من فضلك تسجيل الدخول أو تسجيل لتفعل ذلك.

في صيف هذا العام، فوجئ الكثيرون عندما بدأ موظفون في إحدى شركات الذكاء الاصطناعي الرائدة في العالم يناقشون بجدية ما إذا كانت منتجاتهم قد تؤدي إلى انقراض البشرية. هذا الجدل بدأ مع استقالة باحث في Anthropic يدعى Jacob Coxon، محذرًا من أن شركته وOpenAI «تتسابقان مباشرة نحو ذكاء فائق ذاتي التطور وتُقامران بحياتنا». ورد عليه Evan Hubinger، رئيس قسم علوم المحاذاة في Anthropic، بقوله: «جاكوب محق هنا — نحن نعتقد حقًا أن الذكاء الاصطناعي يمكن أن يقتل البشر جميعًا!»، ثم أتبع الرئيس التنفيذي لشركة Anthropic، Dario Amodei، ذلك بقوله لشبكة CNN: «أتفق مع جاكوب أكثر بكثير مما أختلف معه».

ما هو الذكاء الفائق (ASI)؟

تنبع هذه المخاوف من اعتقاد سائد في الأوساط المستقبلية منذ عقود: بمجرد أن يصمم المهندسون نظام ذكاء اصطناعي قادرًا على تحسين نفسه، سيؤدي ذلك إلى دورة متسارعة من الترقيات الذاتية المستقلة تُعرف باسم التحسين الذاتي المتكرر (Recursive Self-Improvement – RSI). والنتيجة ستكون الذكاء الفائق الاصطناعي (Artificial Superintelligence – ASI)، وهو نظام بقدرات معرفية تفوق بكثير قدرات البشر، مما يجعله قادرًا بسهولة على الإفلات من سيطرتنا وربما حتى القضاء على جنسنا البشري.

يُعد الذكاء الفائق الاصطناعي، تجدر الإشارة، هدفًا أكثر طموحًا بكثير من الذكاء الاصطناعي العام (Artificial General Intelligence – AGI)، والذي يشير عمومًا إلى الذكاء الاصطناعي الذي يمكن أن يضاهي القدرات البشرية عبر مجموعة واسعة من المهام المعرفية. وقد بدأ مفهوم التحسين الذاتي المتكرر في الظهور منذ ورقة نشرها الإحصائي I.J. Good في عام 1965، حيث تكهن بأن دورة سريعة من التحسين الذاتي للذكاء الاصطناعي يمكن أن تؤدي إلى «انفجار ذكائي». وقد تبنى الفكرة لاحقًا شخصيات بارزة مثل Eliezer Yudkowsky وNick Bostrom.

تحديات هندسية حقيقية أمام الذكاء الفائق

في خضم هذه المحادثات، هناك سؤال لم يحظ باهتمام كبير نسبيًا: من منظور هندسي، هل الذكاء الفائق ممكن حتى؟ يعتقد البعض أن فكرة التحسين الذاتي المتكرر التي تؤدي إلى انفجار ذكائي هي فكرة تخمينية للغاية وتستند إلى العديد من الافتراضات غير المثبتة. على الرغم من أن التحسين الذاتي المتكرر ليس مستحيلاً بشكل قاطع، إلا أن الفكرة تتطلب المزيد من الشك الفني مما تتلقاه حاليًا.

من أبرز الاعتراضات هو مدى توافر البيانات اللازمة لتحسين أنظمة الذكاء الاصطناعي. فمع أن التطورات الكبرى في نماذج اللغات الكبيرة (LLMs) جاءت من زيادة حجم النماذج، إلا أن التوسع المستمر بدأ يحقق عوائد متناقصة بعد GPT-4. هذا دفع المهندسين إلى التركيز بشكل متزايد على مراحل «ما بعد التدريب»، حيث تُطبق تقنيات التعلم المعزز لتحسين أداء النموذج على مهام محددة. ومع ذلك، هذا النهج يتطلب الكثير من الأمثلة المدخلة ذات الصلة والمقترنة بمخرجات صحيحة.

