تاريخ موجز للذكاء الاصطناعي: من المنطق الرمزي إلى النماذج الضخمة بمئات المليارات من المعاملات
على مدار 70 عامًا من تطور الذكاء الاصطناعي، مر بـثلاث موجات وشتاءين، من الاستدلال المنطقي للرمزية، إلى الشبكات العصبية للاتصالية، ثم التعلم المعزز للسلوكية، ليندمج في النهاية في عصر النماذج الضخمة الحالي. يساعدنا فهم تاريخ الذكاء الاصطناعي على رؤية المصدر الجوهري لـ"ذكاء" النماذج الضخمة اليوم.
أولًا: وضع الأسس النظرية وولادة الرمزية (الأربعينيات والخمسينيات)
قبل أن تصبح الحواسيب منتشرة حقًا، بدأ الرواد في التفكير "هل يمكن للآلات أن تفكر مثل البشر؟". ركزت الأبحاث في هذه الفترة بشكل أساسي على النمذجة الرياضية للأعصاب الدماغية، واستكشاف نظرية الحساب، وأتمتة الاستدلال المنطقي. أعلن مؤتمر دارتموث عام 1956 رسميًا عن ولادة "الذكاء الاصطناعي" (Artificial Intelligence) كتخصص علمي مستقل.
1.1 النظريات الأساسية والأحداث البارزة
- التصور الأولي للشبكات العصبية (1943): قدم عالم الفسيولوجيا العصبية وارن مكالوتش (Warren McCulloch) وعالم الرياضيات والتر بيتس (Walter Pitts) نموذج العصبون MP. وكانت هذه أول محاولة لاستخدام صيغ رياضية بسيطة لنمذجة آلية عمل الخلايا العصبية في الدماغ البشري، وأثبتوا أن "الشبكات العصبية قابلة للحساب"، ليصبح هذا أساس جميع الشبكات العميقة اليوم.
- السؤال الأسمى لتورنغ (1950): نشر آلان تورنغ (Alan Turing)، أبو علم الحاسوب، ورقة بحثية غيرت مجرى التاريخ بعنوان "آلات الحوسبة والذكاء"، وطرح فيها اختبار تورنغ الشهير. تجنب بهذا الاختبار الجدل الفلسفي حول "ما هو الذكاء"، وقدم معيارًا عمليًا: إذا تمكنت آلة من إجراء حوار لا يستطيع فيه الإنسان التمييز بينها وبين إنسان آخر، فهي تمتلك ذكاءً.
- التأسيس الرسمي للتخصص (1956): في ندوة دارتموث الصيفية، اجتمع باحثون شباب مثل جون مكارثي (John McCarthy) ومارفن مينسكي (Marvin Minsky). استخدم مكارثي مصطلح "Artificial Intelligence" لأول مرة في مقترحه، ولذلك يُعرف هذا العام بأنه العام الأول للذكاء الاصطناعي.
صعود الرمزية (Symbolism)
في أبحاث الذكاء الاصطناعي المبكرة، احتلت الرمزية موقع الصدارة المطلقة. نظرًا لاعتماد الحواسيب في ذلك الوقت بشكل أساسي على الدوائر المنطقية للتشغيل، اعتقد الباحثون بشكل طبيعي أن: جوهر الذكاء هو الاستدلال الرمزي. طالما أننا نحول المعرفة في العالم إلى رموز يمكن للحاسوب فهمها (مثل المفاهيم والقواعد)، ثم نستخدم محرك استدلال منطقي (مثل قواعد IF-THEN) لمعالجة هذه الرموز، ستستطيع الآلة التفكير مثل الإنسان. هذا مسار من الأعلى إلى الأسفل، يعتمد بشكل كبير على إدخال المعرفة من الخبراء البشريين.
ثانيًا: العصر الذهبي للرمزية والموجة الأولى للذكاء الاصطناعي (الستينيات والسبعينيات)
في السنوات الأولى بعد نشأته، شهد الذكاء الاصطناعي فترة ذهبية من التفاؤل المفرط. اعتقد الباحثون أنه طالما أن الآلة تستطيع إثبات النظريات الرياضية، فإن كتابة برامج قادرة على حل أي مشكلة بشرية أصبحت مسألة وقت فقط.
