المحبطون من الذكاء الاصطناعي يحصلون على فرصة تألق في لحظة تحوّل

تُعدّ الموجة الحالية من التحذيرات من "الدمار الاصطناعي" (AI doomers) رد فعل متأخر على فشل النماذج اللغوية الكبيرة (LLMs) في تحقيق التقدم الموعود نحو الذكاء الاصطناعي العام (AGI). على الرغم من التمويل الضخم الذي استُثمر في تطوير هذه النماذج — بلغت ميزانية OpenAI 60 مليار دولار، وقيمتها السوقية تجاوزت 500 مليار دولار — تبرز تساؤلات متزايدة حول فعاليتها، خاصة بعد إصدار GPT-5 الذي فشل في تجاوز التوقعات. يرى خبراء مثل جاري ماركوس، المفكر الرائد في مجال الذكاء الاصطناعي، أن التوسع الهائل في البيانات والحوسبة لم يعد كافيًا لتحقيق الذكاء العام، مؤكدًا أن "الاستمرار في الاعتماد على التوسع وحده هو خداع علمي". السبب الجوهري يكمن في طبيعة LLMs نفسها: فهي تعتمد على التعرف على الأنماط في النصوص، وليس على الفهم الحقيقي أو التفكير المنطقي. دراسة أجرتها فريق بحثي من شركة آبل في يونيو 2024، بعنوان "وهم التفكير"، كشفت أن هذه النماذج تفشل عند مواجهة مهام معقدة، وتُظهر سلوكًا يشبه "التجربة العشوائية" بدلًا من التفكير المنطقي. كما أشارت نتائج دراسة ألمانية إلى أن معدل "الهلوسة" (الإفادة ببيانات غير صحيحة) في 11 نموذجًا لغويًا يراوح بين 7% و12%، ما يثير مخاوف حول موثوقيتها. التحدي الأكبر يكمن في أن التوسع في البيانات والحوسبة لم يعد يضمن تحسنًا متناسبًا، ما يشير إلى أن LLMs قد وصلت إلى حدود تقنية. يرى يان لكون، عالم الذكاء الاصطناعي في ميتا، أن "المسائل المهمة لا تُ-scalable بسهولة"، وأن الذكاء الحقيقي لا يُبنى من خلال كم هائل من البيانات فقط. كما يشير إلى ضرورة أن تفهم النماذج العالم المادي، وتكتسب الحدس، والذاكرة المستمرة، والقدرة على التخطيط — صفات لا تمتلكها LLMs حاليًا. في المقابل، تبرز بدائل واعدة مثل "نماذج العالم" (world models)، التي تتعلم من خلال محاكاة بيئات حقيقية، وتُمكّن الذكاء الاصطناعي من فهم الفيزياء والمنطق المادي، كما في نموذج Genie 3 من DeepMind، الذي يُحاكي تضاريس بركانية وبيئات مظلمة. كما تُدرس نماذج عصبية تُحاكي دماغ الإنسان، ونماذج متعددة الوكالات، حيث تتفاعل نماذج ذكية مع بعضها كطريقة لمحاكاة التفاعل البشري. كما يرى فاي فاي لي، خبيرة الذكاء الاصطناعي في ستانفورد، أن اللغة ليست الأساس في الذكاء، بل التجربة الحسية والتفاعل مع العالم المادي. ويدعو ماركوس إلى تغيير جذري في مسار البحث، مؤكدًا أن LLMs، رغم تفوقها في بعض المهام، لا تزال أضعف من "نملة" في فهم العالم الحقيقي، ما يستدعي الانتقال إلى نماذج ذكية أكثر تكاملاً. في ظل هذه التحولات، يُنظر إلى إصدار تقارير الأرباح من نيفيديا، العملاق المُنتِج للرقائق التي تُشغل LLMs، كمؤشر حاسم. إذا أظهرت تباطؤًا في النمو، فسيُعزز التخوف من أن "النفق الذهبي" في الذكاء الاصطناعي قد ينتهي، ويُعاد توجيه الاهتمام نحو طرق أكثر عمقًا وأكثر توازيًا مع الذكاء البشري.