شهدت نماذج اللغة الضخمة وتقنيات الوكلاء الأذكياء تطورًا سريعًا في السنوات الأخيرة، وتتوسع حدود مشاركة الذكاء الاصطناعي في البحث العلمي باستمرار. فمن مراجعة الأدبيات وكتابة البرامج إلى تحليل البيانات، بات بالإمكان إنجاز المزيد من عمليات البحث العلمي المعيارية بمساعدة الذكاء الاصطناعي، بل إن بعض أنظمة الوكلاء الأذكياء بدأت في محاولة القيام بمهام فرعية محددة في البحث العلمي بشكل مستقل. ومع ذلك، لا يزال هناك سؤال أكثر أهمية يفتقر إلى إجابة منهجية: متى يتوقف الباحثون عن تقديم مناهج واضحة ومسارات تنفيذ محددة، ويكتفون بعرض مشكلة علمية لحلها؟إلى أي مدى يمكن للذكاء الاصطناعي إكمال الأبحاث بشكل مستقل؟

تواجه معايير البحث الحالية صعوبة في الإجابة على هذا السؤال. يركز أحد أنواع التقييم بشكل أساسي على مدى استيعاب النموذج للمعرفة العلمية الموجودة، ويبقى في جوهره قريبًا من "الإجابة على الأسئلة بناءً على المعرفة مع وجود إجابات معروفة". أما النوع الآخر، فرغم أنه يتضمن تنفيذ التعليمات البرمجية واستخدام الأدوات، إلا أنه غالبًا ما يحدد مسبقًا أساليب البحث أو الإجراءات التشغيلية، ويختبر بشكل رئيسي ما إذا كان الذكاء الاصطناعي قادرًا على إنجاز المهام وفقًا لعملية محددة مسبقًا. تستطيع هذه المعايير قياس فهم المعرفة وقدرات تنفيذ البحث، لكنها تعجز عن التمييز بشكل أدق بين المجالات المختلفة.هل الذكاء الاصطناعي قادر حقاً على تصميم حلول بحثية بشكل مستقل، أم أنه مجرد تكرار للحلول التي قدمها البشر بالفعل؟

لتحقيق هذه الغاية، استثمر أكثر من 40 خبيرًا متخصصًا من أكثر من عشر مؤسسات، بما في ذلك جامعة تسينغهوا، ومعهد ماساتشوستس للتكنولوجيا، وجامعة هارفارد، وجامعة كارنيجي ميلون، ومايكروسوفت للأبحاث، مجتمعين أكثر من 31,000 ساعة لبناء منصة ASI-Bench، وهي معيار لقياس قدرات البحث المستقلة. لا تكمن فكرتها الأساسية في زيادة صعوبة المشكلات فحسب، بل في تقليل كمية المعلومات المنهجية التي يقدمها البشر تدريجيًا لنفس مشروع البحث، ومراقبة كيفية تغير أداء الذكاء الاصطناعي، وبالتالي تحديد مدى اعتماد النظام على التوجيه البشري.

تم نشر نتائج البحث ذات الصلة، بعنوان "ASI-Bench: في فجر الذكاء الاصطناعي الفائق"، على منصة ما قبل الطباعة arXiv.

عرض الورقة:
https://hyper.ai/papers/2608.17271

مجموعة البيانات: مستودع لمهام البحث على مستوى المشروع يغطي 11 تخصصًا رئيسيًا

يعتمد نظام ASI-Bench على مجموعة من المهام على مستوى المشاريع، مصممة على غرار مشاكل بحثية واقعية. وعلى عكس الأسئلة القائمة على المعرفة أو التمارين المعيارية في المعايير التقليدية، صُممت كل مهمة كمشروع بحثي مصغر متكامل نسبيًا، مما يتطلب من النظام المرور بمراحل متعددة مثل فهم المشكلة، واختيار المنهجية، وتنفيذ الكود، والتنفيذ التجريبي، والتحقق من الأخطاء، وتكرار النتائج.

وقد انبثقت المهمة في البداية من أكثر من 1300 ورقة بحثية أكاديمية وأسئلة بحثية متطورة، تغطي مجالات متعددة مثل العلوم الأساسية وعلوم الحياة والتكنولوجيا الهندسية.يقوم فريق البحث أولاً باختيار مواضيع مرشحة تمثيلية من قبل خبراء المجال، ثم يُجري تعديلات هندسية وتحققاً من الجدوى لضمان إمكانية تنفيذ وتقييم أسئلة البحث المفتوحة أصلاً في بيئة موحدة. وفي هذه العملية، يتم استبعاد المهام التي تنطوي على عيوب منطقية علمية، أو نتائج يصعب تكرارها، أو ظروف تشغيل غير مستقرة، أو صعوبة غير متوازنة بشكل كبير.

