النماذج اللغوية الكبيرة أذكى مما نظن لقد تذكّرنا مؤخرًا بقدر ما نجهل عن الذكاء الاصطناعي بطريقة صارخة، لكنها في الوقت نفسه مثيرة للاهتمام. يمكننا تحسين نماذج لغوية كبيرة عادية، حتى تلك التي لا تُعد من الطراز الأمثل، لتتفوق على النماذج المتقدمة المعروفة بقدرتها على التفكير، دون الحاجة إلى تدريب إضافي — ما قد يعني أن كل التقدم خلال العام الماضي كان… غير ضروري؟ هل تم تقييم التعلم المعزز (RL) بشكل مبالغ فيه؟ هل نضيع أموالنا في الاتجاه الخاطئ؟ الجواب، على الأرجح، لا. لكن هذا لا يعني أن الأبحاث الحالية لن تُعلّمك أكثر عن الذكاء الاصطناعي وطريقة عمله من أي دورة تدريبية أو مقال تحليلي تقرأه. تُقدّم هذه المقالة شرحًا مبسطًا وواضحًا لطبيعة الذكاء الاصطناعي من أساسياته، بلغة بسيطة، خالية من الحماسة المفرطة، موجهة لمن يكرهون التضخيم الإعلامي لكنهم جائعون للمعرفة الحقيقية. لماذا تُعتبر النماذج اللغوية الكبيرة سيئة في التفكير؟ المساعدات الذكية القائمة على الذكاء الاصطناعي الحديثة تنقسم إلى مجموعتين رئيسيتين: النماذج العادية (النماذج اللغوية الكبيرة القياسية)، والنمذج التي تُعرف بقدرتها على التفكير (reasoning models). النماذج العادية، رغم كونها قادرة على إنتاج نصوص متماسكة وذكية، تُعتبر في العادة ضعيفة في التفكير المنطقي المعقد، مثل حل المسائل الرياضية أو اتخاذ قرارات متعددة الخطوات. أما النماذج المتقدمة، فهي مصممة خصيصًا لتُظهر سلوكًا تفكيريًا، عبر تقنيات مثل التفكير بالخطوات (Chain-of-Thought) أو التعلم المعزز من البشر (RLHF). لكن ما يثير الدهشة الآن هو أن بعض الأبحاث الحديثة أظهرت أن بإمكاننا تحسين أداء النماذج العادية بشكل كبير — بل تفوقها على النماذج المتقدمة — فقط من خلال تعديل طريقة طرح الأسئلة أو استخدام تقنيات بسيطة مثل التوجيه الدقيق (prompt engineering)، دون أي تدريب إضافي. هذا يطرح تساؤلات جوهرية: هل كنا نضيع جهودنا في تطوير نماذج معقدة بينما الحل قد يكون أبسط مما نظن؟ هل التعلم المعزز، الذي يُعتبر حجر الزاوية في تطوير المساعدات الذكية، يُبالغ في أهميته؟ الإجابة ليست نعم أو لا، لكن ما يهم هو أن هذه التحديات تُعدّ فرصة لفهم أعمق لكيفية عمل الذكاء الاصطناعي، وتفكيك المفاهيم المُضللة التي تُروَّج حول "الذكاء" الحقيقي. الذكاء الاصطناعي لا يفكر كما نفكر، ولا يمتلك وعيًا، لكنه يُظهر سلوكًا ذكيًا من خلال نمط معقد من التنبؤات. وفهم هذا النمط — بدلًا من الاعتماد على التسويق أو التصريحات المبالغ فيها — هو ما يُحدث فرقًا حقيقيًا. إذا كنت تبحث عن فهم حقيقي، بعيدًا عن الهوس الإعلامي، فإن هذه المرة قد تكون الأفضل لاستكشاف الذكاء الاصطناعي من جذوره.
