استطلاع جديد يكشف: الذكاء الاصطناعي العام بعيد المنال
تاريخ النشر: 18th, March 2025 GMT
يشكك علماء الذكاء الاصطناعي في قدرة النماذج الحديثة على تحقيق الذكاء الاصطناعي العام (AGI) – وهو مستوى ذكاء يماثل القدرات البشرية – رغم الاستثمارات الضخمة التي تضخها الشركات التقنية في هذا المجال.
في استطلاع شمل 475 باحثًا في الذكاء الاصطناعي، أفاد 76% منهم بأن من "غير المحتمل" أو "غير المحتمل جدًا" أن تؤدي النماذج الحالية إلى تطوير أنظمة ذكاء اصطناعي فائقة الذكاء.
اقرأ أيضاً.. الأول من نوعه عالمياً.. مسح متخصص يكشف تأثير الذكاء الاصطناعي على الرعاية الصحية
على مدار السنوات الأخيرة، اعتمدت شركات التقنية على فكرة أن توسيع نطاق النماذج الحالية سيؤدي إلى تحقيق AGI، مستفيدةً من تطور نماذج المحولات (Transformer Models) التي تحسنت تدريجيًا بفضل زيادة حجم البيانات المستخدمة في تدريبها. لكن هذه النماذج بدأت تظهر علامات على التباطؤ، إذ لم تحقق الإصدارات الأخيرة سوى تحسينات طفيفة في الجودة.
يقول ستيوارت راسل، من جامعة كاليفورنيا في بيركلي وأحد المساهمين في التقرير: "الاستثمارات الهائلة في توسيع نطاق النماذج دون محاولة جادة لفهم آليات عملها كانت دائمًا تبدو لي غير موفقة. ومنذ نحو عام، أصبح واضحًا للجميع تقريبًا أن فوائد هذا النهج التقليدي قد بلغت حدها الأقصى".
اقرأ أيضاً.. دراسة جديدة تكشف عن غزو الذكاء الاصطناعي للمحتوى على الإنترنت
ومع ذلك، تستعد شركات التقنية لإنفاق نحو تريليون دولار على مراكز البيانات والرقائق الإلكترونية في السنوات المقبلة لدعم طموحاتها في مجال الذكاء الاصطناعي.
وأشار التقرير أيضًا إلى وجود فجوة بين التصورات السائدة حول قدرات الذكاء الاصطناعي وواقعه الفعلي، حيث قال 80% من المشاركين إن التوقعات بشأن AI مبالغ فيها. يوضح توماس ديترتش، من جامعة ولاية أوريغون: "الأنظمة التي يُقال إنها تضاهي الأداء البشري – مثل حل المسائل البرمجية أو الرياضية – لا تزال ترتكب أخطاءً ساذجة. يمكن لهذه الأنظمة أن تكون أدوات مفيدة، لكنها لن تحل محل البشر في الوظائف".
حاليًا، تركز الشركات التقنية على ما يُعرف بـ"توسيع وقت الاستدلال"، حيث يتم استخدام قوة حوسبة أكبر لمنح النماذج مزيدًا من الوقت لمعالجة المدخلات وتحسين الاستجابات. لكن آروند نارايانان، من جامعة برينستون، يرى أن هذا النهج "لن يكون الحل السحري" لتحقيق AGI.
رغم الاهتمام المتزايد بالذكاء الاصطناعي العام، لا يزال تعريفه غير واضح تمامًا. على سبيل المثال، Google DeepMind تعتبره نظامًا قادرًا على التفوق على البشر في اختبارات معرفية متعددة، بينما ترى Huawei أن تحقيقه يتطلب امتلاك الذكاء الاصطناعي لجسد يتيح له التفاعل مع البيئة. أما Microsoft وOpenAI، فقد حددتا في تقرير داخلي أن AGI سيتحقق فقط عندما تتمكن OpenAI من تطوير نموذج يحقق أرباحًا بقيمة 100 مليار دولار.
إسلام العبادي(أبوظبي)
المصدر: صحيفة الاتحاد
كلمات دلالية: الذكاء الاصطناعي المسائل الرياضية الذكاء الذکاء الاصطناعی
إقرأ أيضاً:
الذكاء الاصطناعي يعزز دقة التنبؤ بهياكل الأجسام المضادة
طوّر باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) نموذجًا حسابيًا جديدًا قادرًا على التنبؤ بهياكل الأجسام المضادة بدقة غير مسبوقة، مما قد يُحدث تحولًا كبيرًا في تصميم أدوية فعالة ضد أمراض معدية مثل كوفيد-19 وHIV.