2.1 العصر المجيد للأنظمة الخبيرة
كان الإنجاز الأكبر للرمزية هو الأنظمة الخبيرة (Expert Systems). من خلال إدخال "قواعد الخبرة (Rule)" لأفضل الخبراء في مختلف المجالات إلى الحاسوب، أصبحت هذه الأنظمة قادرة على إجراء تشخيصات أو قرارات عالية المستوى في مجالات رأسية محددة.
| النظام الخبير | سنة الإنشاء | الأهمية التاريخية والقيمة العملية |
|---|---|---|
| Dendral | 1965 | أول نظام خبير، قادر على استنتاج التركيب الجزيئي الكيميائي من بيانات الطيف الكتلي، بأداء يضاهي خبراء الكيمياء البشر. |
| MYCIN | 1971 | استُخدم لتشخيص التهابات الدم والتوصية بالمضادات الحيوية، بدقة وصلت إلى 69%، متجاوزًا حتى العديد من الأطباء غير المتخصصين في ذلك الوقت. |
| XCON | 1980 | أنجح نظام خبير تجاري مبكر، استُخدم لمساعدة شركة المعدات الرقمية (DEC) في تكوين أنظمة الحاسوب تلقائيًا وفقًا لاحتياجات العملاء، مما وفر للشركة 40 مليون دولار سنويًا. |
لكن وراء روعة الأنظمة الخبيرة، كانت تختبئ فجوة لا يمكن تجاوزها.
2.2 الشتاء الأول للذكاء الاصطناعي (1974-1980)
مع مرور الوقت، اكتشف الناس أن طريق "ترجمة المعرفة البشرية إلى قواعد" يزداد ضيقًا. أدت ثلاثة قيود قاتلة للرمزية في النهاية إلى إلغاء تمويل الأبحاث بالكامل:
عنق زجاجة اكتساب المعرفة: بعض المعارف لا يستطيع البشر حتى تفسيرها بوضوح (مثل كيفية التعرف على قطة)، وهذا ما يُعرف بـ"مفارقة بولاني". كانت الأنظمة الخبيرة تستطيع فقط ترميز القواعد التي يمكن التعبير عنها بوضوح، دون قدرة على التعلم الآلي.
الانفجار التوافقي ومشكلة الهشاشة: الحالات الواقعية كثيرة جدًا، والاستقراء الشامل مستحيل تقريبًا؛ بالإضافة إلى نقص الحس السليم، فبمجرد الخروج قليلًا عن قاعدة المعرفة ينهار النظام مباشرة.
قصور القدرة الحاسوبية وانقطاع التمويل: لم تكن قدرة العتاد الحاسوبي في ذلك الوقت كافية لدعم الاستدلال المنطقي المتزايد، وتزامن ذلك مع خفض كبير في تمويل أبحاث DARPA.
ثالثًا: الأنظمة الخبيرة (برامج تترجم الخبرة البشرية إلى كود) والموجة الثانية للذكاء الاصطناعي (الثمانينيات)
في الثمانينيات، ومع انتشار الحواسيب الصغيرة وآلات LISP المتخصصة، عادت الأنظمة الخبيرة لتحظى باهتمام القطاع التجاري من جديد. حتى أن الحكومة اليابانية أطلقت "مشروع حاسوب الجيل الخامس" الطموح، في محاولة لبناء آلات ذكية تفهم اللغة الطبيعية، مما أثار موجة من الاستثمارات المذعورة عالميًا.
3.1 انفجار التطبيقات التجارية وانهيارها
في هذا العصر، كانت كل شركة متعددة الجنسيات تقريبًا تطور نظامها الخبير الخاص (برنامج يترجم خبرة الخبراء البشريين إلى آلاف من أسطر كود IF-THEN). لكن صيانة هذه الأنظمة أصبحت مرهقة للغاية. بعد أن تتجاوز قاعدة القواعد عشرات الآلاف، كان تعديل قاعدة جديدة واحدة يؤدي غالبًا إلى تعارض مع عشر قواعد قديمة أخرى. ومع انفجار أداء الحواسيب الشخصية (PC) في نهاية الثمانينيات، أصبحت آلات الذكاء الاصطناعي المتخصصة باهظة الثمن والمغلقة بلا قدرة تنافسية.
