جهاز استشعار حراري لحماية عمال البناء في فصل الصيفhttps://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5018451-%D8%AC%D9%87%D8%A7%D8%B2-%D8%A7%D8%B3%D8%AA%D8%B4%D8%B9%D8%A7%D8%B1-%D8%AD%D8%B1%D8%A7%D8%B1%D9%8A-%D9%84%D8%AD%D9%85%D8%A7%D9%8A%D8%A9-%D8%B9%D9%85%D8%A7%D9%84-%D8%A7%D9%84%D8%A8%D9%86%D8%A7%D8%A1-%D9%81%D9%8A-%D9%81%D8%B5%D9%84-%D8%A7%D9%84%D8%B5%D9%8A%D9%81
جهاز استشعار حراري لحماية عمال البناء في فصل الصيف
في عام 2022، تُوفي ما يقرب من 300 شخص بسبب أمراض مرتبطة بالحرارة في تكساس، وهو أكبر عدد منذ عقدين. ومع ذلك، وفي العام التالي، وقّع حاكم الولاية غريغ أبوت قانوناً يمنع الحكومات المحلية من فرض فترات راحة إلزامية أو فترات راحة للعمال العاملين في الهواء الطلق.
تدريبات السلامة الحرارية
إلا أن روس دالي، مدير السلامة بشركة «روجرز أوبراين» للإنشاءات، وهي شركة مقاولات عامة مقرها دالاس، يقول إنه تجاهل ما أصبح يُعرَف باسم «قانون نجمة الموت». ويضيف: «سنفعل ما هو صائب من أجل موظفينا، ونوفر مكان عمل آمناً وصحياً».
وتُجري الشركة بالفعل تدريباً على السلامة الحرارية، كل ربيع، لعمال البناء البالغ عددهم 98 عاملاً، الذين يعملون من 50 إلى 60 ساعة أسبوعياً في حرارة تكساس الحارقة.
أداة استشعار حراري
أثناء بحث الشركة عن أدوات تقنية مفيدة، عثرت على «سايف غارد SafeGuard» من شركة «فيجي لايف VigiLife»، وهو جهاز استشعار يمكن ارتداؤه يستخدم التحليلات والتنبيهات لتعزيز سلامة العمال.
ويقول دالي إن الجهاز القابل للارتداء يتصل بالساعة، مثلما يفعل تطبيق اللياقة البدنية تقريباً، ويراقب القياسات الحيوية، مثل معدل ضربات القلب، ودرجة حرارة الجسم الأساسية. وبمجرد وصول أحد هذه العناصر إلى مستوى معين، يرسل المستشعر تنبيهاً إلى العامل لإبطاء سرعة العمل.
تحذير نهائي
أما التنبيه الثاني، عند عتبة أعلى من الإجهاد، فسيؤدي إلى إرسال تنبيه إلى مدير السلامة في الموقع لإحضار العامل إلى المكتب المكيّف، للراحة وتناول الماء حتى تعود درجة حرارة الجسم إلى وضعها الطبيعي.
ونجحت التجربة، التي استمرت لمدة شهر في أبريل (نيسان) الماضي، عبر أربعة مواقع عمل، لذا أوصلت الشركة الأداة إلى جميع المواقع؛ تأهباً لفصل الصيف، واختار 80 في المائة من العمال الاشتراك طوعاً. وبينما توفر الشركة الجهاز مجاناً للعمال، فإن أولئك الذين رفضوا المشاركة كانوا قلِقين بشكل أساسي من «المراقبة»، كما يقول دالي. لكنه يؤكد لهم أن الشركة لا تجمع البيانات أو تستخدم الجهاز لتتبُّع الإنتاجية.
وفي السابق وفي معظم فصول الصيف، عانى عدد قليل من عمال «روجرز أوبراين» أمراضاً طفيفة مرتبطة بالحرارة، مثل التعب والتشنجات الحرارية.
نظام يقلل التكاليف
يقول دالي: «بشكل عام، مع الحرارة في تكساس، عليك الانتظار حتى تبدأ الشعور بها، وعند هذه النقطة يكون الأوان قد فات... الهدف الأساسي من هذا النظام هو أن يكون أكثر استباقية، ويعطيك تنبيهات قبل أن تصل إلى هذه النقطة»، كما أنه يوفر المال أيضاً، إذ تضيف الأمراض المرتبطة بالحرارة مزيداً من التكاليف إلى المشاريع بسبب الوقت الضائع والفواتير الطبية والتحقيقات في الحوادث.