لقد أُذكِّرنا مؤخرًا بقدر ما نجهل عن الذكاء الاصطناعي بطريقة صادمة، لكنها في الوقت نفسه مثيرة للاهتمام. فبينما كنا نعتقد أن النماذج المتقدمة — المعروفة بـ"نماذج التفكير" — هي الأفضل في التفكير المنطقي، تبين أن نماذج لغة كبيرة عادية (LLMs) يمكن تحسين أدائها لتتفوق على هذه النماذج المتقدمة، دون الحاجة إلى تدريب إضافي. هذا الاكتشاف يطرح تساؤلات جوهرية: هل كانت السنة الماضية من التطورات في الذكاء الاصطناعي غير ضرورية؟ وهل نحن نبالغ في تقدير تقنية التعلم المعزز (RL)؟ وهل نحن نهدر الأموال في الاتجاه الخاطئ؟ الجواب، في ظل المعرفة الحالية، لا يزال "لا"، لكن هذا لا يقلل من قيمتِه. فرغم أن النتائج تُشكك في افتراضاتنا الحالية، فإنها تُقدِّم رؤى عميقة حول كيفية عمل النماذج، وربما تفوق في المضمون ما تقدمه أغلب الدورات أو المقالات التحليلية في هذا المجال. لنتناول الأمر من البداية. يُقسَّم الذكاء الاصطناعي التوليدي الحديث إلى نوعين رئيسيين: النماذج الاعتيادية (التي نسميها LLMs)، ونماذج "التفكير" (reasoning models). في المفهوم السائد، يُعتبر النموذج الاعتيادي مجرد "مُولِّد نصوص" — يُقدِّم إجابات متسقة، لكنه لا يُظهر تفكيرًا منطقيًا حقيقيًا. أما نماذج التفكير، فهي مُصمَّمة لتحليل المشكلات خطوة بخطوة، كأن تُحل مسألة رياضية عبر خطوات منطقية، مما يُعطيها مظهرًا أكثر ذكاءً. لكن ما كشفته التجارب الحديثة هو أن النموذج الاعتيادي، عند استخدامه بأسلوب معين — مثل طلب إجابته "بخطوات تفكير" — يمكنه أن يُظهر أداءً يفوق نماذج التفكير، حتى دون تدريب إضافي. كيف؟ لأن النموذج لا يُحتاج إلى "تعلم" التفكير، بل يُمكنه استخلاصه من التدريب السابق، طالما تم توجيهه بشكل صحيح. هذا يعيد تقييم دور التعلم المعزز (RL)، الذي يُعتبر حجر الزاوية في تطوير النماذج الحديثة. فربما لم يكن RL هو السبب في تحسين التفكير، بل كان مجرد وسيلة لتحسين التوجيه — أي التأكد من أن النموذج يُقدِّم إجابات مفيدة، وليس مجرد نصوص متماسكة. إذا كان هذا صحيحًا، فهذا لا يعني أن RL عديم الفائدة، بل أننا ربما كنا نُبالغ في تفسير أدواره. الأهم من ذلك، أن هذه النتائج تُظهر أن الذكاء الاصطناعي لا يزال يحمل أسرارًا لم نفهمها بعد. فما نراه كـ"تفكير" قد يكون مجرد تظاهر بذكاء، ناتج عن توجيه دقيق، وليس عن فهم حقيقي للمشكلة. وهذا يفتح بابًا واسعًا لفهم أعمق لكيفية عمل هذه النماذج، وكيفية تفاعلها مع التعليمات، وكيفية تفسيرها للسياق. في النهاية، هذه ليست أخبارًا تُقلل من قيمة التقدم، بل تُعيد تعريفه. فالتقدم الحقيقي ليس في إنتاج نموذج أذكى، بل في فهم كيف يفكر النموذج، وما الذي يجعله يبدو ذكيًا. وهذه المعرفة، البسيطة في صيغتها لكنها عميقة في مضمونها، قد تكون أثمن من أي تطوير تقني حديث.