❄️ الشتاء الثاني للذكاء الاصطناعي (1987-1993)
في عام 1987، انهار سوق عتاد الذكاء الاصطناعي تمامًا. وانتهى "مشروع حاسوب الجيل الخامس" بالفشل بسبب ابتعاده المفرط عن بنية العتاد الفعلية. وخسرت الشركات استثماراتها في الأنظمة الخبيرة، وسقطت أبحاث الذكاء الاصطناعي في الحضيض مرة أخرى، حتى أن مصطلح "الذكاء الاصطناعي" أصبح كلمة مهينة في الأوساط الأكاديمية تُستخدم لوصف هدر التمويل.
3.2 الاتصالية تتربص في الظلام
خلال هاتين الموجتين من الصعود والهبوط، كان هناك في الواقع نهج مختلف تمامًا — الاتصالية (Connectionism)، وهو ما نسميه اليوم الشبكات العصبية.
ظهرت الاتصالية لأول مرة في عام 1958 على يد فرانك روزنبلات (Frank Rosenblatt) في شكل البيرسبترون (Perceptron). وهي تحاكي الدماغ في التعلم من خلال تعديل أوزان الروابط بين الخلايا العصبية. بدلًا من تعليم الآلة "قواعد" صريحة، نعرض عليها عددًا كبيرًا من "الأمثلة" لتستنبط بنفسها. لكن في عام 1969، أثبت مينسكي في كتابه "البيرسبترونات" رياضيًا قيود الشبكات أحادية الطبقة في ذلك الوقت (عدم قدرتها على حل مسألة XOR البسيطة). مما جعل الاتصالية تجلس على الهامش طوال العصر الذهبي للرمزية. حتى تقدمت عجلة التاريخ إلى التسعينيات.
رابعًا: صعود التعلم الآلي وعودة الاتصالية (التسعينيات والعقد الأول من القرن الحادي والعشرين)
مع دخول التسعينيات، ظهر تحول براغماتي مهم في مجال الذكاء الاصطناعي. توقف الجميع عن الحديث يوميًا عن كيفية تحقيق "الذكاء السحري الشبيه بالإنسان"، وركزوا بدلًا من ذلك على كيفية استخدام أساليب إحصائية بياناتية صارمة لحل مشكلات التصنيف والتنبؤ في الحياة الواقعية. وكان هذا هو صعود التعلم الآلي (Machine Learning) التقليدي.
4.1 من القواعد الجامدة إلى "البحث عن الحدود الرياضية"
في عام 1997، على الرغم من أن "ديب بلو (Deep Blue)" من IBM هزم بطل العالم في الشطرنج كاسباروف، محققًا مجدًا هائلًا للرمزية، إلا أن الأوساط الأكاديمية أدركت فورًا أن هذا لم يكن سوى انتصار "للقدرة الحاسوبية + الترميز الثابت الهائل"، وأن ديب بلو لم يفهم حقًا معنى لعب الشطرنج.
في الوقت نفسه، برزت خوارزميات التعلم الآلي الكلاسيكية مثل آلات المتجهات الداعمة (SVM) وأشجار القرار والغابات العشوائية، لتصبح التيار الرئيسي المطلق لأكثر من عقد من الزمن.
إذا كان النظام الخبير السابق يعلم الحاسوب: "إذا احتوى البريد الإلكتروني على كلمة 'جائزة'، فهو بريد عشوائي"، فإن منهج التعلم الآلي هو: يحدد البشر أولًا بعض الخصائص الأساسية (هندسة الميزات)، مثل "طول البريد الإلكتروني"، "تكرار المفردات الخاصة"، "مصداقية المرسل"، ثم يُدخلون عشرات الآلاف من رسائل البريد الإلكتروني المصنفة إلى الحاسوب. في هذا الفضاء متعدد الأبعاد، تكون آلة المتجهات الداعمة (SVM) أشبه برياضي يحمل مسطرة، يستخدم دوال النواة الرياضية الدقيقة ليرسم "خطًا فاصلًا رياضيًا هو الأوسع والأكثر أمانًا" بين رسائل البريد العادية ورسائل البريد العشوائي بدقة متناهية.