وعلى الرغم من أن الشركة تدفع رسوماً شهرية لـ«سايف غارد (SafeGuard)»، و125 دولاراً لكل ساعة ذكية من «غارمين (Garmin)»، فإن التكاليف كانت أقل بمقدار 200 ألف دولار في عام 2023، مقارنة بعام 2022.
السلامة هي الشغل الشاغل للشركة، كما يقول دالي، «فإذا [أنقذت] العاملين من مرض واحد فقط مرتبط بالحرارة، فستجري تغطية ثمن النظام بأكمله».
ترى «ماغنا AI» أن المرحلة المقبلة في السعودية تتمثل في تحويل البنية التحتية للذكاء الاصطناعي إلى قدرة تشغيلية سيادية واسعة النطاق.
نسيم رمضان (لندن)
بقايا فيروسات قديمة في جينوم الإنسان تتنبأ بالاستجابة للعلاج الكيميائيhttps://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5326483-%D8%A8%D9%82%D8%A7%D9%8A%D8%A7-%D9%81%D9%8A%D8%B1%D9%88%D8%B3%D8%A7%D8%AA-%D9%82%D8%AF%D9%8A%D9%85%D8%A9-%D9%81%D9%8A-%D8%AC%D9%8A%D9%86%D9%88%D9%85-%D8%A7%D9%84%D8%A5%D9%86%D8%B3%D8%A7%D9%86-%D8%AA%D8%AA%D9%86%D8%A8%D8%A3-%D8%A8%D8%A7%D9%84%D8%A7%D8%B3%D8%AA%D8%AC%D8%A7%D8%A8%D8%A9-%D9%84%D9%84%D8%B9%D9%84%D8%A7%D8%AC-%D8%A7%D9%84%D9%83%D9%8A%D9%85%D9%8A%D8%A7%D8%A6%D9%8A
بقايا فيروسات قديمة في جينوم الإنسان تتنبأ بالاستجابة للعلاج الكيميائي
قد تكشف «بقايا فيروسات» عمرها ملايين السنين سر استجابة مرضى سرطان الدم للعلاج الكيميائي؛ إذ أظهرت دراسة جديدة أن أنماط نشاط هذه التسلسلات الفيروسية القديمة داخل الجينوم، ترتبط بضعف الاستجابة للعلاج. وقد أدى إدراجها في نماذج الذكاء الاصطناعي إلى تعزيز القدرة على التنبؤ بالمرضى الأكثر عرضة لمقاومة العلاج.
وأجرى الدراسة باحثون من جامعة كينغز كوليدج لندن، حيث حللوا بيانات سريرية وبيولوجية لـ271 مريضاً مصاباً بابيضاض الدم النقوي الحاد acute myeloid leukemia (AML)، تلقوا العلاج الكيميائي المعتاد. ونُشرت النتائج بدورية «Blood Neoplasia» في أغسطس (آب) 2026، وأشارت إلى أن ما يُعرف بـ«الجينوم المظلم» قد يحمل مؤشرات إضافية تساعد مستقبلاً في تحسين اختيار العلاج وتطوير استراتيجيات أكثر تخصيصاً لمرضى سرطان الدم.
عندما لا ينجح العلاج
يبدأ سرطان الدم النقوي الحاد في نخاع العظم، ويمكن أن يتطور بسرعة ويؤثر في إنتاج خلايا الدم الطبيعية. ورغم استخدام مجموعة من الفحوصات لتقييم المرضى، فإن الأطباء لا يستطيعون حتى الآن التنبؤ بدقة بمن سيستجيب للعلاج الكيميائي ومن سيصاب بمرض مقاوم للعلاج.
وفي بعض الحالات لا يحقق المريض هدأة كاملة رغم تلقي العلاج. وتُعرف الحالة باسم ابيضاض الدم النقوي الحاد المقاوم للعلاج، ما يجعل اختيار الاستراتيجية العلاجية المناسبة تحدياً كبيراً.
ولبحث إمكانية تحسين التنبؤ، طور العلماء 3 نماذج متعددة الطبقات للتعلم الآلي أضافوا إليها تدريجياً أنواعاً مختلفة من المعلومات السريرية والبيولوجية، أما النموذج النهائي فأضيفت إليه بيانات تتعلق بنشاط بقايا الفيروسات القديمة الموجودة في الجينوم.
