حين يقترح الذكاء الاصطناعي الدواء… مَن يقرر فعلاً؟
بين الشاشة والطبيب
في الطب، لم يكن القرار يوماً مجرد اختيار بين خيارات متاحة، بل لحظة مسؤولية معقدة، يقف فيها الطبيب بين ما تقوله البيانات وما يعيشه الإنسان. فالتشخيص قد يكون علماً، لكن القرار ظل دائماً فعلاً إنسانياً يقوم على مزيج من الخبرة والحدس والقدرة على قراءة ما بين السطور.
عندما يصبح القرار احتمالاً
وفي الطب النفسي تحديداً، يزداد هذا التعقيد. فالمريض ليس رقماً ولا عضواً يمكن قياسه، بل تجربة إنسانية كاملة: مشاعر، ذاكرة، وعلاقات. لذلك؛ كان اختيار الدواء أقرب إلى محاولة فهم... لا إلى تطبيق معادلة.
لكن هذا التوازن بدأ يتغير مع دخول الذكاء الاصطناعي التنبؤي، حيث لم يعد القرار يبدأ من الفهم فقط، بل من الاحتمال.
الدواء تحت مجهر الخوارزمية
من«أي دواء أختار؟» إلى «ما احتمال النجاح؟»
في دراسة حديثة نُشرت في أبريل (نيسان) 2026 في مجلة «جاما للطب النفسي» (JAMA Psychiatry)، حلّل باحثون بيانات أكثر من 300 ألف مريض لتقدير احتمالية الاستجابة لمضادات الاكتئاب من نوع مثبطات استرداد السيروتونين الانتقائية (SSRIs)، وأظهرت النتائج أن النماذج التنبؤية بلغت دقة تقارب 74 في المائة، مقارنة بما يقابل نحو 48 في المائة في الممارسة التقليدية.
لكن الأهم من الأرقام هو ما تعكسه من تحول في طريقة التفكير الطبي. فبدلاً من أن يبدأ الطبيب من خبرته ليختار الدواء، يبدأ الآن من تقدير احتمالي مسبق يوجه القرار منذ البداية... وهنا لا تتغير الإجابة فقط... بل يتغير السؤال نفسه.
مثال من العيادة... حيث يبدأ التردد
في عيادة نفسية، يحضر مريض يعاني اكتئاباً متوسطاً. في النموذج التقليدي، يختار الطبيب الدواء بناءً على خبرته، ثم يراقب الاستجابة ويعدّل العلاج عند الحاجة.
أما مع الذكاء الاصطناعي، فيمكن إدخال بيانات المريض للحصول على تقدير لاحتمال نجاح كل خيار. قد يشير النظام إلى أن دواءً معيناً يملك فرصة نجاح أعلى بنسبة 68 في المائة. في هذه اللحظة، لا يختفي دور الطبيب... لكنه يتغير.
ويظهر سؤال جديد: هل يتبع خبرته... أم الاحتمال؟
هل أصبح القرار حسابياً؟
رغم دقة هذه النماذج، فإنها لا «تفهم» المريض كإنسان، بل تحلل أنماطاً إحصائية مستخلصة من بيانات واسعة. فهي لا تدرك التاريخ النفسي أو السياق الاجتماعي أو التعقيد الشخصي للحالة. وما تقدمه هذه الأنظمة ليس قراراً، بل هو احتمال مبني على تشابه الحالات. وهنا يبرز السؤال الجوهري: هل يكفي أن يكون الخيار أكثر احتمالاً للنجاح... ليكون الخيار الأنسب؟
تعاون طبي بعقل واحد
بين الدقة والإقناع
كلما ازدادت دقة الخوارزميات، ازدادت قدرتها على إقناع الطبيب بنتائجها. لكن هذا الإقناع قد لا يعكس الحقيقة دائماً، بل قوة العرض الرقمي. ففي بيئة تعتمد على السرعة والكفاءة، قد يميل الطبيب إلى الوثوق بالنتيجة، لا لأنه تحقق من دقتها، بل لأنها تبدو منظمة وواثقة.
وهنا يكمن الخطر الحقيقي: ليس في أن تخطئ الأنظمة... بل في أن تُقنعنا بأنها لا تخطئ.
