Google DeepMind تقترح إطارًا معرفيًا لقياس التقدم نحو الذكاء الاصطناعي العام (AGI)

قدّمت Google DeepMind إطارًا علميًا يُفترض أن يساعد في قياس التقدم نحو AGI ليس عبر اختبارات معيارية منفصلة، بل عبر مجموعة من القدرات المعرفية. وبالتزامن مع ذلك، أطلقت الشركة هاكاثون على Kaggle ليبني الباحثون اختبارات عملية لنظام التقييم هذا.

لماذا نحتاج إلى هذا الإطار

تنطلق Google DeepMind من مشكلة بسيطة: تتحدث عن AGI تقريبًا كل المختبرات الكبرى، لكن لا توجد حتى الآن طريقة متفق عليها لقياس مدى اقتراب الأنظمة منه. فالاختبارات المنفصلة في الرياضيات أو البرمجة أو توليد النصوص لا تُظهر سوى أجزاء من الصورة. وإذا كان الهدف فهم المستوى العام لذكاء النموذج، فينبغي أن يكون القياس أوسع من مجموعة مهام واحدة أو سيناريو عرض تجريبي ناجح واحد.

في الورقة الجديدة بعنوان Measuring Progress Toward AGI: A Cognitive Taxonomy، يقترح الفريق الاستناد إلى العلوم المعرفية وعلم النفس وعلوم الأعصاب. والمنطق هنا أنه إذا فُهم AGI بوصفه ذكاءً عامًا بما يكفي، فيجب تقييمه عبر الوظائف المعرفية الأساسية، لا عبر المهارات التطبيقية وحدها. وهذا ليس مقياسًا جاهزًا من نوع «AGI أو ليس AGI»، بل هيكل علمي يمكن أن تُعلَّق عليه اختبارات محددة.

«العلوم المعرفية جزء مهم من اللغز»، يكتب المؤلفون.

مما يتكوّن هذا النهج

في قلب الإطار عشر قدرات ترى DeepMind، وفق فرضيتها، أنها مهمة للذكاء العام لأنظمة AI. وتشمل القائمة: الإدراك الحسي، والتوليد، والانتباه، والتعلّم، والذاكرة، والاستدلال، والمعرفة الفوقية، والوظائف التنفيذية، وحل المشكلات، والإدراك الاجتماعي.

تكمن أهمية هذه المجموعة في أنها لا تغطي نقاط القوة المألوفة للنماذج الحديثة، مثل توليد النصوص أو سلاسل الاستدلال المنطقي، فحسب، بل تشمل أمورًا أعقد، مثل القدرة على تتبّع أخطائها، والتبديل المرن بين الأهداف، والتعامل الصحيح مع السياق الاجتماعي.

ولتحويل هذا التصنيف إلى أداة قابلة للقياس، تقترح DeepMind بروتوكولًا من ثلاث خطوات. أولًا، تُمرَّر أنظمة AI عبر مجموعة واسعة من المهام المعرفية لكل قدرة، وذلك على مجموعات اختبار محجوبة (غير منشورة) لتقليل خطر تلوّث البيانات. ثانيًا، يُجمع لهذه المهام نفسها مستوى مرجعي بشري على عيّنة من البالغين ممثِّلة ديموغرافيًا. ثالثًا، تُقارن نتائج النماذج لا بـ«درجة نجاح» مجرّدة، بل بتوزيع النتائج البشرية لكل قدرة.

والفكرة هنا أن المقارنة بالإنسان ينبغي ألا تكون شعارًا عامًا، بل عملًا تجريبيًا دقيقًا. فقد يكون النموذج قويًا جدًا في الاستدلال والذاكرة، لكنه يتأخر بوضوح في التعلّم من تعليمات جديدة أو في التفسير الاجتماعي. وفي هذه الحالة يصبح الحديث عن التقدم نحو AGI أكثر تحديدًا: فلا يظهر فقط أين يبهر النظام، بل أيضًا أين تحديدًا تبقى لديه فجوات بنيوية.

هاكاثون على Kaggle

لا تكتفي DeepMind بنشر ورقة علمية. فبالتعاون مع Kaggle، أطلقت الشركة هاكاثون Measuring progress toward AGI: Cognitive abilities كي يساعد المجتمع البحثي في بناء التقييمات الناقصة عمليًا. ويُطلب من المشاركين استخدام منصة Kaggle الجديدة Community Benchmarks واختبار أفكارهم على مجموعة من النماذج المتقدمة.

وركّز المنظمون على المجالات التي تبدو فيها فجوة التقييم أوضح اليوم:

• التعلّم
• المعرفة الفوقية
• الانتباه
• الوظائف التنفيذية
• الإدراك الاجتماعي

يبلغ إجمالي الجوائز 200 000 دولار. ووفق شروط DeepMind، سيحصل أفضل عملين في كل مسار من المسارات الخمسة على 10 000 دولار لكل منهما، بينما تنال أقوى أربع مشاركات أخرى، بغض النظر عن المسار، 25 000 دولار لكل منها. وباب تقديم الأعمال مفتوح من 17 مارس 2026 حتى 16 أبريل 2026، وتعد الشركة بإعلان النتائج في 1 يونيو 2026.

وهذه تفصيلة مهمة: فDeepMind لا تنشر الإطار نظريةً فحسب، بل تحاول سريعًا بناء منظومة من الاختبارات والتجارب الخارجية حوله.

ماذا يعني ذلك

تقترح Google DeepMind النظر إلى التقدم في AI لا بوصفه سباقًا بين أرقام قياسية منفصلة، بل مقارنة منهجية بين الملامح المعرفية للنماذج والمستوى البشري. وإذا ترسّخ هذا النهج، فسيحصل القطاع على لغة أوضح للحديث عن «الاقتراب من AGI»، تقوم على تفكيك القدرات وتحديد الفجوات بوضوح واختبارات قابلة للتكرار، لا على تصريحات صاخبة عن الاختراق التالي فقط.