كاتب على موقع «هابر» يختبر: هل يستطيع ChatGPT استعادة المقالات من أوامر نصية قصيرة؟

قرر كاتب على «هابر» أن يختبر فكرة رائجة مفادها أن أي نص يمكن ضغطه إلى أمر نصي قصير (prompt) ثم استعادته عبر ChatGPT بخسائر شبه معدومة. وبدلًا من الاستشهاد بـ«باحثين من كامبريدج»، اختار مقالات حقيقية من المنصة وأجرى اختبارًا خاصًا به.

كيف صُمّم الاختبار

جاء الدافع من ردود الفعل على ترجمة سابقة لمقال The Prompt، الذي زعم أن بعض الباحثين في كامبريدج قادرون على اختزال أي نص إلى أمر نصي أدنى مع دقة استعادة تبلغ 98%. وسرعان ما لاحظ القرّاء أن القصة تبدو محاكاة ساخرة لأسلوب «العلماء البريطانيين»، فدفع ذلك الكاتب إلى اختبار المبدأ نفسه لا الأسطورة المحيطة به.

اختار للتجربة «هابر» لأنه منصة يتابعها جمهور تقني صارم، ونادرًا ما تعيش فيها الحجج الضعيفة والتمحّلات طويلًا. وكانت الخطة بسيطة: يأخذ مقالتين حديثتين حاصلتين على تقييم مرتفع، ويضغطهما إلى أمر نصي، ثم يطلب من ChatGPT كتابة نص جديد بنفس النوع الصحفي تقريبًا دون البحث في الإنترنت.

لم يكتفِ الكاتب بالنظر إلى النبرة العامة، بل راقب أمورًا أكثر واقعية: هل تبقى البنية، وهل تحافظ الأرقام الأساسية، وهل تظهر الحلقات المهمة بترتيبها، وهل يُحترم تسلسل الحجج. كما تتبّع على حدة المواضع التي يبدأ فيها النموذج بتأليف القصة من عنده، لأن هذه الإضافات يسهل أن تُؤخذ على أنها تفاصيل حقيقية.

حيث نجحت الطريقة

كان الاختبار الأول أشبه بعرض لقوة الاستعادة القائمة على القوالب. دار المقال حول فكرة أن الموظفين «الذين لا يمكن الاستغناء عنهم» ليسوا عيبًا في هندسة الفريق، بل مورد قيّم. ولهذا المقال كفى أمر نصي من 67 كلمة فقط، ولّد منه ChatGPT نصًا من 651 كلمة. ويرى الكاتب أن نسبة التطابق كانت عالية إلى حد أن النص المُعاد بناؤه بدا، إلى جانب الأصل، مقنعًا بصورة مخيفة.

• حُفظت الفكرة الرئيسية عن قيمة الموظفين «الذين لا غنى عنهم»
• عادت الانتقادات الموجهة إلى الطرق المعتادة لخفض bus factor
• أعاد النموذج التوصيات: دفع أجور أعلى بمقدار 1.5–2 مرة، والتوثيق عبر العمليات، وتعيين أشخاص مستقلين
• بقي السيناريوهان العمليان والرقم الدقيق للزيادة، أي 40%
• أضاف ChatGPT حتى تفصيلة معقولة المظهر، هي جدول زمني للفشل يمتد تسعة أشهر، ولم يكن موجودًا في المصدر

بلغت نسبة الضغط في هذه الحالة نحو 10:1. لكن النتيجة المبهرة حملت معها مشكلة: فالنموذج لا يكتفي باستعادة منطق مألوف، بل يملأ الفجوات بثقة بما «يشبه الحقيقة». وقد يكاد القارئ الذي لا يملك الأصل بين يديه لا يلاحظ الفرق بين المقال المُستعاد والمقال الحقيقي، خصوصًا إذا بُني النص على أنماط إدارية عامة معروفة للنموذج منذ زمن.

حدود الطريقة

أعطت المقالة الثانية نتيجة مختلفة تمامًا. لم تتناول المادة استنتاجات مجردة، بل تحليلًا لحجب Telegram وتقنية DPI، وكيف صحّح مجتمع المطورين يدويًا أخطاء محددة في تنفيذ FakeTLS. وللاقتراب من منطق الأصل اضطر الكاتب إلى كتابة أمر نصي من 357 كلمة، أي ما يقارب خمسة أضعاف الأول.

وأنتج ChatGPT في المقابل 914 كلمة، لكن جزءًا مهمًا من النص ضاع رغم ذلك. فقد غاب تحديدًا ما يميّز إعادة الصياغة عن العمل الهندسي الحقيقي: القيم المحددة لامتدادات TLS، والتباين بين حجم المفتاح المعلن والفعلي، ورقم طلب الدمج (pull request)، ومعرّف الـcommit، واسم المجتمع الذي قدّم الإصلاح، وغيرها من الآثار التي استُخرجت من حركة البيانات والشيفرة. وبعبارة أخرى، أعاد النموذج بناء الجدل العام، لكنه لم يستطع إعادة ما عُثر عليه يدويًا في نظام حي، ولم يكن موجودًا في بيانات التدريب.

«ChatGPT استعاد الحجة. لكنه لم يستعد العمل.»

هنا يرسم الكاتب الحد بين المحاكاة المريحة والمعرفة الحقيقية. فإذا كانت قيمة النص قائمة على البنية والأطروحات المألوفة والاستنتاجات النمطية، فإنه ينضغط جيدًا ويُعاد فرده بشكل لا بأس به. أما إذا تألفت المقالة من هندسة عكسية يدوية وقياسات واعتراض حزم وملاحظات جديدة، فإن «خسائر الـ2%» تتحول إلى كل ما كان القرّاء يقرأون هذه المادة من أجله أصلًا.

ما معنى ذلك

لا تثبت تجربة «هابر» أن نماذج LLM قادرة بالفعل على الاستغناء عن المؤلفين كليًا، لكنها ترسم بدقة معقولة أين يقع الحد العملي. فالمقالات الشارحة والمقالات الإدارية القائمة على أنماط عامة تعيد النماذج بناءها بسهولة أكبر بكثير من المواد التي تحوي حقائق فريدة وقياسات خاصة بكاتبها.

ويترتب على ذلك للمحررين والقرّاء اختبار بسيط: المهم ليس مدى إقناع المقال في نبرته فحسب، بل هل فيه شيء توصّل إليه المؤلف بنفسه وتحقق منه وأثبته. وهذا الجزء من المحتوى هو الأسوأ تحمّلًا حتى الآن لعملية الضغط إلى أمر نصي ثم إعادة التركيب.