فيروسات من الماضي داخل جيناتنا
تعرف هذه البقايا باسم الفيروسات القهقرية الداخلية endogenous retroviruses (ERVs) وهي أجزاء متبقية من فيروسات قديمة أصابت أسلاف الإنسان قبل ملايين السنين، ثم اندمجت في المادة الوراثية وأصبحت جزءاً من الجينوم البشري.
وتوجد هذه التسلسلات بصورة رئيسية في الأجزاء غير المشفرة من الجينوم، وهي مناطق لا يزال العلماء لا يفهمون جميع وظائفها بشكل كامل، ويُشار إلى بعضها أحياناً باسم «الجينوم المظلم» (dark genome).
ولا تعني هذه البقايا بالضرورة وجود عدوى فيروسية نشطة، لكن نشاطها يمكن أن يؤثر في عدد من العمليات البيولوجية بما في ذلك تنظيم تشغيل الجينات والإشارات المناعية والالتهابية.
الذكاء الاصطناعي يكشف إشارة إضافية
وعندما أضاف الباحثون معلومات نشاط الفيروسات القهقرية الداخلية إلى البيانات السريرية والجزيئية الأخرى، تحسنت قدرة النموذج على التنبؤ باستجابة المرضى للعلاج الكيميائي.
كما سجل النموذج النهائي عدداً أقل من النتائج الإيجابية الكاذبة؛ أي الحالات التي يتنبأ فيها النموذج خطأً بأن المريض سيصاب بمرض مقاوم للعلاج رغم احتمال استجابته للعلاج الكيميائي.
ويرى الباحثون أن هذه النتائج تشير إلى أن المعلومات المخفية في أجزاء من الجينوم التي غالباً ما تحظى باهتمام أقل، قد تضيف قيمة إلى الأساليب التقليدية التي تركز على الجينات المعروفة.
هل تحاكي الخلايا عدوى فيروسية؟
يعتقد العلماء أن أحد التفسيرات المحتملة يرتبط بظاهرة تُعرف باسم «المحاكاة الفيروسية» (viral mimicry)، حيث تتصرف الخلية كما لو أنها تواجه نشاطاً فيروسياً حقيقياً. وقد يؤدي ذلك إلى تنشيط إشارات مناعية والتهابية داخل الخلية؛ وهي عمليات قد تساعد وفق الفرضية التي يدرسها الباحثون في الحفاظ على بعض خلايا سرطان الدم في حالة تجعلها أكثر مقاومة للعلاج الكيميائي.
لكن الدراسة لا تثبت حتى الآن أن نشاط هذه التسلسلات الفيروسية هو السبب المباشر لمقاومة العلاج، لذا تحتاج هذه الآلية إلى مزيد من الأبحاث والتجارب لتأكيدها.
وقال الدكتور محمد مهدي كريمي كبير المحاضرين في المعلوماتية الحيوية بجامعة كينغز كوليدج لندن والمؤلف الرئيسي للدراسة، إن معظم أبحاث السرطان تركز على الجينات التقليدية، بينما تظل أجزاء كبيرة من «الجينوم المظلم» أقل دراسة. وأضاف أن النتائج تشير إلى إمكانية استخدام بصمة مستمدة من التسلسلات الفيروسية القديمة، إلى جانب بيانات التعبير الجيني التقليدية للمساعدة في التنبؤ بالاستجابة للعلاج.
خطوة نحو علاج أكثر تخصيصاً
يؤكد الباحثون أن النتائج لا تعني أن تحليل الفيروسات القهقرية الداخلية أصبح اختباراً سريرياً جاهزاً لاتخاذ قرارات علاجية؛ فلا تزال هناك حاجة إلى دراسات سريرية أكبر للتحقق من دقة النموذج وفائدته لدى مجموعات مختلفة من المرضى.
وقد حصل الباحثون على بيانات المرضى من تجربة «Beat AML»، وهي دراسة بارزة في مجال الطب الدقيق لسرطان الدم أُطلقت عام 2016.
ويرى الباحثون أن دمج إشارات «الجينوم المظلم» مع المعلومات السريرية والجينية التقليدية قد يساعد مستقبلاً في التعرف المبكر على المرضى الأكثر عرضة لمقاومة العلاج ويدعم تطوير استراتيجيات علاجية أكثر تخصيصاً لسرطان الدم النقوي الحاد.
