«نيوتن»… ذكاء اصطناعي يتدارك الأحداث قبل وقوعها

يتنبأ بالأنماط المستقبلية لها ويُشبه «جي بي تي» لكنه موجّه للعالم المادي

تحليل البيانات من المستشعرات
تحليل البيانات من المستشعرات
TT

«نيوتن»… ذكاء اصطناعي يتدارك الأحداث قبل وقوعها

تحليل البيانات من المستشعرات
تحليل البيانات من المستشعرات

مدينة بيلفيو الأميركية، موطن لآلاف من موظفي «مايكروسوفت»، حيث يقبع نظام مراقبة حركة المرور المُدعّم بالذكاء الاصطناعي ليُلبي كل التوقعات. فباستخدام كاميرات المرور الحالية القادرة على قراءة اللافتات والإشارات الضوئية، لا يتتبع النظام الحوادث فحسب، بل أيضاً الحوادث التي «كادت تقع». ويقترح حلولاً للمشرفين على تنظيم المرور، مثل إعادة النظر في مسار المنعطفات، أو تغيير خط التوقف عن الحركة.

البرنامج يحلل بيانات حركة المرور

ذكاء اصطناعي للعالم المادي

لكن تقنية الذكاء الاصطناعي هذه لم تولد من «مايكروسوفت» وشراكتها الكبيرة مع «أوبن إيه آي»، بل طُوّرت من قِبل شركة ناشئة تُدعى «أركيتايب إيه آي» Archetype AI التي قد تُعتبر بمثابة «أوبن إيه آي» في العالم المادي.

يقول إيفان بوبيريف، المؤسس المشارك للشركة: «تُبلغ سلطات المدينة عن حادث بعد وقوعه. لكن ما تُريد معرفته هو، على سبيل المثال، أين الحوادث التي كادت تقع – لأن أحداً لا يستطيع الإبلاغ عنها. وتريد السلطات منع وقوعها». لذا، يُعدّ التنبؤ بالمستقبل أحد أهمّ استخداماتنا حالياً.

أسس بوبيريف وليوناردو جيوستي الشركة بعد مغادرتهما فريق التكنولوجيا والمشاريع المتقدمة التابع لشركة «غوغل»، حيث عملا على مبادرات مشاريع متطورة، مثل مشروع النسيج الذكي «جاكار»، ومشروع رادار الأدوات «سولي». ويشرح بوبيريف تاريخ عمله في شركات عملاقة مثل «سوني» و«ديزني»، حيث كان على المهندسين دائماً تطوير خوارزمية واحدة لفهم أشياء مثل نبضات القلب، وأخرى للخطوات. كل شيء مادي تُريد قياسه، مهما كان، كان دائماً نظاماً منفصلاً – كان برنامجاً صغيراً آخر يجب برمجته ودعمه.

وهناك الكثير مما يحدث داخل عالمنا الطبيعي بحيث لا يمكن قياسه أو دراسته من خلال هذا النهج الذي يُركّز على معالجة مشكلة واحدة في كل مرة. ونتيجة لذلك، لا تزال أجهزتنا المتطورة تقنياً لا تفهم سوى القليل جداً عن بيئتنا الحقيقية، وما يحدث فيها بالفعل.

استنتاجات فيزيائية بدلاً من اللغوية

ما تقترحه «أركيتايب» هو ذكاء اصطناعي قادر على تتبع تعقيد العالم المادي والتفاعل معه. خذ نموذج «نيوتن» الأساسي، فهو مُدرّب على أكوام من بيانات أجهزة الاستشعار المفتوحة من مصادر مثل وكالة ناسا، التي تنشر كل شيء بدءاً من درجات حرارة المحيطات المُجمّعة باستخدام ماسحات الميكروويف وصولاً إلى عمليات مسح الأشعة تحت الحمراء لأنماط السحب.

وكما يُمكن لنظم الذكاء الاصطناعي المطورة حديثاً استنتاج المنطق اللغوي من خلال دراسة النصوص، يُمكن لـ«نيوتن» استنتاج الفيزياء من خلال دراسة قراءات أجهزة الاستشعار.