تُعد مجموعات البيانات هذه سهلة التوليد نسبيًا في المجالات المنظمة مثل البرمجة و الرياضيات، مما يفسر التقدم السريع والمذهل في هذه المجالات الضيقة. لكن التقدم في المجالات التي تفتقر إلى هذا النوع من بيانات التدريب كان أقل دراماتيكية. وقد تساءل الباحث الفرنسي في الذكاء الاصطناعي François Chollet عما إذا كانت «الحدود المتعرجة تقتصر بشكل أساسي على الرياضيات والبرمجة، وكل شيء آخر يبدأ في التراجع لأنه لا يزال مقيدًا ببيانات يولدها البشر؟» و لا يمكن لنشر وكلاء البرمجة الآلية والباحثين المدعومين بنماذج اللغات الكبيرة التغلب على هذا القيد الأساسي.

كما تقلل المزاعم بأن التحسين الذاتي المتكرر وشيك من الجهود العلمية الهائلة المطلوبة لتحقيق تقدم كبير في الذكاء الاصطناعي. فكما اعتمدت ثورة التعلم العميق على خوارزمية الانتشار العكسي (backpropagation) التي استغرقت عقودًا من الإنجازات الحاسمة في الرياضيات وعلوم الكمبيوتر، فإن انفجارًا ذكائيًا يؤدي إلى الذكاء الفائق الاصطناعي سيعتمد بالمثل على سلسلة طويلة من الابتكارات ذات الأهمية المماثلة، والتي ستُبنى على العديد من التطورات العلمية والهندسية الهامة التي لم تحدث بعد.

في الواقع، وجدت أبحاث حديثة بقيادة علماء كمبيوتر في جامعة برينستون أن أدوات الذكاء الاصطناعي الحالية واجهت صعوبة في إحراز تقدم مستقل حتى في أسئلة بحثية مقيدة للغاية. وخلص الباحثون إلى أن «نتائجنا تقدم دليلاً مبكرًا على أن وكلاء اليوم يمكنهم القيام بالهندسة في أبحاث الذكاء الاصطناعي، لكنهم يواجهون صعوبة في الأجزاء الحرجة من دورة حياة البحث».

أخيرًا، تقلل السرديات حول التحسين الذاتي المتكرر من قيود الموارد. فلقد عملت عشرات الآلاف من العقول البشرية لعقود، بمساعدة أجهزة كمبيوتر قوية بشكل متزايد، لتطوير أنظمة الذكاء الاصطناعي الحالية التي يمكن أن تضاهي الذكاء البشري في بعض المجالات. ماذا لو تطلب المستوى التالي من الذكاء ضعف الموارد، ثم يتطلب المستوى الذي يليه ضعفًا آخر؟ سرعان ما لن يكون هناك عدد من الرقائق أو مراكز البيانات يمكننا بناؤه لتوفير الحوسبة اللازمة والاستمرار في التقدم نحو الذكاء الفائق الاصطناعي.

ماذا يعني هذا للمطورين والمصممين؟

بالنسبة للمطورين والمصممين في العالم العربي، فإن هذا النقاش يضع تصوراتنا عن الذكاء الاصطناعي في سياق واقعي. نرى أن التركيز على التحديات الهندسية الفعلية بدلاً من السيناريوهات التخمينية للذكاء الفائق يمكن أن يساعدنا في تحديد أولويات جهودنا. هذا يعني توجيه طاقتنا نحو حل المشكلات الملموسة التي تواجهها نماذج الذكاء الاصطناعي الحالية، مثل تحسين كفاءة البيانات، وتوسيع قدرات التعلم في مجالات أقل تنظيمًا، وتطوير أدوات بحثية مدعومة بالذكاء الاصطناعي تكون فعالة حقًا في أجزاء دورة حياة البحث التي تتطلب ابتكارًا علميًا حقيقيًا.

كما يذكرنا هذا النقاش بأن الابتكار في الذكاء الاصطناعي لا يزال يتطلب جهدًا بشريًا هائلاً وتقدمًا علميًا أساسيًا. لذا، يجب أن نركز على بناء وتطوير الأدوات التي تُمكّن البشر من أن يصبحوا أكثر إنتاجية وابتكارًا باستخدام الذكاء الاصطناعي، بدلاً من السعي وراء أوهام التحسين الذاتي المتسارع الذي قد لا يكون ممكنًا هندسيًا على الإطلاق.

المصدر: spectrum.ieee.org

ميزة scroll-state() في CSS: تفاعلات تمرير ديناميكية
المفوضية الأوروبية تنشر Matrix لأكثر من 40 ألف موظف

Reactions

0
0
0
0
0
0
بالفعل كان رد فعل لهذا المنصب.

ردود الفعل