دراسة حديثة: الدماغ البشري ليس عضواً واحداً بل اثنان!https://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5325973-%D8%AF%D8%B1%D8%A7%D8%B3%D8%A9-%D8%AD%D8%AF%D9%8A%D8%AB%D8%A9-%D8%A7%D9%84%D8%AF%D9%85%D8%A7%D8%BA-%D8%A7%D9%84%D8%A8%D8%B4%D8%B1%D9%8A-%D9%84%D9%8A%D8%B3-%D8%B9%D8%B6%D9%88%D8%A7%D9%8B-%D9%88%D8%A7%D8%AD%D8%AF%D8%A7%D9%8B-%D8%A8%D9%84-%D8%A7%D8%AB%D9%86%D8%A7%D9%86
دراسة حديثة: الدماغ البشري ليس عضواً واحداً بل اثنان!
من المعروف أن المخ يتكون من نصفين دماغ أيمن ودماغ أيسر (بيكسلز)
من المتفق عليه على نطاق واسع في علم الأعصاب والطب أن الدماغ البشري عضو واحد. ومع ذلك، تُظهر الأبحاث الحديثة التي قادتها كلية الطب بجامعة ستانفورد نتائج تتعارض مع هذا الاعتقاد العلمي الراسخ منذ فترة طويلة؛ إذ تشير دراسة جديدة نُشرت في مجلة «العلوم العصبية الطبيعية» إلى أن الدماغ البشري نشأ من عضوين منفصلين، وهو اكتشاف قد يؤثر على خيارات العلاج المستقبلية للأمراض التنكسية العصبية واضطرابات الدماغ، وفقاً لموقع «سايكولوجي توداي».
قاد هذه الدراسة كايل لوه، الأستاذ المشارك في جامعة ستانفورد، وأجراها المؤلفان كارولين دوندس وريان جوكهاي، إلى جانب فريق من الباحثين من جامعة ستانفورد، وجامعة كاليفورنيا في سان فرانسيسكو، ومعهد كاليفورنيا للتكنولوجيا في باسادينا بكاليفورنيا.
قد يجد الشخص العادي أن هذا أمر معقول، فمن المعروف أن المخ يتكون من نصفين؛ دماغ أيمن ودماغ أيسر. ومع ذلك، فإن هذين ليسا المنطقتين اللتين يشير إليهما الباحثون في هذه الدراسة. بدلاً من ذلك، فإن العضوين هما مزيج من الدماغ الأمامي والدماغ المتوسط يعملان كوحدة واحدة، والدماغ الخلفي.
في علم التشريح العصبي، يتكون الدماغ من ثلاث مناطق رئيسية: الدماغ الأمامي، والدماغ المتوسط، والدماغ الخلفي. يقع أكبر جزء من دماغ الإنسان البالغ، وهو الدماغ الأمامي، في الجزء الأمامي من الدماغ، ويحتوي على مناطق الوظائف المعرفية العليا مثل الاستدلال، والكلام، وإدارة الحركات الإرادية، والعواطف، والتكاثر، والأكل، والنوم، ودرجة حرارة الجسم. وتُعد اللوزة الدماغية والحصين والوطاء (تحت المهاد) والمهاد والجهاز الحوفي جميعها جزءاً من الدماغ الأمامي.
وتُعتبر القشرة الحديثة، الواقعة في الدماغ الأمامي، الجزء الأحدث من الدماغ، وتظهر إلى حد كبير في الثدييات.
الدماغ (د.ب.أ)
ويربط بين الدماغ الأمامي الكبير والدماغ الخلفي منطقة أصغر بكثير تُسمى الدماغ المتوسط، وهو ينظم الرؤية والمعالجة الحسية والمنعكسات الحركية. وفي الجزء الخلفي من الرأس يقع الدماغ الخلفي، وهو ينظم وظائف الجسم الأساسية مثل إيقاع التنفس والنوم والحركة ومعدل ضربات القلب.
ويشير مصطلح «جذع الدماغ» إلى الجزء من الدماغ الذي يربطه بالنخاع الشوكي، وهو مزيج من الدماغ المتوسط وأجزاء من الدماغ الخلفي، والجسر، والنخاع المستطيل.
حتى وقت قريب كان يُعتبر أقدم جزء من الدماغ البشري هو جزء الزواحف من الدماغ، والذي يشمل جذع الدماغ والمخيخ. وقد شاع مفهوم «الدماغ الزواحف» بفضل نظرية الدماغ الثلاثي التي قُدمت عام 1969 في سلسلة من المحاضرات ألقاها عالم الفسيولوجيا والطبيب النفسي في جامعة ييل بول ماكلين (1913 - 2007). وتقسم نظريته الدماغ البشري وفق ثلاثة خطوط من التطور المتميز: مركب الزواحف المكون من جذع الدماغ، ومركب الثدييات القديم المكون من الجهاز الحوفي، ومركب الثدييات الحديث المكون من القشرة الحديثة.