الطب النفسي الشخصي... إلى أي مدى؟
تقود هذه التطورات إلى ما يُعرف بـ«الطب النفسي الشخصي»، الذي يسعى لتخصيص العلاج وفق خصائص كل مريض. لكن الاكتئاب ليس مجرد خلل كيميائي، بل حالة معقدة تتداخل فيها عوامل بيولوجية ونفسية واجتماعية، مثل التجارب الحياتية والعلاقات والضغوط اليومية - وهي عناصر يصعب قياسها بالكامل. لذلك؛ تظل النماذج التنبؤية محدودة بقدرتها على تمثيل هذا التعقيد الإنساني.
ما الذي يتغير فعلاً؟
التغيير الأهم ليس في دقة اختيار الدواء، بل في دور الطبيب. فلم يعد الطبيب المصدر الوحيد للقرار، بل أصبح مفسراً لتوصيات خوارزمية، ومقيّماً لمدى توافقها مع واقع المريض. وهذا يعيد تعريف دوره: من صانع قرار مباشر... إلى حارس للمعنى الإنساني داخل القرار. لكن هذا التحول يطرح سؤالاً أخلاقياً عميقاً: من يتحمل المسؤولية؟ الطبيب... أم النظام؟
الخلاصة: القرار ليس رقماً
قد تساعد الخوارزميات في توجيه القرار، لكنها لا تتحمل مسؤوليته. فالطب لم يكن يوماً مجرد اختيار الخيار الأكثر احتمالاً، بل كان دائماً تحملاً لنتائج هذا الاختيار في سياق إنساني معقد. ولهذا؛ قد لا يكون السؤال:
هل يستطيع الذكاء الاصطناعي اختيار الدواء؟ بل: هل يمكن اختزال القرار الطبي... في رقم؟
أعلنت شركة «إس كيه هاينكس»، إحدى أبرز شركات صناعة الرقائق في كوريا الجنوبية، الأربعاء، أنها ستعيد شراء أسهم بقيمة قياسية تبلغ 40 تريليون وون.
«الشرق الأوسط» (سيول)
ظاهرة «إلنينو» الاستثنائية... لمحة عن مستقبل الأرض «الحراري»https://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5308681-%D8%B8%D8%A7%D9%87%D8%B1%D8%A9-%D8%A5%D9%84%D9%86%D9%8A%D9%86%D9%88-%D8%A7%D9%84%D8%A7%D8%B3%D8%AA%D8%AB%D9%86%D8%A7%D8%A6%D9%8A%D8%A9-%D9%84%D9%85%D8%AD%D8%A9-%D8%B9%D9%86-%D9%85%D8%B3%D8%AA%D9%82%D8%A8%D9%84-%D8%A7%D9%84%D8%A3%D8%B1%D8%B6-%D8%A7%D9%84%D8%AD%D8%B1%D8%A7%D8%B1%D9%8A
ظاهرة «إلنينو» الاستثنائية... لمحة عن مستقبل الأرض «الحراري»
تزداد ظاهرة «إلنينو» قوةً باستمرار، وقد تكون الظروف الجوية الحادة التي ستجلبها بمثابة لمحة عما ينتظرنا في عالم أكثر دفئاً.
الأقوى على الإطلاق
يقول خبراء الأرصاد الجوية إن ظاهرة «إلنينو»، هذا العام، قد تصبح الأقوى على الإطلاق؛ وهذا يعني احتمال حدوث تأثيرات مناخية شديدة، تتراوح بين فترات جفاف طويلة في بعض أنحاء العالم وزيادة في العواصف وهطول الأمطار بمناطق أخرى، ما قد يؤدي إلى فيضانات عارمة.
«إلنينو» ظاهرة تجتاح مياه المنطقة الاستوائية للمحيط الهادئ
عالم يشهد ارتفاعاً مؤقتاً في الحرارة بمقدار درجتين مئويتين
تعتمد شدة ظاهرة «إلنينو» على مدى ارتفاع درجات حرارة المحيطات عن معدلاتها الطبيعية؛ إذ تؤثر هذه المياه الأكثر دفئاً على الغلاف الجوي، ما يؤدي إلى تغيير أنماط الطقس وتضخيم حِدتها. وتتزامن ظاهرة «إلنينو»، هذا العام، مع درجات حرارة مرتفعة بالفعل في المحيطات ومع صيف شديد الحرارة.
وهذا يعني أن الحرارة التي تجلبها الظاهرة قد تدفع متوسط درجة الحرارة العالمية الشهرية لتتجاوز حاجز الارتفاع بمقدار درجتين مئويتين (3.6 درجة فهرنهايت)؛ وهو الحد الذي طالما عددناه سقفاً ينبغي عدم تجاوزه لتجنب «الأضرار الواسعة وغير المتوقعة» الناجمة عن تغير المناخ.