على الرغم من نجاح آلات المتجهات الداعمة الهائل في العديد من المهام، إلا أنها تعاني من نقطة ضعف قاتلة: هندسة الميزات (Feature Engineering) تعتمد بشكل كبير على البشر. فمثلًا، للتعرف على صورة قطة، يجب على العالم البشري أن يعلم الآلة "استخرج الحواف أولًا"، ثم "ابحث عن الأذنين المثلثتين"، فالآلة لا تستطيع اكتشاف شكل القطة بنفسها! وهذا ما جعل سقف قدرة النموذج مقيدًا بإدراك البشر.
4.2 الانتشار العكسي يعيد الشبكات العصبية إلى الضوء
تم وضع الأساس الحقيقي للتعلم العميق في هذه الفترة:
خلال فترة السبات هذه، أوضح جيفري هينتون (Geoffrey Hinton) وآخرون بشكل أكبر القيمة الأساسية لـالانتشار العكسي (Backpropagation): عندما تحصل الشبكة العصبية متعددة الطبقات على توقع خاطئ، يمكنها دفع هذا الخطأ إلى الوراء طبقة تلو الأخرى، مثل تموجات الماء، لتخبر كل خلية عصبية قديمة في الطبقات المخفية: "ما مقدار مسؤوليتك في هذا الخطأ، قم بتصحيحه فورًا في المرة القادمة!"
هذا ما كسر أخيرًا القيود التي كانت مفروضة على الشبكات العصبية منذ الستينيات، وجعل الشبكات ذات الطبقات المخفية ممكنة. ولكن بسبب ندرة البيانات وضعف العتاد في ذلك الوقت (حتى بطاقات الرسوميات الجيدة لم تكن موجودة)، لم تتمكن الشبكات العصبية بعد من هزيمة نماذج التعلم الآلي التقليدية مثل SVM بشكل كامل. حتى اجتمعت نقاط الاشتعال الثلاث.
خامسًا: ثورة التعلم العميق وهيمنة الاتصالية (عقد 2010)
في عقد 2010، مع نضج البيانات الضخمة (مثل مشروع ImageNet)، وانفجار القدرة الحاسوبية (تطبيق GPU على نطاق واسع في الحوسبة المتوازية)، والتحسينات الخوارزمية (حل مشكلة تلاشي التدرج)، انطلقت موجة "التعلم العميق" المدوية لتفتتح الموجة الثالثة للذكاء الاصطناعي.
ما الفرق الجوهري بين التعلم العميق والتعلم الآلي التقليدي؟ العلامة الفارقة هي: الاستخراج التلقائي للميزات (تعلم التمثيلات). طالما أن عدد طبقات الشبكة عميق بما يكفي (عشرات إلى مئات الطبقات)، يمكن للشبكة العصبية أن تبتلع البكسلات الخام مباشرة، فتتعلم طبقاتها السفلية التعرف على الخطوط بنفسها، وتتعلم الطبقات الوسطى التعرف على أنسجة الشعر والفراء، وتتعرف الطبقات العليا مباشرة على أن هذه "قطة". في هذه الثورة، تخلى البشر المتغطرسون أخيرًا عن السيطرة، وتركوا الشبكة تبحث بنفسها عن أهم الميزات البصرية والصوتية والنصية.
5.1 اختراقات شاملة في الصور والمسابقات
في عام 2012، شاركت AlexNet (شبكة عصبية التفافية كلاسيكية CNN) التي طورها فريق هينتون في مسابقة تصنيف الصور الشهيرة ImageNet. بينما كان الآخرون لا يزالون يكافحون باستخدام الأساليب التقليدية لاستخراج الميزات البصرية يدويًا، قامت AlexNet بهجوم ساحق مباشر، خافضة معدل الخطأ من 26% إلى 15.3% دفعة واحدة، مما هز أوساط الرؤية الحاسوبية التقليدية بأكملها. وبسبب هذه الهيمنة المطلقة، لم تُقبل أي ورقة بحثية لا تستخدم التعلم العميق في المؤتمرات المرموقة خلال السنوات التالية!