أخير،يحتفظ برنامج ASI-Bench بـ 60 مهمة بحثية.يغطي هذا المجال 11 تخصصًا: الرياضيات، والفيزياء، والكيمياء، وعلم الأحياء، وعلم الفلك، وعلم المواد، وعلوم الأرض، والإحصاء الحيوي الطبي، وعلوم الحاسوب، والروبوتات، والهندسة الكهربائية. تتطلب المهام المختلفة تنسيقات بيانات وأساليب بحث ومعايير تحقق متباينة، مما يمنع هيمنة تخصص معين أو أساليب حل المشكلات الثابتة على المعايير إلى حد ما.

تتضمن كل مهمة أهداف بحثية كاملة، وبيانات إدخال محددة، وبيئة تنفيذية، ومتطلبات إخراج واضحة، وقواعد تقييم كمية. بعد بدء المهمة، يحتاج المستخدم إلى تخطيط عملية البحث بشكل مستقل بناءً على المعلومات التي تم الحصول عليها، وإكمال التجربة باستخدام التعليمات البرمجية والأدوات. تضمنت المهام الـ 60 ما مجموعه أكثر من 2600 جولة من تفاعل الوكيل و 2400 عملية تنفيذ للتعليمات البرمجية.يتجاوز الوقت التراكمي الذي يستغرقه وكيل ذكي واحد لإكمال جميع المهام 35 ساعة.

نظراً لطبيعة مهام البحث العلمي المفتوحة بطبيعتها، يُعدّ ضمان أن تكون المعايير "قابلة للتطبيق فعلاً" وأن يكون نظام التقييم "فعّالاً" أمراً بالغ الأهمية. ولتحقيق هذه الغاية، أجرى فريق البحث خمس جولات من المراجعة من قِبل خبراء متعددين، ما أسفر عن تراكم أكثر من 1100 مهمة مراجعة وأكثر من 2000 تعديل على المهام. وانطلاقاً من هذا الأساس، خضعت جميع المهام لأكثر من 1500 تجربة شاملة في بيئة معزولة للتأكد من إمكانية تكرار الحلول المرجعية واستقرار برنامج التقييم. وفي نهاية المطاف، أسفر ذلك عن مكتبة مهام بحثية على مستوى المشروع تُوازن بين العقلانية العلمية والجدوى الهندسية.

إزالة التوجيهات المنهجية تدريجياً، وتحديد استقلالية البحث كمياً

التصميم الأكثر تميزًا لشركة ASI-Bench.يكمن السر في أنها لا تصمم مشاكل مختلفة لقدرات مختلفة، بل تضع العوامل الذكية في نفس مشروع البحث، مع تغيير المعلومات المنهجية التي يقدمها البشر فقط.تبقى أهداف البحث، وبيانات الإدخال، وبيئة التشغيل، والمخرجات النهائية، ومعايير التقييم دون تغيير؛ والفرق الوحيد هو مقدار التوجيه البحثي الذي يتلقاه النظام. ومن خلال مراقبة التغيرات في درجة النموذج مع انخفاض المعلومات تدريجيًا، يمكننا تحديد ما إذا كانت صعوبات الذكاء الاصطناعي ناتجة عن التنفيذ، أو تطبيق المنهجية، أو الاختيار التلقائي لمسارات البحث.

يقوم برنامج ASI-Bench بتقسيم كل مهمة إلى أربعة مستويات: B1، B2، B3، وB4.

ب1:يوفر النظام إرشادات منهجية شاملة. إذ يمكنه الحصول على خطة بحثية متكاملة نسبياً، تشمل المعادلات الأساسية، والأساليب العددية، وخطوات التنفيذ الرئيسية، وإعدادات المعلمات. ويقتصر دور العامل الذكي على تحويل الخطة الحالية إلى شفرة برمجية وإتمام تنفيذها، مما يُحاكي بشكل أدق تقييم قدرات تنفيذ البحث العلمي.

ب2:يُقدَّم تصنيف المنهج فقط. تُحذف خطوات التنفيذ التفصيلية؛ إذ لا يستطيع النظام سوى الحصول على تصنيف المنهج ومبادئه الأساسية. على سبيل المثال، قد يعرف النظام أن مشكلة معينة مناسبة للحل باستخدام الأساليب الطيفية، ولكن كيفية تقسيمها، واستراتيجية التكامل المُستخدمة، وكيفية ضبط المعلمات، كلها أمور تحتاج إلى تحديد يدوي. يختبر هذا المستوى بشكل أساسي ما إذا كان الذكاء الاصطناعي قادرًا على تحويل الأساليب المجردة إلى عملية بحثية عملية قابلة للتطبيق.