تفاقم الآثار المناخية
في الواقع، تجدر الإشارة إلى أنه لا يوجد حد «آمن» للاحتباس الحراري. فنحن نشهد، بالفعل، آثار تغير المناخ، متمثلة في تسجيل الولايات المتحدة أكثر فصول الصيف حرارة على الإطلاق، وتوالي موجات الحر الشديدة في أنحاء أوروبا. ومع ذلك فإن كل زيادة، ولو طفيفة، في درجات الحرارة تؤدي إلى تفاقم الآثار المناخية، والحد من الاحترار يمكن أن يساعد في درء كوارث أكثر تطرفاً.
اختبار حقيقي لصمود كوكب الأرض
نحن لم نصل بعدُ إلى عالمٍ ترتفع فيه الحرارة بمقدار درجتين مئويتين؛ إذ يقول الخبراء إنه باستثناء تأثير دورة «إلنينو»، لن يصل كوكبنا إلى هذا المستوى من الاحترار قبل عقد أو عقدين آخرين. لكن إذا قادتنا ظاهرة «إلنينو» إلى هذا المستوى مؤقتاً، فقد نحصل على لمحة عما سيبدو عليه ذلك العالم.
وكتب روبرت رود، كبير العلماء بمنظمة «بيركلي إيرث» (Berkeley Earth)، على منصة «بلوسكاي» (Bluesky) تعليقاً على ظاهرة «إلنينو»، هذا العام: «قد تكون الأشهر الاثنا عشر المقبلة بمثابة اختبار حقيقي للقدرة على الصمود: حرارة قياسية، وطقس متطرف، وخسائر في المحاصيل، وتأثيرات متتابعة... إنها، جزئياً، لمحة عما يُخبئه لنا المستقبل».
من جهته يصف زيك هاوسفاذر، وهو عالم مناخ يعمل لدى منظمة «بيركلي إيرث» ويشغل منصب رئيس أبحاث المناخ بشركة «سترايب» (Stripe)، ظاهرة «إلنينو» الحالية بأنها بمثابة «آلة زمن»، إذ إن الاحترار الذي تجلبه هذه الظاهرة المناخية - الذي يمتد حتى نهاية عام 2026 ويدخل في عام 2027 - قد يماثل درجات الحرارة التي يتوقع العلماء أن تسود في عام 2037.
إلنينو ظاهرة لا تشبه الاحتباس الحراري
لكن ثمة أمراً مهماً يجب مراعاته؛ فلكل من ظاهرة «إلنينو» وغازات الدفيئة تأثيرات مختلفة. فقد كتب هاوسفاذر وعالِم المناخ أندرو ديسلر، في مقال نُشر على منصتهما المشتركة «ذا كلايمت برينك» (The Climate Brink) عبر خدمة «سابستاك »: «يمكن للعالم المستقبلي الذي ارتفعت حرارته بفعل الغازات الدفيئة، والعالم الحالي الذي ارتفعت حرارته مؤقتاً بفعل ظاهرة إلنينو، أن يتشاركا في متوسط درجة الحرارة العالمية نفسه، رغم وجود اختلافات جوهرية في تأثيرات هذا الاحترار».
إن ما نشير إليه جميعاً باسم «التغير المناخي» يرتبط بالاحترار العالمي الناجم عن انبعاث الغازات الدفيئة في الغلاف الجوي؛ حيث تعمل هذه الانبعاثات على حبس الحرارة، ما يؤدي إلى رفع درجة حرارة الكوكب.
في المقابل، يرى خبراء المناخ أن ظاهرة «إلنينو» تشبه، إلى حد كبير، «إعادة توزيع للحرارة» الموجودة بالفعل داخل نظامنا المناخي؛ فخلال هذه الظاهرة، تتغير الرياح وتدفع مياه المحيط الدافئة نحو مناطق أخرى، ما يؤثر، بدوره، على حرارة الغلاف الجوي.
احترار «إلنينو» ليس متساوياً عبر العالم
وهذا يعني أن الاحترار المرتبط بظاهرة «إلنينو» ليس عالمياً بالمعنى الشامل؛ إذ تشهد بعض أجزاء الكوكب درجات حرارة أعلى، بينما تنخفض الحرارة في أجزاء أخرى. كما تُغير الظاهرة أنماط هطول الأمطار بطريقة متفاوتة ومتباينة حول العالم.