ومع ذلك، بدأت نظرية الدماغ الثلاثي تفقد قبولها. وهناك دراسة مختلفة، نُشرت في مجلة «ساينس» عام 2022 من قبل باحثين من معهد ماكس بلانك لأبحاث الدماغ، تدحض مفهوم وجود منطقة دماغية أقدم بعد اكتشاف مجموعة من الخلايا العصبية المتشابهة بين الثدييات والسحالي، والموجودة في جميع أنحاء الدماغ، على الرغم من فترة 320 مليون سنة من التطور المنفصل.
كيف يتطور الدماغ؟
في هذه الدراسة الجديدة التي قادتها جامعة ستانفورد سعى الباحثون إلى فهم عملية تطور الدماغ وتحديد المرحلة التي تتمايز فيها مناطق الدماغ المختلفة، وتحديداً أرادوا معرفة ما إذا كان الدماغ بأكمله ينشأ من سلف واحد أم من عدة أسلاف.
والخلايا السلفية هي خلايا منقسمة يمكنها أن تتكاثر وتتمايز إلى أنواع مختلفة من الخلايا. وعلى عكس الخلايا الجذعية، فإن الخلايا السلفية مهيأة مسبقاً للتطور إلى نوع معين من الخلايا، ويمكنها تجديد نفسها عدداً محدوداً من المرات. أما الخلايا الجذعية فيمكنها التجدد إلى أجل غير مسمى، وهي قادرة على التمايز إلى مجموعة متنوعة من الخلايا.
أنشأ الفريق نموذجاً باستخدام الخلايا الجذعية البشرية متعددة القدرات (hPSCs) إلى جانب فئران المختبر. والخلايا الجذعية متعددة القدرات هي خلايا جذعية بالغة غير متمايزة تم تحفيزها لتكون أشبه بالخلايا الجذعية الجنينية.
وفي عام 2006 اكتشف شينيا ياماناكا طريقة الخلايا الجذعية المحفزة متعددة القدرات (iPSCs). وتمتلك هذه الخلايا الخاصة القدرة على التحول إلى أي نوع من الخلايا في جسم الإنسان، فضلاً عن تجديد نفسها.
واكتشفوا أنه أثناء تكوين المعيدة (مرحلة تكوين المعدة الجنينية)، ينشأ سلَفان دماغيان في الوقت نفسه وبالتوازي. وتكوين المعيدة هو المرحلة أثناء التطور الجنيني التي تحول الجنين من كرة مجوفة أحادية الطبقة من الخلايا، تُسمى الكيسة الأريمية، إلى معيدة متعددة الطبقات.
ويقدّر الباحثون أن عملية التطور المزدوج المتوازي هذه تعود إلى نحو 550 إلى 600 مليون سنة مضت، وأنها موجودة لدى العديد من الأنواع مثل الرئيسيات، والسمك المخطط، والفئران، والدجاج، وديدان البلوط.
وقد يكون هذا الاكتشاف محفزاً لتحول مهم في علم الأعصاب وعلم النفس والطب النفسي والطب. علاوة على ذلك، قد تؤدي القدرة على نمذجة خلايا عصبية وظيفية للدماغ الخلفي إلى تسريع تطوير علاجات جديدة لأمراض واضطرابات الدماغ في المستقبل.
هل يعرف الذكاء الاصطناعي أنه لا يعرف؟https://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5325920-%D9%87%D9%84-%D9%8A%D8%B9%D8%B1%D9%81-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D8%A3%D9%86%D9%87-%D9%84%D8%A7-%D9%8A%D8%B9%D8%B1%D9%81%D8%9F
ما لا تستطيع البيانات وحدها أن تعلّمه... حين تتحدث الخبرة الإنسانية
على مدى عقود، قيس تقدم الذكاء الاصطناعي في الغالب بما يستطيع فعله: كم سؤالاً يجيب عنه؟ وكم صورة يستطيع تفسيرها؟ وما مدى دقته في التنبؤ أو التشخيص؟ لكن سؤالاً مختلفاً بدأ يفرض نفسه على الباحثين: هل يستطيع النظام أن يعرف متى لا تكون لديه إجابة موثوقة؟
المشكلة في الذكاء الاصطناعي ليست أن يخطئ فحسب، بل أن يقدم أحياناً إجابة خاطئة بثقة توحي بأنها صحيحة. وفي المجالات الحساسة كالطب، يصبح الفرق جوهرياً؛ إذ إن النظام الذي يستطيع الإشارة إلى عدم يقينه قد يكون أكثر أماناً من نظام يعطي إجابة حاسمة عندما لا تكون الأدلة كافية.