الذكاء الاصطناعي يتجاوز التحديات السابقة
رغم التقدم الكبير الذي حققته نماذج الذكاء الاصطناعي المعتمدة على "نماذج اللغة الكبيرة" (LLMs) في التنبؤ بهياكل البروتينات، إلا أنها واجهت صعوبات عند التعامل مع الأجسام المضادة، خاصة بسبب المناطق شديدة التغير فيها والمعروفة بـ"المناطق مفرطة التغير". للتغلب على هذه العقبة، ابتكر فريق (MIT) تقنية جديدة تحسّن أداء هذه النماذج وتمنحها القدرة على فهم تعقيدات هذه البروتينات المناعية.
تقول بوني بيرغر، أستاذة الرياضيات في (MIT) ورئيسة مجموعة الحوسبة والبيولوجيا في مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL): «طريقتنا تسمح بالوصول إلى نطاق واسع من الاحتمالات، مما يتيح لنا إيجاد إبر حقيقية في كومة قش. وهذا قد يوفر على شركات الأدوية ملايين الدولارات بتجنب التجارب السريرية غير المجدية».
نموذج AbMap: أداة ذكية للتنقيب في بحر الأجسام المضادة
النموذج الجديد، الذي يحمل اسم (AbMap)، يعتمد على وحدتين مدربتين بشكل دقيق: الأولى تتعلم من بنى ثلاثية الأبعاد لحوالي 3000 جسم مضاد موجودة في قاعدة بيانات البروتينات (PDB)، والثانية تعتمد على بيانات تقيس مدى ارتباط أكثر من 3700 جسم مضاد بثلاثة أنواع مختلفة من المستضدات.
باستخدام (AbMap)، يمكن التنبؤ بهيكل الجسم المضاد وقوة ارتباطه بالمستضد، فقط من خلال تسلسل الأحماض الأمينية. وفي تجربة واقعية، استخدم الباحثون النموذج لتوليد ملايين التعديلات على أجسام مضادة تستهدف بروتين «سبايك» لفيروس SARS-CoV-2، وتمكّن النموذج من تحديد أكثرها فعالية.
وقد أظهرت التجارب بالتعاون مع شركة Sanofi أن 82 % من الأجسام المضادة المختارة باستخدام النموذج أظهرت أداءً أفضل من النسخ الأصلية.
اختصار الطريق نحو العلاجات الفعالة
يُعد هذا التقدم فرصة ذهبية لشركات الأدوية لتقليص الوقت والتكاليف اللازمة في مراحل البحث والتطوير. ووفقًا للبروفيسور روهيت سينغ، المؤلف المشارك للدراسة: «الشركات لا تريد المخاطرة بكل شيء في جسم مضاد واحد قد يفشل لاحقًا. النموذج يمنحها مجموعة من الخيارات القوية للمضي قدمًا بثقة».
تحليل الاستجابات المناعية على مستوى الأفراد
بعيدًا عن التطبيقات الدوائية، يُمكن للنموذج أن يُحدث نقلة في فهم التباين في الاستجابات المناعية بين الأفراد. فعلى سبيل المثال، لماذا يُصاب البعض بكوفيد-19 بشكل حاد، بينما ينجو آخرون دون أعراض؟ أو لماذا يبقى بعض الأشخاص غير مصابين بـHIV رغم تعرضهم للفيروس؟
الدراسة أظهرت أنه عند مقارنة البنية الثلاثية للأجسام المضادة بين الأفراد، فإن نسبة التشابه قد تكون أعلى بكثير من النسبة التي تُظهرها المقارنة الجينية التقليدية (10%). وهذا قد يفتح الباب لفهم أعمق لكيفية عمل جهاز المناعة وتفاعله مع مسببات الأمراض المختلفة.
يقول سينغ: «هنا يتجلى دور نماذج اللغة الكبيرة بوضوح، فهي تجمع بين نطاق التحليل الواسع القائم على التسلسل الجيني ودقة التحليل البنيوي».
دعم وتمويل دولي
حظي البحث بدعم من شركة Sanofi وعيادة عبد اللطيف جميل لتعلم الآلة في مجال الصحة، مما يعكس تزايد اهتمام المؤسسات العالمية بالذكاء الاصطناعي كأداة استراتيجية في الطب الحيوي.
بهذا الإنجاز، يُبرهن الذكاء الاصطناعي مجددًا على قدرته في إحداث ثورة صامتة في المختبرات الطبية، حيث لا تقتصر فوائده على التسريع والتحليل، بل تمتد لتوجيه القرارات الحاسمة التي قد تُنقذ أرواح الملايين.
أسامة عثمان (أبوظبي)
موجة حر قياسية تضرب هذه الولايات اليوم!