وبهذا المعنى، لن تحاكي ظاهرة «إلنينو» الحالية الصورة الكاملة للاحترار العالمي- الناجم عن الأنشطة البشرية وتراكم الغازات الدفيئة- الذي يتوقع العلماء أن يشهده الكوكب بحلول عام 2037.
ومع ذلك، ستجلب هذه الظاهرة لمناطق معينة من العالم بعضاً من تلك التأثيرات المتفاقمة التي يحملها في طياته كوكب أكثر سخونة- مثل درجات الحرارة القياسية وفترات هطول الأمطار الغزيرة للغاية- وبصورة غير مسبوقة، مقارنة بأي دورة سابقة لظاهرة «إلنينو».
لماذا تجمع أفضل استراتيجيات الذكاء الاصطناعي بين التنبؤ والاستدلال؟https://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5308669-%D9%84%D9%85%D8%A7%D8%B0%D8%A7-%D8%AA%D8%AC%D9%85%D8%B9-%D8%A3%D9%81%D8%B6%D9%84-%D8%A7%D8%B3%D8%AA%D8%B1%D8%A7%D8%AA%D9%8A%D8%AC%D9%8A%D8%A7%D8%AA-%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%A8%D9%8A%D9%86-%D8%A7%D9%84%D8%AA%D9%86%D8%A8%D8%A4-%D9%88%D8%A7%D9%84%D8%A7%D8%B3%D8%AA%D8%AF%D9%84%D8%A7%D9%84%D8%9F
لماذا تجمع أفضل استراتيجيات الذكاء الاصطناعي بين التنبؤ والاستدلال؟
أجريتُ على مدار العامين الماضيين مئات المحادثات حول الذكاء الاصطناعي، مع جهات تنظيمية ومؤسسات مالية ومهندسين ومديرين تنفيذيين وأشخاص متشككين. وما يبرز باستمرار هو حجم الالتباس والغموض المحيط بهذا المجال؛ فالجميع يتحدثون عن الذكاء الاصطناعي وكأنه تقنية واحدة تسير في اتجاه واحد، في حين أن الواقع أكثر تعقيداً وتفصيلاً بكثير؛ كما كتب شون كامكار*.
الذكاء الاصطناعي نقطة التقاء التنبؤ والاستدلال
يمثل الذكاء الاصطناعي نقطة التقاء لنظامين مختلفين جوهرياً: أحدهما مصمم للتنبؤ (to predict)، والآخر مصمم للاستدلال (to reason). وستحظى الشركات التي تدرك هذا الفرق وتتعلم كيفية الجمع بينهما بميزة كبيرة، متفوقة بذلك على الشركات التي تتعامل مع الذكاء الاصطناعي كأداة أحادية النمط.
الذكاء الاصطناعي التنبؤي مقابل الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التنبؤي، كان لسنوات كثيرة يدعم اتخاذ القرارات بصمت ومن وراء الكواليس؛ إذ تتفوق نماذج تعلم الآلة في رصد الأنماط عبر كميات هائلة من البيانات التاريخية. وعلى سبيل المثال، في قطاع الائتمان، تحلل هذه النماذج أحجاماً ضخمة من البيانات التاريخية لتحديد أنماط يعجز أي محلل بشري عملياً عن رصدها وسط ملايين النتائج؛ فهي تتنبأ باحتمالية سداد المبالغ المالية، ومخاطر الاحتيال، وتقلبات المحفظة الاستثمارية، بدقة تفوق بكثير دقة أنظمة التقييم التقليدية التي أُنشئت قبل عقود.
أما الذكاء الاصطناعي التوليدي، فيؤدي وظيفة مختلفة تماماً، فهو يجمع المعلومات، ويتعامل مع الغموض، ويتواصل بلغة بشرية. وبإمكانه شرح أهمية اتجاه معين، وتلخيص النتائج المعقدة، وإبراز المقايضات الاستراتيجية، ومساعدة الأشخاص على التفاعل مع أنظمة كانت تتطلب سابقاً خبرة متخصصة لفهمها. ولا تقتصر وظيفته على التنبؤ فحسب؛ بل تشمل الاستدلال والترجمة (تحويل البيانات إلى مفاهيم مفهومة).