ولهذا، يحاول اتجاه بحثي متنامٍ تطوير نماذج لا تكتفي بإنتاج الإجابة، بل تستطيع أيضاً تقدير مدى الثقة بها والتعبير عن عدم اليقين عندما تتجاوز المسألة حدود ما تستطيع معرفته بصورة موثوقة. وهنا يتغير السؤال. فبدلاً من أن نسأل فقط: هل يستطيع الذكاء الاصطناعي أن يجيب؟ يصبح السؤال الأكثر إثارة: هل يستطيع أن يعرف حدود ما يعرف... ومتى ينبغي له أن يقول «لا أعلم»؟
ما وراء المعرفة... حين يتعلّم الذكاء الاصطناعي معرفة حدود يقينه
من الذكاء إلى «ما وراء المعرفة»
• «ما وراء المعرفة». يطلق علماء الإدراك على قدرة الإنسان على التفكير في تفكيره وتقييم مدى ثقته بما يعرف اسم «الميتا معرفة» (Metacognition)، أو «ما وراء المعرفة». وهي التي تساعدنا على التمييز بين ما نعرفه بثقة، وما نرجحه، وما لا نملك عنه معلومات كافية.
وتظهر أهمية هذه القدرة بوضوح في الطب؛ فالطبيب الخبير لا يتميز بأنه يعرف الإجابة عن كل حالة، بل بأنه يدرك أيضاً متى لا تكفي الأدلة لاتخاذ قرار آمن؛ فيطلب فحصاً إضافياً، أو يعيد النظر في التشخيص، أو يستشير زميلاً قبل اتخاذ قرار قد يؤثر في حياة المريض. فمعرفة حدود اليقين جزء أساسي من الحكم السريري الرشيد.
واليوم، يحاول الباحثون بناء شيء يشبه هذه القدرة وظيفياً داخل أنظمة الذكاء الاصطناعي؛ ليس بأن تصبح الآلة واعية بما تعرفه، بل بأن تستطيع تقدير مدى موثوقية إجابتها، والتعبير عن عدم اليقين عندما لا تملك أساساً كافياً للإجابة بثقة.
وهنا تكمن الفكرة الجديدة: قد لا يكون الجيل الأكثر أماناً من الذكاء الاصطناعي هو الذي يجيب دائماً، بل الذي يستطيع أيضاً أن يتعرف على المواقف التي ينبغي فيها ألا يجيب بثقة.
• تعليم الآلة أن تقول: «لا أعلم». في دراسة بحثية نُشرت في 30 يونيو (حزيران) 2026 على منصة الأبحاث العلمية «arXiv»، طوّر فريق بقيادة الباحثة غابرييل كايلي ماي ليو إطاراً جديداً أطلق عليه «التعلّم المعزَّز بالتغذية الراجعة الميتا معرفية» (Reinforcement Learning with Metacognitive Feedback – RLMF)، بهدف معالجة مشكلة أساسية في النماذج اللغوية: أن تبدو واثقة من إجابتها حتى عندما تكون هذه الإجابة غير موثوقة.
ولا يعلّم هذا النهج الآلة «الوعي» بجهلها بالمعنى الإنساني، بل يدربها على تقدير أدائها بصورة أفضل ومواءمة مستوى الثقة الذي تعبّر عنه مع درجة عدم اليقين. وأظهرت التجارب أن هذا الأسلوب حسّن معايرة الثقة، وتفوّق على أساليب التعلم المعزز التقليدية بما يصل إلى 63 في المائة في بعض المقارنات، من دون التضحية بدقة الإجابات.
