التعلم المستمر في الذكاء الاصطناعي، أي القدرة على تعلُّم مهارات جديدة دون نسيان ما تعلّمه سابقًا، يُعدّ أحد أكبر التحديات التي ما زالت تواجه مجال الذكاء الاصطناعي. حتى الآن، لا يزال معظم النماذج التي نستخدمها — مثل نسخة ChatGPT التي تتفاعل معها — مجرد نسخ ثابتة، لا تتعلم من تفاعلك المباشر. كل ما تقوله يُعالج ضمن سياق محدود، دون أن يُحدث أي تغيير دائم في النموذج نفسه. السبب الرئيسي وراء هذا التوقف هو ما يُعرف بـ"النسيان الكارثي" (catastrophic forgetting). تخيل أنك تتعلم لعبة جديدة، لكن كل مرة تتعلم فيها شيئًا جديدًا، تفقد ذاكرتك السابقة. هذا ما يحدث في النماذج الحالية: عند تدريبها على معلومات جديدة، تُفقد جزءًا كبيرًا مما تعلمته سابقًا، حتى لو كان مهمًا. الآن، فريق يُعرف بـ"لابز تينكينغ ماشينز" (Thinking Machines Labs)، وهو فريق مكوّن من كبار الخبراء السابقين في OpenAI، يدّعي أنه وجد حلًا لهذه المشكلة. ليس مجرد حل نظري، بل خطوات عملية يمكن تطبيقها فعليًا في الشركات، مما قد يفتح الباب أمام استخدام الذكاء الاصطناعي في بيئات العمل الحقيقية، التي تعاني حتى الآن من صعوبة التبني. ما الذي يجعل هذا الحل مختلفًا؟ ببساطة، لا يعتمد على تدريب نموذج جديد من الصفر كل مرة، بل على بناء نموذج قادر على التحديث التدريجي، مع الحفاظ على المعرفة القديمة. الفكرة الأساسية تكمن في تقليل التأثير التراكمي للتعلم الجديد على التعلم السابق، عبر تقنيات ذكية مثل تقييد التغيرات في الأوزان، أو تخصيص "مجالات" داخل النموذج لحفظ معلومات محددة. هذا التقدم لا يُعدّ مجرد تطوير تقني، بل تحوّل جوهري في فهمنا لطبيعة التعلم. فبدلاً من نموذج "مُغلق" يُدرّس مرة واحدة، نحن نقترب من نموذج "مُفتوح" يتعلم طوال الوقت، مثلما يفعل الإنسان. وعندما يُمكن تطبيق ذلك في الشركات، فهذا يعني أن أنظمة الذكاء الاصطناعي يمكنها التكيّف مع تغيرات السوق، وتحسينات العمليات، أو حتى تجارب المستخدمين، دون الحاجة إلى إعادة تدريب كامل. لكن لا يزال هناك تحديات. كيف نضمن أن التعلم الجديد لا يُشوّش على المعرفة الأساسية؟ كيف نقيس جودة التعلم المستمر؟ وماذا يحدث إذا تراكمت الأخطاء بمرور الوقت؟ هذه الأسئلة لا تزال قيد البحث، لكن الفريق يقدّم مبادئ واضحة وقابلة للتطبيق. ما يُميّز هذا المبادرة هو وضوحه. لا يُضخّم النتائج، ولا يُطلق مصطلحات مبهمة. بل يشرح الفكرة من الأساس، بأسلوب بسيط ودقيق، مُركّزًا على المفهوم، لا على الإثارة. هذا النوع من التصريحات يُعدّ نادرًا في عالم الذكاء الاصطناعي، حيث غالبًا ما يُختبأ التقدم وراء حواجز من المصطلحات المعقدة. إذا نجح هذا النهج، فلن نكون فقط أمام نماذج أذكى، بل أمام أنظمة ذكية قادرة على النمو والتطور باستمرار، مثلما يفعل البشر. هذا ليس مستقبلًا بعيدًا، بل خطوة واقعية قد تكون قريبة جدًا، خاصة مع وجود فريق بخبرة كهذه يقود الطريق.