البرنامج يتنبأ بالأحداث اللاحقة

«نيوتن» يحلل ويتنبأ

تكمن الميزة الرئيسة للشركة في قدرة «نيوتن» Newton على تحليل مخرجات أجهزة الاستشعار الموجودة بالفعل. يحتوي هاتفك على اثني عشر مستشعراً أو أكثر، وقد يحتوي العالم قريباً على تريليونات منها، بما في ذلك مقاييس التسارع، وأجهزة استشعار التدفق الكهربائي والسوائل، وأجهزة الاستشعار البصرية، والرادار. من خلال قراءة هذه القياسات، يُمكن لـ«نيوتن» تتبع وتحديد ما يحدث داخل البيئات بدرجة مُذهلة.

حتى أنه أثبت قدرته على التنبؤ بالأنماط المستقبلية للتنبؤ بأحداث تتراوح من تأرجح بندول صغير في مختبر إلى حادث مُحتمل في مصنع، إلى البقع الشمسية والمد والجزر في الطبيعة.

من نواحٍ عديدة، تُنشئ أركيتايب النظامَ المطلوبَ حقاً للحوسبة المحيطة، وهي رؤيةٌ تتلاشى فيها الخطوط الفاصلة بين عالمنا الحقيقي وعالم الحوسبة. ولكن بدلاً من التركيز على رؤيةٍ طموحة، تُسوّق «نيوتن» كمترجمٍ عالميٍّ يُمكنه تحويل بيانات الاستشعار إلى رؤى قابلةٍ للتنفيذ.

يقول جيوستي: «(إنه) تحوّلٌ جذريٌّ في نظرتنا للذكاء الاصطناعي كمجتمع. (حالياً) هو تقنية أتمتة نستبدل فيها الذكاء الاصطناعي بجزء من عملنا البشري. نُفوّض الذكاء الاصطناعي للقيام بشيءٍ ما... نحاول تغيير المنظور، ونرى الذكاء الاصطناعي كطبقةٍ تفسيريةٍ للعالم المادي. سيساعدنا الذكاء الاصطناعي على فهم ما يحدث في العالم بشكلٍ أفضل».

ويضيف بوبيريف: «نريد أن يكون الذكاء الاصطناعي بمثابة قوةٍ عظمى تُمكّننا من رؤية أشياء لم نكن لنراها من قبل، وتُحسّن عملية اتخاذ القرار لدينا».

كيف يعمل الذكاء الاصطناعي من أركيتايب؟

في أحد عروض «أركيتايب» التوضيحية، يُلاحظ رادارٌ دخول شخصٍ ما إلى المطبخ. يستطيع الميكروفون الاستماع لأي شيء يُطلب منه، مثل غسل الأطباق. إنه عرض توضيحي لتقنيتين موجودتين في العديد من الهواتف الذكية، ولكن من خلال سياق «نيوتن»، تتحول بيانات المستشعرات إلى معرفة.

في عرض توضيحي آخر، يُحلل «نيوتن» أرضية مصنع ويُنشئ خريطة حرارية لمخاطر السلامة المحتملة (تُرسم بشكل ملحوظ في مسار رافعة شوكية تقترب من الناس). وفي عرض توضيحي ثالث، يُحلل «نيوتن» عمل قوارب البناء، ويرسم في الواقع جدولاً زمنياً لساعات نشاطها كل يوم.

بالطبع، لا يمكن للفيزياء وحدها استقراء كل ما يحدث في هذه المشاهد، ولهذا السبب يُدرج «نيوتن» أيضاً بيانات تدريب حول السلوك البشري (حتى يعرف ما إذا كان هزّ صندوق، على سبيل المثال، يمكن استنتاجه على أنه «سوء تعامل») ويستخدم تقنية النماذج اللغوية الكبيرة التقليدية لتصنيف ما يحدث.

ومن الناحية الفنية، يمكنك تشغيل «نيوتن» من أجهزة الكمبيوتر التي تديرها Archetype، أو على خدمات سحابية مثل AWS أو Azure، أو حتى على خوادمك الخاصة إذا كنت تفضل ذلك.

مهمتك الأساسية هي ببساطة تغذية أي بيانات استشعار تستخدمها شركتك بالفعل من خلال «عدسة» «نيوتن» للذكاء الاصطناعي. والعدسة هي استعارة الشركة لكيفية ترجمة معلومات الاستشعار إلى رؤى.