في السنوات اللاحقة، تقدمت تقنيات الذكاء الاصطناعي بسرعة مذهلة:
| سنة الاختراق | الإنجاز البارز | التأثير العميق |
|---|---|---|
| 2014 | ظهور GAN (شبكات الخصومة التوليدية) | شبكتان "تتصارعان" (واحدة للتزوير، وأخرى لكشف التزوير)، مما مكّن الذكاء الاصطناعي من توليد صور مذهلة وواقعية. |
| 2015 | ظهور ResNet (الشبكات المتبقية) | إدخال هيكل "الاختصارات" المبتكر، مما حل مشكلة عدم قدرة الشبكات العميقة على التدريب بعد زيادتها في العمق، فأصبح بالإمكان تكديس مئات وآلاف الطبقات. |
| 2016 | AlphaGo يهزم لي سيدول | ذروة دمج التعلم العميق مع التعلم المعزز، محطمًا التأكيد بأن "الآلة لن تهزم البشر أبدًا في لعبة غو"، ومثيرًا ضجة عالمية. |
السلوكية (Behaviorism) والتعلم المعزز
مثل AlphaGo انتصارًا لمدرسة أخرى — السلوكية. وهي ترى أن الذكاء ينبع من التفاعل الديناميكي بين الكيان والبيئة، تمامًا مثل تدريب جرو على الجلوس: يحصل على مكافأة عندما يفعل الصواب، وعقاب عندما يخطئ. من خلال التجربة والخطأ المستمرين في بيئة افتراضية ضخمة، استنبط AlphaGo استراتيجيات لم يكتشفها حتى أفضل لاعبي غو البشر.
5.2 Transformer: المهد الذي أنجب النماذج الضخمة
في عام 2017، بدأت عجلة القدر بالدوران. طرحت Google بنية جديدة للتعلم العميق في ورقتها البحثية "Attention Is All You Need" — Transformer.
في السابق، عند معالجة جملة (كما في نموذج RNN مثلًا)، كان الذكاء الاصطناعي يقرأ الكلمات من اليسار إلى اليمين واحدة تلو الأخرى، وبعد قراءة الكلمات اللاحقة قد ينسى السابقة. أما آلية الانتباه الذاتي (Self-Attention) في Transformer فقد كسرت هذا القيد تمامًا: إنها تمكن الذكاء الاصطناعي من "رؤية الجملة كاملة بنظرة واحدة"، وعند رؤية كلمة "تفاحة" مثلًا، تحدد تلقائيًا من السياق ما إذا كانت تشير إلى الفاكهة أم إلى شركة هواتف ستيف جوبز.
إنها مناسبة طبيعيًا للحوسبة المتوازية، وتستطيع استيعاب كميات لا نهائية من البيانات، ويمكن تكديسها إلى أحجام هائلة بلا حدود. في هذه اللحظة، اكتمل أساس النماذج اللغوية الضخمة (LLM).
سادسًا: عصر النماذج الضخمة وفجر الذكاء العام (2018 حتى الآن)
عندما التقى Transformer بالقدرة الحاسوبية الهائلة والبيانات الضخمة، تغير النموذج التاريخي لتطوير الذكاء الاصطناعي إلى الأبد. اكتشف العلماء ظاهرة مذهلة: البنية القائمة على الانتباه الذاتي تبدو وكأنها "لا تُشبع أبدًا". في السابق، كانت نماذج التعلم العميق تصل إلى سقف في الذكاء، لكن Transformer يتكيف تمامًا مع الحوسبة المتوازية الضخمة لوحدات GPU، وكلما زادت البيانات المقدمة إليه وعمقت طبقات الشبكة، تحسن أداؤه بلا حدود.
6.1 ترسيخ نموذج "التدريب المسبق + الضبط الدقيق": من المتخصص إلى الشامل
في الأصل، كنا نتعامل مع الذكاء الاصطناعي على أساس "مهمة واحدة بنموذج صغير واحد": نموذج خاص للترجمة، وآخر للدردشة، تمامًا مثل تدريب "متخصصين" يتقن كل منهم حرفة واحدة. لكن بحلول عام 2018، مع إصدار GPT-1 من OpenAI وBERT من Google، تغير الوضع إلى نموذج جديد هو "القوة الهائلة تصنع المعجزات".