الفرق والدمج بين الاثنين: وأبسط طريقة لفهم هذا الفرق هي التشبيه التالي: يمثل تعلم الآلة «المختبر التشخيصي» الذي يُجري الفحوصات، بينما يمثل الذكاء الاصطناعي التوليدي «الطبيب» الذي يساعد في تفسير النتائج وتحديد الخطوة التالية. لا يستغني أي منهما عن الآخر؛ بل إنهما يتكاملان معاً لإنشاء منظومة أكثر قوة وفعالية.
استخدم نوع الذكاء الاصطناعي المناسب للمهمة
تكتسب هذه التفرقة أهميتها لأن كثيراً من المؤسسات تحاول حالياً إقحام الذكاء الاصطناعي التوليدي في أدوار لم يُصمم أصلاً للقيام بها. فرغم القدرات الهائلة لنماذج اللغة الكبيرة، فإنها ليست أنظمة تنبؤ حتمية (أي لا تعطي نتائج ثابتة ومحددة بدقة رياضية).
إن مطالبة «روبوت محادثة» (chatbot) عمومي الأغراض، باتخاذ قرارات مالية أو تشغيلية مصيرية بشكل مستقل -دون وجود بنية تحتية تحليلية متخصصة تدعمه- تشبه إلى حد ما مطالبة طبيب بتشخيص حالة مريض دون الاستعانة بالمختبرات ولا الفحوصات الطبية ولا قياس المؤشرات الحيوية؛ فالاستدلال الذي يفتقر إلى بيانات موثوقة وراسخة يظل غير جدير بالثقة.
وفي الوقت نفسه، تخلق أنظمة التنبؤ التي تفتقر إلى القابلية للتفسير مشكلة من نوع آخر. ما ألاحظه هو أن المؤسسات باتت قادرة على توليد مخرجات تتسم بدقة متزايدة، ولكنها عصيَّة على الفهم، ولا يفهمها إلا عدد أقل من البشر. وهذا التباين هو ما يشكِّل ملامح المرحلة المقبلة من تبنِّي الذكاء الاصطناعي في مختلف القطاعات.
تطبيقات ميدانية متنوعة
على سبيل المثال، في مجال الرعاية الصحية، يمكن لنماذج التنبؤ تحديد المرضى الأكثر عرضة للمخاطر في وقت أبكر، مقارنة بأساليب الفحص التقليدية. ومع ذلك، لا يزال الأطباء بحاجة إلى أنظمة قادرة على تفسير النتائج، وتلخيص الاعتبارات العلاجية، والتواصل بوضوح مع المرضى. وفي مجال المركبات ذاتية القيادة، تعمل إحدى طبقات الذكاء الاصطناعي باستمرار على رصد المسارات والمشاة والمسافات والعوائق لحظة بلحظة، بينما تتولى طبقة أخرى تحديد كيفية استجابة المركبة للظروف المتغيرة.
ويتكرر هذا النمط في كل مكان: ذكاء تنبؤي مقترن بذكاء استنتاجي (قائم على المنطق والتحليل).
الجمع بين التنبؤ والاستنتاج... والتقدير البشري
تُعد عمليات الإقراض من أوضح الأمثلة على ذلك؛ إذ يجب أن تكون عملية التقييم الائتماني حتمية وقابلة للتكرار -بمعنى أن المُدخلات ذاتها يجب أن تُفضي إلى النتيجة والتفسير نفسيهما في كل مرة- وإلا فلن يكون القرار قابلاً للتبرير أمام الجهات الرقابية ولا المقترضين. وهنا تبرز قوة التعلم الآلي، غير أنه لا يوفر وسيلة لاستكشاف دلالات تلك الأرقام ومعانيها.
وهنا يأتي دور الذكاء الاصطناعي التوليدي لسد هذه الفجوة؛ فهو يتولى تفسير النتائج في سياقها الصحيح، واختبار سيناريوهات افتراضية بديلة (تحليل «ماذا لو؟») على المحافظ الائتمانية، ومحاكاة تأثير تغيير السياسات على قرارات الموافقة. فبدلاً من الاكتفاء بتقييم القروض، يساعد هذا الذكاء المقرضين على فهم مخرجات الأنظمة التي تتولى عملية التقييم الفعلية. ولا يلغي هذا المزيج دور التقدير البشري؛ بل يعزز قيمته؛ إذ يتيح للبشر تخصيص وقت أقل للتحليل الروتيني، وتكريس وقت أكبر للتعامل مع الحالات الاستثنائية، واتخاذ القرارات الاستراتيجية، وممارسة مهام الرقابة والإشراف.