الاختلاف عن النماذج الذكية اللغوية

وبخلاف النماذج الذكية اللغوية، التي تعتمد على أسئلة وأجوبة تقودنا إلى استعارات مثل المحادثات والوكلاء، تُخرِج المستشعرات تدفقات من المعلومات قد تتطلب تحليلاً مستمراً. لذا، تُعدّ العدسة وسيلةً لتدقيق هذه البيانات على فترات زمنية، أو آنياً.

وستكون التكلفة التشغيلية لتشغيل «نيوتن» للذكاء الاصطناعي متناسبة مع كمية وتواتر تحليل المستشعر الخاص بك. ولكن ما يثير اهتمام الشركة بشكل خاص هو أن «نيوتن» للذكاء الاصطناعي، من خلال تحليل أشكال موجات المستشعرات، أثبت أنه لا يفهم الكثير مما يحدث فحسب، بل يمكنه أيضاً التنبؤ بما قد يحدث في المستقبل.

وكما أن الإكمال التلقائي يعرف مسبقاً ما قد تكتبه تالياً، يمكن لـ«نيوتن» النظر في أشكال موجات البيانات (مثل المعلومات الكهربائية أو الصوتية من جهاز) للتنبؤ بالاتجاه التالي. وفي المصانع، قد يسمح هذا برصد العطل الوشيك للآلة. كما تزعم «أركيتايب» أنها تستطيع تتبع تأرجح البندول الفوضوي بدقة والتنبؤ بحركاته التالية.

تعتقد «أركيتايب» أنها تستطيع إحداث ثورة في جميع أنواع المنصات، بدءاً من التطبيقات الصناعية، ووصولاً إلى التخطيط الحضري. وفي خطوتها التالية، تريد الشركة أن يُنتج «نيوتن» أكثر من مجرد نص؛ فلا يوجد سبب يمنعه من التواصل بالرموز أو الرسوم البيانية في الوقت الفعلي.

هذه الادعاءات، من ناحية، ضخمة للغاية، ويصعب فهمها. من ناحية أخرى، بنى بوبيريف مسيرته المهنية بأكملها على بناء ابتكارات مبتكرة ومذهلة من تقنيات موجودة، وهي فعالة بالفعل.

* مجلة «فاست كومباني» خدمات «تريبيون ميديا»


مقالات ذات صلة

ميلوني تسعى لتسجيل صوتها علامة تجارية وسط مخاطر التزييف العميق بالذكاء الاصطناعي

أوروبا رئيسة الوزراء الإيطالية جورجا ميلوني (د.ب.أ)

ميلوني تسعى لتسجيل صوتها علامة تجارية وسط مخاطر التزييف العميق بالذكاء الاصطناعي

تقدمت رئيسة الوزراء الإيطالية جورجا ميلوني بطلب إلى مكتب الاتحاد الأوروبي للملكية الفكرية لتسجيل صوتها علامة تجارية، لحماية نفسها من مقاطع التزييف العميق.

«الشرق الأوسط» (روما )
أوروبا صحافي يجرب نظارة مزودة بالذكاء الاصطناعي في كاليفورنيا (أ.ب)

النرويج تقترح حظراً مؤقتاً على نظارات الذكاء الاصطناعي في أماكن عامة

أعلنت الحكومة النرويجية اليوم (الاثنين) أنها تعتزم اقتراح حظر مؤقت على استخدام النظارات المزودة بالذكاء الاصطناعي في بعض الأماكن العامة.

«الشرق الأوسط» (كوبنهاغن )
تكنولوجيا إيلون ماسك خلال لقاء الرئيس ترمب في البيت الأبيض 29 سبتمبر 2026 (د.ب.أ) p-circle

إيلون ماسك يعتزم تغيير اسم شركته «سبيس إكس إيه آي»

يعتزم الملياردير في مجال التكنولوجيا إيلون ماسك تغيير اسم شركة الذكاء الاصطناعي التابعة له.