حين يعرف الذكاء الاصطناعي متى يتوقف... يبدأ دور الإنسان
ولم يبق السؤال محصوراً في دراسة واحدة؛ ففي 13 يوليو (تموز) 2026، نُشرت على «arXiv» مراجعة بحثية بعنوان Metacognition in LLMs: Foundations، Progress، and Opportunities، تناولت بصورة شاملة ما وصل إليه البحث في «الميتا معرفة» لدى النماذج اللغوية. وخلص الباحثون إلى أن المجال بدأ يطور طرقاً لقياس قدرة النماذج على مراقبة أدائها وتقدير عدم اليقين وتعديل سلوكها، لكن سؤالاً أساسياً ما زال مفتوحاً: متى، وكيف، وإلى أي مدى تستطيع هذه النماذج إظهار سلوك ميتا معرفي فعّال؟ وفي 15 أغسطس (آب) 2026، ظهر على «arXiv» بحث أحدث قدّم إثباتاً أولياً للمفهوم لإطار ميتا معرفي يجعل مجموعة من النماذج تراقب مؤشرات في أدائها، مثل احتمال صحة الإجابة ووجود معلومات متعارضة وتعقيد المشكلة، ثم تستخدم هذه الإشارات لتحديد ما إذا كانت المهمة تستدعي معالجة أكثر تدبراً. ولا يمثل ذلك بعدُ حلاً جاهزاً للاستخدام السريري، لكنه يكشف عن اتجاه البحث: ألا يكون الهدف فقط جعل النموذج أكثر قدرة على الإجابة، بل أكثر قدرة على تمييز الحالات التي لا تكفي فيها إجابته أو تحتاج إلى مزيد من التفكير والمعلومات.
وهنا تكمن أهمية التحول؛ فبدلاً من مكافأة النظام دائماً لأنه قدّم إجابة، قد يصبح أحد معايير جودة الذكاء الاصطناعي مستقبلاً قدرته على التوقف عندما لا تكفي الأدلة، أو طلب معلومات إضافية، أو الإفصاح عن عدم اليقين بدلاً من ملء الفراغ بإجابة واثقة.
• الثقة لا تقل أهمية عن الدقة. في الطب، لا تكفي الإجابة الصحيحة وحدها؛ فجزء أساسي من القرار السريري هو معرفة مدى قوة الأدلة التي تستند إليها، ودرجة الثقة التي تستحقها. فالطبيب الخبير قد يرجّح تشخيصاً معيناً، لكنه لا يتعامل مع كل الاحتمالات بالدرجة نفسها من اليقين. وقد يطلب تصويراً إضافياً أو تحليلاً مخبرياً، أو يستشير زميلاً، عندما يدرك أن المعلومات المتاحة لا تكفي لاتخاذ قرار آمن. وهنا لا يكون التردد ضعفاً في المعرفة، بل جزءاً من سلامة القرار الطبي.
حين يتعلّم الذكاء الاصطناعي أن يقول «لا أعلم»
وتواجه أنظمة الذكاء الاصطناعي مشكلة مشابهة، ولكن بصورة مختلفة؛ فقد ينتج النموذج إجابة صحيحة، وقد ينتج في أحيان أخرى معلومة غير صحيحة أو غير مدعومة، فيما يُعرف عادةً بـ«الهلوسة». والمشكلة الأكثر حساسية أن صياغة الإجابة قد تبدو واثقة ومقنعة حتى عندما تكون خاطئة.
ولهذا يميز الباحثون بين دقة الإجابة ومعايرة الثقة (confidence calibration)، فإذا قال النظام إنه واثق بنسبة مرتفعة، فهل تتوافق هذه الثقة فعلاً مع احتمال أن تكون إجابته صحيحة؟ وكلما اتسعت الفجوة بين الثقة والدقة، ازدادت احتمالات أن يثق المستخدم بإجابة لا تستحق هذه الثقة.
وفي الطب، تصبح هذه المسألة أكثر من مشكلة تقنية. فالنظام الآمن لا ينبغي أن يكون جيداً فقط في الحالات التي يعرفها، بل أن يكون قادراً أيضاً على رفع إشارة تحذير عندما تخرج الحالة عن نطاق موثوقيته، أو عندما لا تكفي المعلومات المتاحة لاتخاذ قرار.