إن المؤسسات التي تحقق أفضل النتائج هي تلك التي لا تستبدل بالبشر أنظمة الذكاء الاصطناعي؛ بل تبني أنظمة تتكامل فيها أشكال الذكاء المختلفة: نماذج إحصائية ترصد الأنماط على نطاق واسع، وأنظمة توليدية تحوِّل التعقيد إلى رؤى قابلة للتطبيق، وعنصر بشري يضيف السياق ويقوم بأدوار الرقابة والتقدير.
قدرات التحليل المتقدمة
على مدى عقود، تركزت القدرات التحليلية المتقدمة داخل كبرى المؤسسات العالمية؛ إذ كانت تلك المؤسسات وحدها تمتلك الموارد المالية اللازمة لتوفير البنية التحتية والخبرات المطلوبة لمعالجة المعلومات على نطاق واسع. غير أن الذكاء الاصطناعي بدأ يُغيِّر هذا الواقع؛ فالمنظمات التي ستجني أكبر قدر من الفوائد لن تكون تلك التي تسعى وراء الأتمتة الكاملة؛ بل تلك التي تدمج بين التنبؤ والاستدلال والتقدير البشري، في منظومات عمل تعزز من فاعلية الأفراد.
* الرئيس التنفيذي للتكنولوجيا في شركة «Zest AI»، مجلة «فاست كومباني».
هل يستطيع الذكاء الاصطناعي أن ينسى المريض؟https://aawsat.com/%D8%B9%D9%84%D9%88%D9%85/5308318-%D9%87%D9%84-%D9%8A%D8%B3%D8%AA%D8%B7%D9%8A%D8%B9-%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%8A%D9%86%D8%B3%D9%89-%D8%A7%D9%84%D9%85%D8%B1%D9%8A%D8%B6%D8%9F
تخيّل مريضاً وافق قبل سنوات على استخدام بياناته الطبية في تدريب نظام ذكي يساعد الأطباء في اكتشاف الأمراض. وهكذا دخلت صوره وفحوصه وتاريخه المرضي ضمن آلاف، وربما ملايين، السجلات التي استخدمت لبناء النموذج. ثم غيّر رأيه، وطلب سحب موافقته وحذف بياناته.
في قاعدة البيانات التقليدية يبدو الحل بسيطاً: يُحذف السجل وتنتهي القصة. لكن المشكلة تصبح أكثر تعقيداً عندما يكون النظام قد تعلّم بالفعل من تلك البيانات؛ فأثناء التدريب لا يحتفظ النموذج بالضرورة بسجل المريض كما تفعل قاعدة البيانات، بل تتغير معاملاته الداخلية استناداً إلى الأنماط التي استخلصها. وهكذا يمكن حذف الملف الأصلي، بينما يبقى جزء من أثره الإحصائي فيما تعلّمته الخوارزمية.
عندما لا يكفي زر «الحذف»
هل يمكن حذف ما تعلّمته الآلة أيضاً؟ هذا هو السؤال الذي طرحه باحثون في دراسة تحليلية حديثة نُشرت في 18 يوليو (تموز) 2026، في دورية «إن بي جيه ديجيتال ميديسن» (npj Digital Medicine)، التابعة لمحفظة «نيتشر» (Nature Portfolio)، بعنوان «محو التعلّم الآلي بوصفه ضرورة لحوكمة الذكاء الاصطناعي السريري».
وتناقش الدراسة مفهوم «محو التعلّم الآلي» (Machine Unlearning)، أي محاولة إزالة تأثير بيانات محددة من نموذج سبق تدريبه، من دون الحاجة بالضرورة إلى إعادة تدريبه بالكامل من نقطة الصفر.
وإذا نجحت هذه الفكرة عملياً، فقد تضيف إلى الطب الرقمي قدرة لم تكن جزءاً تقليدياً من تصميم الخوارزميات: ألّا تتعلم فقط، بل أن تعرف أيضاً كيف تنسى.
ما «محو التعلّم»؟
يقوم تدريب أنظمة الذكاء الاصطناعي على استخلاص أنماط وعلاقات إحصائية من كميات كبيرة من البيانات، ثم ترميز ما تعلّمته بصورة موزعة داخل معاملات النموذج، بحيث يستطيع لاحقاً استخدامها في التصنيف أو التنبؤ أو دعم التشخيص.