«الشرق الأوسط» (واشنطن )
تكنولوجيا دفع استخدام أدوات الذكاء الاصطناعي لإنشاء مواد اعتداء جنسي وكالة مكافحة الجريمة الوطنية ومؤسسة مراقبة الإنترنت إلى حث الآباء والأوصياء على تجنب نشر صور أطفالهم على وسائل التواصل (رويترز)

زيادة 40% خلال عام في الصور المولّدة بالذكاء الاصطناعي لاعتداءات جنسية على الأطفال

رصد محللون عدداً من المواد التي تصور اعتداءً جنسياً على الأطفال باستخدام الذكاء الاصطناعي في النصف الأول من عام 2026، يفوق ما تم رصده خلال العام السابق بأكمله.

«الشرق الأوسط» (لندن)
تكنولوجيا الرئيس التنفيذي لشركة «أوبن إيه آي» سام ألتمان (أرشيفية - رويترز) p-circle

ألتمان: على العالم تقبّل بعض سلبيات الذكاء الاصطناعي مقابل فوائده

قال سام ألتمان، الرئيس التنفيذي لشركة «أوبن إيه آي»، إن فوائد الذكاء الاصطناعي تبرر تقبل بعض المخاطر المرتبطة به.

«الشرق الأوسط» (نيويورك)

دراسة حديثة: الدماغ البشري ليس عضواً واحداً بل اثنان!

من المعروف أن المخ يتكون من نصفين دماغ أيمن ودماغ أيسر (بيكسلز)
من المعروف أن المخ يتكون من نصفين دماغ أيمن ودماغ أيسر (بيكسلز)
TT

دراسة حديثة: الدماغ البشري ليس عضواً واحداً بل اثنان!

من المعروف أن المخ يتكون من نصفين دماغ أيمن ودماغ أيسر (بيكسلز)
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؟

ما لا تستطيع البيانات وحدها أن تعلّمه... حين تتحدث الخبرة الإنسانية
ما لا تستطيع البيانات وحدها أن تعلّمه... حين تتحدث الخبرة الإنسانية
TT

هل يعرف الذكاء الاصطناعي أنه لا يعرف؟

ما لا تستطيع البيانات وحدها أن تعلّمه... حين تتحدث الخبرة الإنسانية
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؟


من الجينات الغامضة إلى التشخيص المبكر... دور جديد للذكاء الاصطناعي

من الجينات الغامضة إلى التشخيص المبكر... دور جديد للذكاء الاصطناعي
TT

من الجينات الغامضة إلى التشخيص المبكر... دور جديد للذكاء الاصطناعي

من الجينات الغامضة إلى التشخيص المبكر... دور جديد للذكاء الاصطناعي

كشفت دراسة حديثة عن نموذج جديد يعتمد على التعلم الآلي قد يرفع دقة الفحوصات الجينية في أثناء الحمل، ويقلل حالة عدم اليقين التي تواجه الأسر عند اكتشاف تغيرات وراثية غير واضحة المعنى.

وطوّر باحثون في مستشفى الأطفال المرضى في كندا نموذجاً قادراً على تحويل علامات جينية محددة مستخرجة من عينات الدم إلى مؤشرات يمكن التعرف إليها في أنواع مختلفة من الأنسجة، بما فيها العينات المستخدمة في فحوصات ما قبل الولادة.

ويرى الباحثون أن هذه التقنية قد تمثل خطوة مهمة نحو تشخيص مبكر وأكثر دقة للأمراض الوراثية والاضطرابات النمائية العصبية لدى الأجنة، وتوفير معلومات أوضح للأطباء والأسر عند اتخاذ القرارات المتعلقة بصحة الطفل. ونُشرت الدراسة في مجلة «The American Journal of Human Genetics» في 6 أغسطس (آب) 2026.

«بصمات فوق جينية»

• عندما لا يعرف الأطباء معنى التغير الجيني. أتاحت التطورات الكبيرة في تقنيات قراءة الجينوم لعدد متزايد من الأسر إجراء فحوصات جينية في أثناء الحمل، والحصول على معلومات حول صحة الجنين، واحتمال ارتباط بعض التغيرات في الحمض النووي باضطرابات وراثية أو نمائية.

لكن هذه الفحوصات قد تكشف أحياناً عن تغيرات جينية لا يملك الأطباء أدلة كافية لتحديد طبيعتها. وتعرف هذه التغيرات باسم «متغيرات ذات أهمية غير مؤكدة» variants of uncertain significance (VUS)؛ إذ لا يمكن الجزم بسهولة بأنها ضارة أو حميدة.