ب3:لا يُقدَّم سوى أهداف البحث والبيانات. تُحذف جميع التلميحات المنهجية؛ ولا يمكن للوكيل رؤية سوى البيانات الأولية وأهداف البحث ومتطلبات المخرجات. ويتعين عليه تحديد طبيعة المشكلة بشكل مستقل، واختيار أساليب البحث، وتصميم العمليات الحسابية، وإكمال التجارب. وهذا هو المستوى الأساسي لقياس قدرات البحث المستقلة في منصة ASI-Bench.

ب4:أضف معلومات غير ذات صلة ومشتتة للانتباه. بناءً على B3، أضف معلومات أساسية صحيحة من الناحية الواقعية ولكنها غير ذات صلة بالمهمة، وتخمينات منهجية غير موثقة، ومعلومات أخرى متعلقة بالسيناريو لاختبار قدرة النظام على تحديد المحتوى ذي الصلة بالبحث والحفاظ على عمليات البحث الطبيعية في بيئات معلومات معقدة.

يجعل هذا الإطار مفهوم "البحث المستقل" ليس مجرد مفهوم عام، بل يمكن تقسيمه إلى مراحل متتالية متعددة. على سبيل المثال، إذا كان أداء النموذج جيدًا في المرحلة B1 ولكنه انخفض بشكل ملحوظ في المرحلة B2، فهذا يشير إلى أن المشكلة قد لا تكمن في تنفيذ الكود، بل في قدرته على إكمال خطة البحث بمفرده؛ وإذا انخفض أداؤه بشكل حاد مرة أخرى من المرحلة B2 إلى المرحلة B3، فهذا يشير إلى أن اختيار المنهجية وتصميم البحث هما العائقان الرئيسيان الجديدان.

لتقليل تأثير العوامل الخارجية، يُنفّذ برنامج ASI-Bench جميع المهام في بيئة معزولة. ولا يمكن للوكيل الوصول إلا إلى البيانات والأدوات المُتاحة مُسبقًا للمهمة؛ ولا يمكنه البحث عبر الإنترنت أو الوصول إلى قواعد المعرفة الخارجية. ولذلك، تعكس النتائج النهائية قدرات النموذج على الاستدلال والتخطيط والتنفيذ أكثر من قدراته على الاسترجاع.

استناداً إلى تدرج المعلومات ذي المستويات الأربعةيمكن لبرنامج ASI-Bench تحليل الاختلافات بين القدرات المختلفة بشكل أكبر:تعكس التغييرات في B1 و B2 القدرة على ترجمة الأساليب إلى عمليات محددة، وتعكس التغييرات في B2 و B3 القدرة على اختيار الأساليب وتصميم مخططات البحث بشكل مستقل، وتعكس التغييرات في B3 و B4 متانة النظام في مواجهة المعلومات الزائدة.

التحقق التجريبي: حدود الأداء والقدرات لـ 18 نظامًا متطورًا

استنادًا إلى ASI-Bench،قام فريق البحث بتقييم 18 نظامًا متطورًا يتكون من "إطار عمل الوكيل الذكي + نموذج أساسي واسع النطاق".يشمل هذا الإطار أطر عمل الوكلاء الأذكياء مثل Codex وClaude Code وKimi Code وMiMo Code وOpenHands، بالإضافة إلى نماذج مثل GPT-5.5 وGPT-5.6 Sol وClaude Opus وGLM وDeepSeek وKimi وMiMo وMiniMax. تعمل جميع الأنظمة في بيئات معزولة، حيث تُنفذ كل مهمة بشكل مستقل ثلاث مرات، ثم يُؤخذ متوسط النتائج.

وتظهر النتائج التجريبية أنمع انخفاض التوجيه البشري، تراجع أداء أبحاث الذكاء الاصطناعي بسرعة. حققت الأنظمة الثمانية عشر متوسط نقاط بلغ 50.91 في ظل التوجيه الكامل للمنهجية في المرحلة B1. عند الانتقال إلى المرحلة B2، التي اقتصرت على توفير فئات المنهجية، انخفض متوسط النقاط إلى 29.10. وفي المرحلة B3، حيث أُزيلت تلميحات المنهجية تمامًا، انخفض متوسط النقاط أكثر إلى 26.62. أما النظام الأفضل أداءً، Codex + GPT-5.6 Sol (ultra)، فقد سجل 51.60 في المرحلة B3، وهو التكوين الوحيد الذي تجاوز 50. وقد أدى رفع مستوى قوة الاستدلال إلى تحسين النتائج؛ فعلى سبيل المثال، أدى ترقية GPT-5.6 Sol من xhigh إلى ultra إلى زيادة نقاط المرحلة B3 بمقدار 10.74 نقطة. ومع ذلك، لا تزال الأنظمة الحالية بحاجة إلى سد فجوة كبيرة قبل تحقيق بحث مستقل مفتوح ومستقر.