أما «محو التعلّم» فيحاول السير في الاتجاه المعاكس: إزالة أثر بيانات بعينها بعد أن يكون النموذج قد تعلّم منها بالفعل. والهدف، بدلاً من إعادة التدريب من نقطة الصفر كلما طُلب حذف سجل، هو تعديل النموذج بحيث يصبح سلوكه قريباً قدر الإمكان من نموذج افتراضي لم يتدرب على تلك البيانات أصلاً. ويُعرف هذا النموذج المعاد تدريبه من دون البيانات المطلوب حذفها أحياناً بأنه «المعيار الذهبي» الذي تُقارن به فاعلية عملية المحو.
والفرق هنا جوهري؛ فحذف صورة أشعة أو نتيجة فحص من قاعدة البيانات لا يضمن اختفاء تأثيرها من النموذج الذي سبق أن تدرب عليها؛ لأن أثرها قد يكون توزع بالفعل عبر عدد كبير من معاملاته الداخلية.
ويمكن تشبيه ذلك بتمزيق صفحة من كتاب بعد أن يكون القارئ قد حفظ محتواها: اختفت الصفحة، لكن المعلومة لم تختفِ بالضرورة من الذاكرة.
حين يصبح النسيان ضرورة طبية
لماذا يحتاج الطب إلى «النسيان»؟
الحاجة إلى النسيان لا تبدأ أو تنتهي عندما يغيّر مريض رأيه ويسحب موافقته على استخدام بياناته؛ فقد يتبين بعد التدريب أن بعض السجلات احتوت على أخطاء، أو أن صوراً طبية صُنفت بتشخيص غير صحيح، أو أن مجموعة سكانية لم تُمثَّل بصورة متوازنة. وفي حالات أخرى، قد لا تكون المشكلة في البيانات نفسها، بل في أن المعرفة الطبية التي استندت إليها تغيّرت.
وهذه نقطة شديدة الأهمية في الطب؛ فالمعرفة السريرية ليست ثابتة. كما أن توصيات العلاج تتبدل مع ظهور تجارب وأدلة جديدة، وقد تُراجع ممارسات كانت مقبولة عندما جُمعت البيانات التي تعلم منها النظام.
ويستشهد الباحثون بجائحة «كوفيد-19» بوصفها مثالاً واضحاً، حين تغيرت الأدلة والتوصيات العلاجية بسرعة استثنائية؛ فإذا تعلم نموذج طبي من ممارسات ثبت لاحقاً أنها غير مناسبة، فإن مجرد إضافة بيانات أحدث قد لا يجيب دائماً عن سؤال أكثر صعوبة: هل يمكن إزالة أثر المعرفة التي لم نعد نريد للنظام أن يعتمد عليها؟
وهنا يكتسب «محو التعلّم» وظيفة تتجاوز حذف البيانات؛ فقد يصبح أداة لتصحيح الذاكرة السريرية للنموذج عندما يتغير العلم نفسه.
حين يصبح الحق في النسيان تحدياً للخوارزمية
هل يملك المريض حقاً في أن تنساه الخوارزمية؟
تزداد المسألة تعقيداً عندما تنتقل من علوم الحاسوب إلى القانون وحقوق المريض؛ فاللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR) تمنح الأفراد، بموجب المادة 17 وفي ظروف محددة، حق طلب محو بياناتهم الشخصية، وهو ما يُعرف أحياناً بـ«الحق في المحو» أو «الحق في أن يُنسى».
لكن النماذج الذكية تطرح مشكلة لم تكن قواعد البيانات التقليدية مصممة للتعامل معها؛ فإذا دخلت بيانات المريض بالفعل في عملية التدريب، فإن حذف السجل الأصلي لا يجيب بالضرورة عن سؤال آخر: ماذا عن الأثر الذي تركته تلك البيانات داخل النموذج؟
وتشير الدراسة إلى أن مدى انطباق التزامات المحو على معاملات النماذج المدربة، لا يزال مسألة قانونية غير محسومة بالكامل؛ فالمعلومة الأصلية قد لا تبقى محفوظة في موضع محدد يمكن ببساطة العثور عليه وحذفه، وإنما قد يكون تأثيرها موزعاً عبر بنية النموذج.
وهنا تظهر فجوة جديدة بين الحق القانوني في حذف البيانات والقدرة التقنية على جعل الخوارزمية تتصرف كما لو أنها لم تتعلم منها أصلاً. إنها منطقة يلتقي فيها الطب وعلوم الحاسوب والقانون، بينما لا تزال حدود «حق المريض في النسيان الرقمي» قيد التشكل.