الخبرة البشرية أعمق من البيانات
• ما لا تستطيع البيانات أن تعلّمه. لكن معرفة حدود الإجابة تفتح سؤالاً أعمق: هل كل ما يعرفه الإنسان يمكن تحويله أصلاً إلى بيانات وقواعد قابلة للتعلم؟
منذ قرون، انشغل الفلاسفة بطبيعة المعرفة وحدودها. ومن ابن رشد، الذي جعل للعقل والبرهان مكانة مركزية في النظر، إلى الفيلسوف والعالم مايكل بولاني الذي صاغ في القرن العشرين مفهوم «المعرفة الضمنية (Tacit Knowledge)»، واختصر فكرته بعبارته الشهيرة: «نعرف أكثر مما نستطيع أن نقول». فالخبرة المهنية لا تتكون من الكتب والمعلومات الصريحة وحدها. إنها تتشكل أيضاً من آلاف المواقف المتراكمة، ومن ملاحظة أنماط دقيقة قد يصبح الخبير قادراً على التقاطها قبل أن يستطيع شرح الأسباب التي قادته إليها بصورة كاملة.
قد يدخل طفل إلى قسم الطوارئ، وتبدو بعض قياساته الأولية ضمن الحدود المطمئنة، لكن طبيب الأطفال الخبير يلاحظ في مظهره أو سلوكه أو طريقة تنفسه شيئاً يدفعه إلى عدم الاطمئنان. وما نسميه أحياناً «الحدس السريري»، قد لا يكون حدساً غامضاً، بل حصيلة سنوات من التعرض لحالات وأنماط أصبحت جزءاً من الحكم المهني السريع.
وهنا يظهر تحدٍّ مختلف أمام الذكاء الاصطناعي؛ فالخوارزمية تستطيع التعلم من كميات هائلة من البيانات الممثلة رقمياً، لكن الخبرة البشرية تحتوي أيضاً على معرفة سياقية وضمنية يصعب أحياناً تدوينها وقياسها وتحويلها إلى بيانات تدريبية.
ولذلك، قد لا يكون السؤال فقط: كيف نعلّم الآلة مزيداً مما نعرف؟ بل أيضاً: كيف نعلّمها التعامل مع ما لم نستطع نحن أنفسنا تحويله إلى بيانات واضحة؟
• هل تعرف الآلة فعلاً حدود معرفتها؟ الإجابة حتى الآن: ليس بالمعنى الذي يعرف به الإنسان حدود معرفته؛ فالأبحاث الحديثة تشير إلى أن النماذج اللغوية يمكن تدريبها على تقدير درجة عدم اليقين في إجاباتها ومعايرة مستوى الثقة بها بصورة أفضل. لكن ذلك لا يعني أن النموذج أصبح واعياً بما يعرف وما يجهل، ولا أن تقديره لعدم اليقين يماثل إدراك الإنسان لحدود معرفته.
وهنا ينبغي التمييز بين نوعين مختلفين من «عدم المعرفة»؛ الأول عدم يقين يمكن تقديره حسابياً: كأن تكون الأدلة متعارضة، أو تكون احتمالات عدة إجابات متقاربة، أو تواجه الخوارزمية حالة تختلف عما تدربت عليه. وهذا هو المجال الذي تحاول تقنيات المعايرة والميتا معرفة الاصطناعية تحسينه.
أما المستوى الآخر فأكثر تعقيداً: المعرفة التي لم تدخل البيانات أصلاً، أو السياق الذي لم يُمثَّل فيها، أو الخبرة الضمنية التي يصعب تحويلها إلى أرقام وكلمات. وهنا لا تكفي زيادة ثقة النموذج أو خفضها؛ لأن النظام قد لا يمتلك أساساً ما يخبره بأن شيئاً مهماً غائب عن الصورة.
وهذا هو الفارق الجوهري: يمكن للذكاء الاصطناعي أن يصبح أفضل في تقدير عدم يقينه فيما يستطيع معالجته، لكن ذلك لا يعني أنه أصبح قادراً على إدراك جميع حدود المعرفة التي لم تصل إليه. وبصياغة أبسط: قد تتعلم الآلة أن تقول: «لا أعلم» عندما تشك في إجابتها، لكن التحدي الأصعب هو أن تعرف متى ينبغي لها أن تشك أصلاً.
• الإنسان يرى ما قد لا تراه الخوارزميات. من المرجح أن تصبح النماذج المستقبلية أفضل في تقدير عدم اليقين والتعبير عنه، وقد يكون هذا التطور في المجالات الحساسة، وفي مقدمتها الطب، مهماً بقدر تحسين الدقة نفسها. فالنظام الذي يعرف متى يخفض ثقته، أو يطلب معلومات إضافية، أو يحيل القرار إلى الإنسان، قد يكون أكثر أماناً من نظام يسعى إلى تقديم إجابة في كل مرة.
متى تكون «لا أعلم» الإجابة الأكثر أماناً... والخبرة البشرية أعمق من البيانات؟