أولًا التدريب المسبق (Pre-training)، وهو ما يشكل 99% من الذكاء الجوهري للنماذج اللغوية الضخمة. قام العلماء بإلقاء تريليونات الكلمات التي خلفها البشر على الإنترنت — المقالات والكتب الكلاسيكية والأكواد البرمجية وحتى المعرفة الموسوعية — في شبكات Transformer العملاقة. بينما كانت مهمة التدريب الموكلة إليها مجرد "إكمال النص" البسيطة (توقع الكلمة التالية).
لكي تتمكن من توقع "الكلمة التالية" بدقة متناهية في اللغة البشرية، اضطر النموذج في معاملاته العصبية التي تعد بمئات المليارات إلى استيعاب وتكثيف قوانين عمل العالم بأكمله داخليًا! فهو لم يكتفِ بإتقان قواعد الفاعل والفعل والمفعول، ومعرفة أن "التفاحة" هي فاكهة حمراء، بل أصبح قادرًا على استيعاب المنطق وراء "اكتشاف نيوتن للجاذبية بسبب سقوط تفاحة". هذا يشبه طفلًا لم يحفظ كتاب قواعد عن قصد، لكنه امتلك تلقائيًا القدرة على فهم العالم المعقد بفضل قراءة ملايين الكتب على نطاق واسع.
من GPT-2 (1.5 مليار معامل) إلى GPT-3 (175 مليار معامل)، اكتشف العلماء بذهول القدرات الناشئة (Emergent Abilities) — عندما يصبح النموذج ضخمًا بما يكفي، يتحول التراكم الكمي إلى نقلة نوعية مخيفة. حتى بدون أي تدريب مقصود، "استنبط" النموذج ذو المعاملات الهائلة قدرات الاستدلال المنطقي وكتابة الأكواد والتعلم من السياق بنفسه. وهذا لا يحتاج إلى أن يعلمه البشر عبر الكود بشكل خاص.
6.2 انفجار الذكاء الاصطناعي التوليدي ولحظة ChatGPT النووية
بعد امتلاك نموذج تدريب مسبق ضخم، واسع الاطلاع، ومخزن للمعرفة العالمية، بقيت خطوة أخيرة لبناء مساعد ذكاء اصطناعي شخصي مثالي: الضبط الدقيق (Fine-tuning). لأن النموذج المُدرّب مسبقًا معتاد فقط على إكمال النص بشكل أعمى، ولا يفهم "تعليمات" المستخدم، ولا يعرف كيفية التفاعل بطريقة السؤال والجواب المنظمة.
في نوفمبر 2022، قدمت OpenAI بذكاء تقنية RLHF (التعلم المعزز من التغذية الراجعة البشرية). حيث وظفوا عددًا كبيرًا من الخبراء لتقييم إجابات النموذج وتصحيحها. هذا أشبه بوضع حدود تواصل وإرشادات آداب واضحة لعبقري فائق الذكاء لكنه غير مهذب، لتشكيله بالقوة في هيئة مساعد حواري مهذب ومنظم ومتفهم. وهكذا وُلد ChatGPT.
بين ليلة وضحاها، لم يعد الذكاء الاصطناعي لعبة مختبرية مملة، بل أصبح دماغًا ذكيًا شاملًا في يد كل شخص عادي.
ثم انطلق عصر النماذج متعددة الوسائط الواسع:
- 2023: دمج الحواس المتعددة. أعادت نماذج توليد الصور مثل Midjourney وStable Diffusion تشكيل صناعة الفن الرقمي. وفي نفس العام، دمج GPT-4 قدرات فهم الصور البصرية عالية الصعوبة مع أنظمة الاستدلال المنطقي طويل المدى.
- 2024 وما بعدها: محاكاة العالم الفيزيائي. مع إصدار نماذج توليد الفيديو الواقعية مثل Sora، والتطبيق الكامل لنماذج الصوت الضخمة الفورية من طرف إلى طرف بمشاعر ونغمات صوتية، تحول الذكاء الاصطناعي بسرعة من مجرد معالجة النصوص إلى الإدراك الشامل لعالم كامل يحتوي على الفضاء ثلاثي الأبعاد وتدفق الضوء والظل وحتى المشاعر الصوتية الدقيقة.
