع الأول بدا الموضوع مناسبًا، وفي الثاني بدا مشابهًا لا أكثر، وفي الثالث أمكن تفسير التكرار بالمصادفة، أما في الرابع فقد اتّضح أن النموذج لا يبحث عن زوايا جديدة، بل يدور حول النمط نفسه. وهذا النوع من الأعطال مزعج للغاية لهيئة التحرير، لأن الجودة تبقى سليمة على المستوى الجزئي، بينما يبدأ المحتوى على المستوى المنظومي بتكرار نفسه.

بدأ الفريق بالبحث عن الحل في الموجّه نفسه. وكان المنطق واضحًا: إذا علق النموذج عند أطروحة واحدة، فلا بدّ من تشديد متطلبات التنوّع، وإضافة قيود، وطلب زوايا جديدة، أو منع التكرار صراحةً. لكن هذه الإجراءات لم تُجدِ إلا شكليًا. فقد تغيّرت الصياغات وتغيّرت النبرة، أما جوهر الفكرة فبقي كما هو. وهذه ملاحظة مهمة لكل من يستخدم نماذج LLM في خطوط إنتاج المحتوى: فالطلب المفتوح «اقترح موضوعًا مثيرًا للاهتمام» لا يضمن تنوّعًا حقيقيًا، حتى لو بدت الإجابات للوهلة الأولى جديدة.

وأثناء تفكيك المشكلة، اتّضح أن جزءًا منها لا يكمن في هندسة الموجّهات وحدها، بل في إعدادات Gemini نفسها. وهذه الطبقة هي التي غابت عن الأنظار في البداية، مع أنها تؤثر مباشرة في توزيع الإجابات وفي ميل النموذج إلى تكرار القوالب الآمنة. ونادرًا ما يكمن الخطأ في مثل هذه الأنظمة في موضع واحد: فالموجّه ومعاملات التوليد والمنطق العام لخط المعالجة تعزّز بعضها بعضًا. ولهذا فإن محاولة «إتمام العلاج» بصيغة سحرية واحدة تكتفي عادةً بإخفاء العَرَض دون إزالة السبب.

كشف الموقف أيضًا مشكلة عملية أخرى في أتمتة غرف التحرير: فالمراجعة اليدوية المعتادة لا ترصد مثل هذه الأعطال إذا نُظر إلى المواد واحدةً تلو الأخرى. المطلوب رقابة على مستوى السلسلة: مقارنة مواضيع الشهر، وفحص التقارب الدلالي، وسجل بالزوايا المنشورة سابقًا، ومقياس تنوّع بسيط على الأقل. وإلا فسيواصل النموذج إنتاج نصوص «عادية» تُضعف الزاوية في مجموعها، وتخلق انطباعًا بأن المدوّنة تجادل نفسها مرارًا في سؤال واحد.

وبعد أربع جولات من التجارب، خلص الفريق إلى استنتاج أكثر واقعية: الأفضل ألا تُترك مهمة توليد المواضيع بالكامل لتقدير النموذج. فبدلًا من الطلب المفتوح «اقترح سؤالًا»، حوّل الفريق المولّد إلى تدوير حتمي لمجموعة مواضيع جُمعت مسبقًا وحُرّرت. وهذا النهج أقل بريقًا من ناحية «الإبداع»، لكنه يحقق ما تحتاجه هيئة التحرير فعلًا: تغطية متوقعة لموضوعات متنوعة، وغياب الدوران في حلقة مفرغة، وسيطرة على التوازن الموضوعي. ولم يتطلب الإصلاح لا fine-tuning ولا RAG ولا الانتقال إلى نموذج آخر.

والخلاصة الرئيسية بسيطة: إذا كان نموذج LLM مدمجًا في عملية تحريرية دورية، فينبغي تقييمه لا بإجابة واحدة ناجحة، بل بسلسلة من الإصدارات. فـ mode collapse في المهام التطبيقية لا يبدو في الغالب عطلًا مفاجئًا، بل تضيّقًا بطيئًا في نطاق الأفكار لا يلاحظه المرء إلا على المدى البعيد. ولذلك، ففي الزوايا الثابتة ومولّدات المواضيع وغيرها من السيناريوهات المتكررة، لا تنجح أقصى حرية للنموذج بقدر ما ينجح الجمع بين قائمة منتقاة بعناية وتدوير صارم وفحص دوري للتكرار الدلالي، ومن الأفضل اتخاذ هذه القرارات مسبقًا، قبل أن يتحول التكرار إلى عادة تحريرية راسخة.