وتشير الباحثة في علم الوراثة السريري الدكتورة روزانا ويكسبرغ، من علم الوراثة وبيولوجيا الجينوم معهد أبحاث مستشفى الأطفال المرضى في تورونتو، إلى أن نحو ثلث الحالات التي يظهر فيها تغير جيني جديد قد تترك الأطباء أمام سؤال صعب: هل يمثل هذا التغير خللاً مرضياً أم أنه مجرد اختلاف طبيعي في التطور؟ وتزداد المشكلة مع العدد الهائل من المتغيرات الجينية التي يصعب على المختصين تحليلها جميعاً بالطرق التقليدية.

• «بصمات» تكشف الأمراض. واستند الباحثون إلى مفهوم يعرف باسم «البصمات فوق الجينية» Episignatures وهي أنماط كيميائية مميزة تظهر على الحمض النووي، ويمكن أن تكشف عن وجود بعض الاضطرابات الوراثية. وفي عام 2020 طور مختبر الدكتورة روزانا ويكسبرغ منصة «EpigenCentral» التي تستخدم هذه البصمات المستخرجة من الدم لمساعدة الأطباء في تحديد ما إذا كان تغير جيني معين مرتبطاً بمرض أم لا.

وساعد الفريق حتى الآن في تحديد أكثر من 60 بصمة فوق جينية ثبتت فائدة معظمها في التشخيص السريري. لكن كانت هناك مشكلة رئيسية هي أن هذه البصمات كانت مرتبطة بنوع النسيج الذي أخذت منه العينة. فما يمكن التعرف إليه في الدم قد لا يعمل بالضرورة عند استخدام عينة من السائل الأمنيوسي أو المشيمة.

دور الذكاء الاصطناعي

• الذكاء الاصطناعي يتجاوز حاجز الأنسجة. وللتغلب على هذه المشكلة، طور الباحثون نموذجاً للتعلم الآلي يحول البصمات المستخرجة من الدم إلى بصمات مستقلة عن النسيج؛ أي يمكن التعرف إليها بغض النظر عن مصدر العينة.

ولاختبار النموذج أنشأ الفريق بصمة مرتبطة بمتلازمة داون Down syndrome باستخدام عينات من 266 شخصاً مصاباً بالمتلازمة، ثم درّب النموذج على بيانات متاحة لأكثر من 850 شخصاً من المصابين وغير المصابين، شملت ستة أنواع مختلفة من الأنسجة قبل الولادة وبعدها.

وأظهرت النتائج أن النموذج تمكن من التعرف بدقة على البصمة المرتبطة بمتلازمة داون في جميع أنواع الأنسجة التي جرى اختبارها. ويرى الباحثون أن هذه النتيجة تثبت إمكانية تحويل بصمة جينية مأخوذة من الدم إلى أداة يمكن استخدامها في عينات مختلفة، ما قد يجعلها مفيدة في مجال التشخيص أثناء الحمل.

• نحو فحوصات أقل تدخلاً. ولا تقتصر أهمية التقنية على عينات الحمل؛ إذ يأمل الباحثون في استخدامها مستقبلاً مع عينات يسهل الحصول عليها مثل اللعاب ومسحات الفم، ما قد يقلل الحاجة إلى سحب الدم أو الحصول على عينات أكثر تعقيداً.

وتقول الدكتورة سناء شوفاني، من نفس معهد أبحاث مستشفى الأطفال المرضى في كندا، التي شاركت في قيادة الدراسة، إن الهدف هو تزويد الأسر التي تواجه احتمال وجود اضطراب نمائي عصبي بأكبر قدر ممكن من المعلومات الدقيقة، وتقليل ما يعرف بـ«رحلة التشخيص» الطويلة التي يعيشها كثير من مرضى الأمراض النادرة.

ولا تزال التقنية بحاجة إلى مزيد من الدراسات قبل استخدامها على نطاق واسع في الممارسة السريرية، لكن الباحثين يرون أنها قد تمثل خطوة نحو تشخيص وراثي أكثر دقة وفي وقت أبكر بما يمنح الأسر والأطباء معلومات أوضح لاتخاذ القرارات المتعلقة بصحة الطفل.