النسيان ليس بلا مخاطر
لكن جعل النموذج ينسى ليس عملية بلا ثمن؛ فإزالة أثر مجموعة من البيانات قد تغير سلوكه بطرق تتجاوز المعلومات المستهدفة نفسها، وربما تؤثر في قدرته على التمييز بين الحالات أو في «معايرته»؛ أي مدى تطابق الاحتمالات التي يتنبأ بها مع النتائج التي تحدث فعلياً.
وقد لا يتوزع هذا التأثير بالتساوي؛ فعملية تبدو ناجحة عند قياس الأداء العام قد تترك أثراً أكبر لدى فئة معينة من المرضى، خصوصاً إذا كانت ممثلة أصلاً بعدد محدود من الحالات.
لذلك، يحذر الباحثون من التعامل مع محو التعلّم بوصفه «زر حذف»؛ فبعد أي تعديل جوهري ينبغي إعادة اختبار النموذج، ومقارنة أدائه بالنسخة السابقة، والتحقق من عدم ظهور آثار جانبية غير مقصودة، مع الاحتفاظ بإمكانية الرجوع إلى إصدار سابق إذا فشلت العملية.
ومن هنا تطرح الدراسة مفهوماً مهماً هو «الاستعداد لمحو التعلّم» (Unlearning Readiness): أي أن تُصمم الأنظمة الطبية منذ البداية بحيث يمكن لاحقاً تحديد البيانات المطلوب نسيانها، وإزالة أثرها، ثم التحقق من نجاح العملية وتوثيق ما تغير.
وبذلك يصبح «النسيان» خاصية ينبغي التفكير فيها عند بناء النموذج، لا بعد أن تظهر الحاجة إليها.
من «النموذج الثابت» إلى دورة حياة مستمرة
يغير «محو التعلّم» أيضاً الطريقة التي ننظر بها إلى الأنظمة الطبية بعد اعتمادها؛ فالنموذج لا ينبغي أن يُعامل منتجاً ثابتاً يحصل على الموافقة ثم يبقى على حاله؛ فالبيانات تتغير، والأدلة الطبية تتطور، وقد تُكتشف أخطاء جديدة، أو يسحب مرضى موافقتهم على استخدام معلوماتهم.
لذلك تقترح الدراسة التعامل معه ضمن دورة حياة مستمرة تبدأ بمعرفة مصدر البيانات وإمكانية تتبعها، وتمر بإدارة إصدارات النموذج وتحديد الظروف التي تستدعي إزالة أثر معلومات معينة، ثم اختبار النسخة المعدلة قبل استمرار استخدامها سريرياً.
وهذا يعني أن السؤال عند اعتماد نظام طبي جديد لا ينبغي أن يكون فقط: كيف تعلّم؟ بل أيضاً: هل نعرف كيف نصحح ما تعلّمه إذا اكتشفنا لاحقاً أنه لم يعد صالحاً؟
وتصبح الحوكمة، بهذا المعنى، إدارةً لدورة حياة الذكاء الاصطناعي الطبي، وليست موافقة تنظيمية تُمنح مرة واحدة عند دخوله المستشفى.
حين يصبح النسيان شكلاً من أشكال الحكمة
السؤال المقبل للذكاء الاصطناعي الطبي
قضينا السنوات الماضية نحاول بناء أنظمة تستطيع التعلم من أكبر قدر ممكن من البيانات. لكن الطب قد يحتاج الآن إلى قدرة مختلفة: أن تعرف الآلة ماذا يجب أن تنسى، ومتى، وكيف تثبت أنها نسيته من دون الإضرار بما تعلمته بصورة صحيحة. وقد كتب الفيلسوف الألماني فريدريش نيتشه قبل أكثر من قرن أن «النسيان ليس مجرد قوة خمول... بل قدرة فاعلة وإيجابية». كان يتحدث عن العقل الإنساني، لا عن الخوارزميات، لكن عبارته تكتسب اليوم معنى تقنياً لم يكن من الممكن تصوره في عصره؛ فبعد سنوات انصب فيها الاهتمام على كيفية تعليم الآلة، قد تبدأ المرحلة المقبلة بالسؤال عن كيفية جعلها تتراجع عما تعلمته عندما يصبح ذلك ضرورياً. وربما لا تُقاس ذاكرة الآلة بما تستطيع الاحتفاظ به فقط، بل بما تستطيع أن تنساه عندما يصبح التذكّر خطأً.
ففي الطب، قد لا يكون النسيان نقيضاً للتعلّم؛ بل أحد شروط استمرار التعلّم بصورة صحيحة.