سابعًا: اندماج المدارس الثلاث للذكاء الاصطناعي وآفاق المستقبل
بالنظر إلى هذه السبعين عامًا، من جعل الآلات تستدل على النظريات الرياضية (الرمزية)، إلى البحث عن الحدود الإحصائية (التعلم الآلي التقليدي)، إلى الفوز في لعبة غو عبر التجربة والخطأ (السلوكية/التعلم المعزز)، ثم إلى النماذج الضخمة التي تبتلع البيانات الهائلة لينبثق منها الحس السليم (الشكل الأقصى للاتصالية)، لم يتوقف تطور الذكاء الاصطناعي أبدًا.
قد تبدو النماذج الضخمة اليوم وكأنها تخلت عن كتابة "القواعد" الجامدة يدويًا (الهدف الأصلي للرمزية)، لكنها في الواقع، داخل معاملاتها الضخمة الضمنية عبر آلاف الطبقات، تعلمت وخزنت "قواعد خفية" أعمق بكثير من المنطق البشري. إن قدرة سلسلة التفكير (Chain of Thought) على الاستدلال طويل المدى في النماذج الضخمة المُدرّبة مسبقًا اليوم، أليست هي ولادة جديدة داخل الشبكات العصبية للأفكار الكلاسيكية التي سعت إليها المدرسة الرمزية في التحقق المنطقي ودقة الخطوات؟
بالنظر إلى الأسفل من قمة عصر النماذج الضخمة، يتقدم الذكاء العام الاصطناعي (AGI) المستقبلي على طول الطرق الاستكشافية الواسعة والعميقة التالية:
- نحو مركز عصبي موحد أصلي (نماذج أصلية متعددة الوسائط): لن تكون النماذج المستقبلية "فرانكنشتاين" مركبًا من "نموذج نصوص + نموذج صوت". بل ستبتلع البنى مثل GPT-4o النصوص والصور وتدفقات الفيديو والأصوات ثلاثية الأبعاد فائقة الانخفاض في زمن الانتقال وغنية بالمشاعر، وتدركها وتفهمها عبر شبكة فائقة واحدة.
- الذكاء المتجسد (Embodied AI): عندما يُحبس "الدماغ" فائق الذكاء في غرفة خوادم سيليكونية فقط، لا يمكنه التحقق من الحقائق من العالم الفيزيائي. من خلال الدمج مع الروبوتات البشرية مثل Boston Dynamics، قد ينمو للذكاء الاصطناعي الفائق أيدٍ ويتعلم من خلال التدريب العملي نفس القوانين الفيزيائية الموضوعية التي نتعلمها.
- أنظمة الوكلاء الأذكياء (Agentic AI): لا تزال معظم النماذج اللغوية الضخمة حاليًا في مرحلة "الآلة الحاسبة السلبية التي ترد على الأسئلة". أما في عصر وكيل الذكاء الاصطناعي (AI Agent)، فسيتم منح النماذج الضخمة أخيرًا سلطة التصرف المستقل. بمجرد إعطائك تعليمة عامة واحدة باللغة الطبيعية (مثل "ابحث وخطط لجميع تذاكر الطيران والفنادق لرحلتي إلى النرويج لمشاهدة الشفق القطبي الأسبوع المقبل، وأنشئ حدثًا في التقويم")، سيعتمد وكيل الذكاء الاصطناعي على ذاكرة طويلة المدى، ويقسم المهمة ذاتيًا إلى عشرات المهام الفرعية، ويفتح متصفحًا افتراضيًا لاستدعاء واجهات برمجة تطبيقات شركات الطيران الحقيقية، وينفذ عمليات التحقق والمقارنة والتأكيد المعقدة. لن تكون هذه النماذج بعد الآن جدران صدى تنتظر الطرق عليها، بل مجموعات من العمالة الرقمية التي لا تتعب.
في هذه الرحلة التقنية الطويلة ذات التطور الحلزوني، التاريخ دائمًا متشابه بشكل مذهل لكنه لا يتكرر أبدًا. إننا نشهد حاليًا أكثر المقاطع التاريخية إثارة في الانتقال من "إدخال القواعد الصارمة في الخوارزميات" إلى "تحديد الآلة لقوانين العالم تلقائيًا".