كشفت اختلافات الدرجات بين مستويات المعلومات المختلفة عن فجوات مهارية أكثر تحديدًا. فمن المستوى B1 إلى B2، انخفض متوسط درجة النظام بمقدار 21.82 نقطة؛ بينما من المستوى B2 إلى B3، وبعد إزالة تلميحات فئات الأساليب، انخفض متوسط الدرجة بمقدار 2.48 نقطة فقط. وهذا يعني أن...إن الصعوبة الرئيسية في الذكاء الاصطناعي اليوم ليست بالضرورة في تحديد "الطريقة التي يجب استخدامها"، بل في كيفية تحويل الأفكار المنهجية الحالية إلى عملية كاملة تتكون من اختيار المعلمات، وتنفيذ التعليمات البرمجية، والتشغيل التجريبي، والتحقق من النتائج.في الوقت نفسه، سجل B4 متوسطًا قدره 26.99 بعد إضافة المعلومات غير ذات الصلة والمتداخلة، وهو ما يعادل تقريبًا 26.62 لـ B3، مما يشير إلى أنه، على الأقل في ظل إعدادات المهمة الحالية، فإن ضوضاء المعلومات ليست عاملًا محددًا رئيسيًا.

كشفت التجربة أيضًا أن قدرة البحث الذاتي لا تتحدد كليًا بالنموذج الأساسي. فالنموذج نفسه، عند استخدامه مع أطر عمل مختلفة للوكلاء، قد يُسفر عن نتائج متباينة بشكل ملحوظ. على سبيل المثال، حقق MiMo V2.5 Pro، عند استخدامه مع Claude Code، تحسنًا في النتيجة الإجمالية يزيد عن 40% مقارنةً بـ MiMo Code؛ كما تفوق أداء Kimi K2.7 أيضًا في إطار عمل Claude Code على Kimi Code. يشير هذا إلى أن آليات الوكيل، مثل تخطيط المهام، واستدعاء الأدوات، وتصحيح الأخطاء، وجدولة العمليات، تؤثر بشكل مباشر على جودة إنجاز مهام البحث.

أخيرًا، لا توجد علاقة خطية بسيطة بين التكلفة والأداء في مختلف الأنظمة. على سبيل المثال، تبلغ تكلفة تشغيل Codex + GPT-5.6 Sol (xhigh) ربع تكلفة تشغيل Claude Opus 5 تقريبًا، ومع ذلك فإن نتائجهما في B3 متقاربة؛ بينما تبلغ تكلفة تشغيل GPT-5.6 Sol (ultra) الأفضل أداءً حوالي 1550 دولارًا أمريكيًا. لذلك، في التطبيقات العلمية العملية، يجب مراعاة الكفاءة الحسابية بالإضافة إلى قدرات النموذج. يمكن لزيادة الاستثمار في الاستدلال رفع الحد الأقصى للقدرات، ولكن يبقى السؤال: هل يمكن إنجاز مهام البحث بثبات وبتكلفة معقولة؟ هذه أيضًا مشكلة تواجهها أنظمة البحث المستقلة للانتقال إلى التطبيق العملي.

الكلمات الأخيرة

لطالما ركز تقييم القدرات البحثية للذكاء الاصطناعي على الإجابة عن الأسئلة العلمية، وإعادة إنتاج نتائج الأبحاث المنشورة، أو إنجاز التجارب الموكلة. إلا أن منصة ASI-Bench تتجاوز ذلك، إذ تسأل: عندما يتوقف البشر عن تحديد المنهجيات ومسارات التنفيذ، ما حجم العمل البحثي الذي يمكن للذكاء الاصطناعي إنجازه بشكل مستقل؟ تُظهر نتائج التقييم أن الذكاء الاصطناعي قادر بالفعل على إنجاز المهام ذات المسارات المحددة بوضوح بكفاءة عالية، لكن لا تزال هناك فجوة كبيرة بين قدراته الحالية وقدرته على إجراء بحوث مستقلة مفتوحة النهاية بثبات. لا يمكن أن يعتمد تحسين وكلاء البحث في المستقبل على نماذج أقوى وقدرة حاسوبية أكبر فحسب، بل يتطلب أيضًا قدرات مُحسّنة في تخطيط المهام، والاستفادة من التغذية الراجعة التجريبية، وتصحيح الأخطاء. سيتحول قياس القدرات البحثية للذكاء الاصطناعي تدريجيًا من "عدد الأسئلة التي يجيب عنها بشكل صحيح" إلى "عدد مهام البحث الواقعية التي يمكنه إنجازها بشكل مستقل".