اختبارات تكشف قصور الذكاء الاصطناعي في التجارب المخبرية
في ٦ نوفمبر ٢٠٢٥، كشفت أوبن إيه آي عن معيار بايو بيزيكس بنش لتقييم أداء نماذج الذكاء الاصطناعي في المهام المعملية اليومية. طُوّر المعيار بالتعاون مع شركة ليغو المتخصصة في تصميم الإنزيمات، ويضم ١٠٠ مهمة مأخوذة من تجارب واقعية، مثل قراءة صور فصل البروتينات وأطباق المستعمرات المجهرية وقراءات الأجهزة، لاختبار قدرة النماذج على فهم البيانات واكتشاف الأخطاء وتحديد كفاية الأدلة لدعم الاستنتاجات. وفي وضع التحليل العالي، سجّل نموذج جي بي تي ٦ أسترا متوسط ٦٦٫٧ في المئة من الدرجات الصالحة، مقابل ٤٣٫٨ في المئة لنموذج جي بي تي ٥٫٦ سول. وأكدت الشركة أن هذا التحسن لا يعني بعد قدرة النماذج على إصدار أحكام موثوقة داخل المختبرات، إذ تبقى فجوات في تفسير الصور ومراجعة الضوابط وتطبيق السياق التجريبي. وبعد يومين، أطلق فريق بحثي متعدد المؤسسات معيار اختبار العلماء الأخير، بقيادة الباحث شي تونغ وإشراف فرق من جامعة جنوب ويلز الجديدة وجامعة سنغافورة الوطنية والمعهد الاتحادي في لوزان وجامعة كاليفورنيا في بيركلي. وجمع المشروع ١٣ مختبرا في مجالات المختبرات الآلية والكيمياء الحسابية والذكاء الاصطناعي العلمي. وأدخل الفريق ٧ نماذج لغوية كبيرة إلى مختبرين آليين حقيقيين، بحيث يقترح كل نموذج خطة، ثم تنفذها الأجهزة وتعيد المستشعرات النتائج ليصمم الخطوة التالية. وأنجزت التجربة ٤٠٧٩ مهمة فعلية على مدى نحو ٤٦ ألف دقيقة تشغيل. وفي أصعب مهام تركيب الوصفات، لم تنجح ٥٤ عملية تشغيل في الوصول إلى الهدف، كما أخفق النموذج الأفضل في التحسين في التعافي بعد ظهور انحراف صامت في ثلاث عمليات. وكشف الاختبار فجوة كبيرة بين الأداء في المحاكاة والأداء في المختبر الحقيقي، إذ بلغت درجة تحسين أحد النماذج في التجارب الحسابية ٩٠٫٧٤، مقابل ١٦٫٤٦ في التجارب الحقيقية. ويعكس هذا التوجه سعي شركات الذكاء الاصطناعي إلى جعل النماذج أكثر ارتباطا بالتجربة العلمية. فقد ربطت أوبن إيه آي سابقا نموذج جي بي تي ٥ بمختبر سحابي لدى جينكغو بيوركس، حيث اختبرت آلاف تركيبات تخليق البروتين، وحققت خفضا يقارب ٤٠ في المئة في تكلفة الإنتاج. كما توسعت أنثروبيك في تعاونات تطوير الأدوية، بينما جمعت شركة بيريوديك لابز دعما ماليا كبيرا لجمع بيانات معملية مهمة من مختبرات مستقلة، بما في ذلك نتائج الفشل غير المنشورة. وتشير النتائج إلى أن فهم البيانات العلمية لا يوازي بعد القدرة على التصرف الموثوق في المختبر. فبعض النماذج تتعرف على التغيرات لكنها تظل تعيد استخدام بيانات قديمة، وبعضها يعلن الأمان قبل التنفيذ ثم يقع ضمن نطاق محظور، في حين تعجز نماذج عن التكيف مع خلل الأجهزة أو صعوبة قراءة الطيف أو التعامل مع مواد عالية اللزوجة. وبحسب المعيار الكامل، لم يجتز اختبار السلامة أي نموذج في المحاكاة. وتظهر هذه الفجوات أن سلامة الإجراءات يجب أن تُقاس مستقلة عن كفاءة تحقيق الهدف، خاصة مع تسارع مشاريع وطنية وإقليمية لربط الذكاء الاصطناعي بالحوسبة الفائقة والمختبرات الروبوتية، مما يجعل تقييم قرارات النماذج العلمية وقيودها التشغيلية شرطا أساسيا لبناء علماء آليين قابلين للثقة.
