أوضح MIT كيف يعزز الذكاء الاصطناعي والعلوم الرياضية والفيزيائية بعضهما بعضًا

شرح معهد ماساتشوستس للتكنولوجيا (MIT) كيف يمكن للذكاء الاصطناعي والعلوم الأساسية أن تعزز بعضها البعض بدلاً من أن تتطور بشكل منفصل. وفقاً للأستاذ جيسي ثالر، فإن المرحلة التالية من الذكاء الاصطناعي تعتمد ليس فقط على تطبيق النماذج في العلم، بل أيضاً على كيفية مساعدة العلم نفسه على فهم هذه الأنظمة وتحسينها والتحكم فيها.

منطق الجسر ثنائي الاتجاه

كان الحافز للحوار هو ورشة العمل AI+MPS التي نظمها معهد ماساتشوستس للتكنولوجيا في عام 2025 بالتعاون مع باحثين من مجالات الفيزياء والرياضيات والكيمياء وعلوم المواد والفلك. من هذه النقاشات نشأت ورقة بحثية تضم توصيات للجامعات والباحثين والوكالات الممولة، نُشرت لاحقاً في مجلة Machine Learning: Science and Technology.

الخلاصة الرئيسية: الذكاء الاصطناعي مدين بالفعل بالكثير للعلوم الرياضية والفيزيائية، لأنها وفرت المشاكل المعقدة والبيانات عالية الجودة والأفكار التي بُنيت عليها أساليب التعلم الآلي الحديثة.

يقترح ثالر النظر إلى العلاقة بشكل أوسع. لا يتعلق الأمر فحسب بمساعدة الشبكات العصبية في البحث عن مواد جديدة أو تحليل بيانات المصادمات أو حل المسائل الرياضية. يمكن للأساليب العلمية أيضاً أن تحسّن الذكاء الاصطناعي ذاته: شرح سلوك النماذج واقتراح معماريات جديدة وجعل الأنظمة أكثر قابلية للإدارة.

يعتقد معهد ماساتشوستس للتكنولوجيا أنه في نقطة التقاء هذين العالمين، يتشكل حالياً مجال منفصل سيؤثر على كل من وتيرة الاكتشافات العلمية وجودة الأنظمة الذكية المستقبلية.

"يجب أن يكون هذا حركة في كلا الاتجاهين."

ما الذي تقدمه العلوم للذكاء الاصطناعي

يسمي معهد ماساتشوستس للتكنولوجيا هذا بـ "science of AI" — منظور علمي للأنظمة الذكية نفسها. في مقالته، يقسمها ثالر إلى ثلاثة اتجاهات: العلم كأساس للذكاء الاصطناعي، والعلم كمصدر للخوارزميات الجديدة، والعلم كأداة لشرح كيفية عمل النماذج.

بالنسبة للتخصصات الأساسية، هذا ليس نظرية مجردة بل مسار عملي يمكن أن يسرّع الاكتشافات بآن واحد ويحسّن موثوقية الذكاء الاصطناعي، خاصة حيث يُتوقع من النماذج ليس فقط أن تكون دقيقة بل قابلة للتفسير أيضاً.

من نقاشات خمس مجتمعات علمية، برز الإجماع بسرعة: لا يمكن بناء الجسر بين الذكاء الاصطناعي والعلم من خلال مختبرات منفصلة أو تجارب معزولة. هناك حاجة إلى شروط مشتركة تعمل عبر التخصصات المختلفة وتدعم بشكل مستدام على المستوى المؤسسي.

لخّص المشاركون في ورشة العمل هذه المجموعة الأساسية إلى عدة أولويات عملية مهمة للجامعات والوكالات الممولة وفرق البحث:

• الاستثمار في البنية التحتية الحسابية والبنية التحتية للبيانات؛
• أساليب البحث متعددة التخصصات؛
• تدريب أكثر صرامة للمتخصصين على تقاطع المجالات؛
• الدعم طويل الأجل للمشاريع حيث يتطور الذكاء الاصطناعي والعلم معاً.

مثال منفصل هو فيزياء الطاقة العالية. هناك، يقوم الباحثون ببناء خوارزميات في الوقت الفعلي للتعامل مع تدفق البيانات من المصادمات. هذه الحلول ضرورية لاكتشاف فيزياء جديدة، لكن يمكن أن تمتد بعد ذلك بعيداً عن تخصص واحد وتؤثر على مكدس الذكاء الاصطناعي الأوسع. المنطق هنا بسيط: كلما كانت المشكلة العلمية أكثر صرامة، كان احتمال أن تثبت الأساليب المُنشأة لها فائدتها في مجالات أخرى أعلى، من معالجة الإشارات إلى التدريب الأكثر كفاءة للنماذج.

الكوادر والاستراتيجية في معهد ماساتشوستس للتكنولوجيا

الأطروحة الثانية الشاملة هي أن النماذج والحوسبة وحدها ليست كافية. للتقدم الحقيقي، نحتاج إلى أشخاص يشعرون بثقة متساوية في الحوسبة وفي تخصصهم العلمي. يسميهم ثالر "العلماء-الكنتاور."

لا يتعلق الأمر بأفراد عالميين نادرين بل عن تدريب منهجي: من الدورات المتكاملة للطلاب إلى برامج الدكتوراه متعددة التخصصات والتوظيف المشترك للأساتذة والمناصب البحثية بعد الدكتوراه الخاصة حيث يمكن للباحثين الشباب العمل بين المجالات دون عقوبة وظيفية لهذا التهجين.

يعتقد معهد ماساتشوستس للتكنولوجيا أن لديه بعض هذه البنية التحتية. يذكر ثالر IAIFI ومعهد A3D3 والبرامج الجامعية التي تعلم الطلاب أن يكونوا "ثنائيي اللغة" في الحوسبة وفي تخصصهم الأساسي كأمثلة.

يكون التركيز الخاص على النهج النظامي: ستستفيد الجامعات التي تنسق التوظيف والتعليم والموارد الحسابية وتمويل الأبحاث كاستراتيجية موحدة. كعلامة على هذا النهج، أطلق معهد ماساتشوستس للتكنولوجيا بالفعل أول بحث مشترك عن الأساتذة بين كلية شوارتزمان للحوسبة وقسم الفيزياء.

ما الذي يعنيه هذا

من موقف معهد ماساتشوستس للتكنولوجيا، يتضح أن الموجة التالية من الذكاء الاصطناعي تتعلق بشكل متزايد ليس فقط بالمنتجات وتوسع النماذج بل بالعلم الأساسي. بالنسبة للسوق والجامعات، هذا إشارة: ستنتمي الميزة التنافسية بشكل متزايد إلى أولئك الذين يعرفون كيفية دمج الخوارزميات والخبرة العلمية والبيانات والبنية التحتية وتدريب الفرق متعددة التخصصات.