نظامان جديدان يدفعان الذكاء الاصطناعي نحو كتابة علمية مستقلة وذاكرة سردية طويلة المدى

بأقل من ثلاثين سنتاً، أصبح ممكناً إنتاج ورقة بحثية علمية كاملة وجاهزة للنشر. هذا ما يكشفه نظام "Prompt-to-Paper"، وهو إطار عمل متعدد الوكلاء (Multi-Agent Framework) تم تفصيله في ورقة بحثية نُشرت على أرشيف (arXiv) في 5 يوليو 2026. لكن المفاجأة الحقيقية ليست في التكلفة الزهيدة، بل في أن النظام لا يكتفي بصياغة النص فقط؛ فهو يُشغّل تجارب حقيقية في المعلوماتية الحيوية (Computational Biology) من خلال وكيل ترميز مستقل (Autonomous Coding Agent)، ليستبدل بذلك الأرقام الوهمية والنتائج التركيبية التي شابت المحاولات السابقة لتوليد أبحاث علمية بالذكاء الاصطناعي، بنتائج فعلية ومُنفَّذة.

يرتكز النظام على تقنية الاسترجاع المعزز بالتوليد الحتمي (Deterministic Retrieval-Augmented Generation)، مستنداً إلى مجموعة عمل تضم بين 60 و100 ورقة بحثية لكل مشروع. ويقوم مُقيّم صلة واعٍ بالأقسام (Section-Aware Relevance Scorer) بتحديد أي المصادر تناسب أي جزء من النص، بينما تتيح آلية توسّع الاستشهادات الكرة الثلجية (Snowball Citation Expansion) للنظام تتبّع الأبحاث ذات الصلة تماماً كما يفعل الباحث البشري عند تتبّع سلسلة الاستشهادات. وللحكم على جودة المسودة، يستخدم "Prompt-to-Paper" مُقيّم جودة آلي ثماني الأبعاد (Eight-Dimensional Quality Scorer)، تمت معايرته وفق إحصاءات مرجعية تقريبية مستخلصة من الأدبيات المنشورة، مع فرض عقوبات صريحة على أي ادعاءات ناتجة عن الهلوسة (Hallucination).

حلقة تحسين مدفوعة بالجودة

تُغذّي نتائج هذا المُقيّم حلقة تحسين مدفوعة بالجودة (Quality-Driven Improvement Loop)، توجّه كل دورة تنقيح نحو أحد ثلاثة إجراءات بحثية محتملة، وتُفعّل جولة بحث أعمق كل عشر تكرارات. وفي خمس دراسات حالة على المعلوماتية الحيوية استُخدمت لاختبار النظام، أنتجت جميع الدورات الخمس ملفات PDF منسّقة بالكامل وجاهزة للتقديم، دون أي استشهاد يخرج عن نطاق مجموعة المصادر المعتمدة. ورفعت حلقة التحسين جودة المخطوطات بمعدل 17.96 نقطة على مقياس من 0 إلى 100، بلغت أفضل حالاته 26.04 نقطة. أما المُقيّم البشري الذي راجع المخطوطات الخمس الجاهزة، فمنحها معدل 7.0 من 10 - وهي علامة محترمة لكتابة علمية مُولَّدة آلياً بالكامل، حتى إن لم تصل إلى مستوى الصقل اللازم للنشر النهائي.

مقاربة موازية للذاكرة السردية الطويلة

بعد يوم واحد، في 6 يوليو، تناولت ورقة بحثية أخرى على أرشيف (arXiv) مشكلة مختلفة لكنها ذات صلة: كيف تتتبع أنظمة الذكاء الاصطناعي المنطق الداخلي للقصص الطويلة والمتشعبة؟ الورقة، بعنوان "نموذج العالم السردي: ذاكرة كاتب مرتكزة على علم السرديات للأدب القصصي الطويل"، تقدّم نظام NWM، المصمم للإجابة عن أسئلة متعددة القفزات (Multi-Hop Questions) تعثر أمامها معظم أنظمة الاسترجاع التقليدية. من يعرف سراً معيّناً، ومتى عرفه؟ هل وقع حدث فعلاً قبل أن يُروى للقارئ؟ وهل نضج تمهيد سابق في وقت لاحق من القصة، وكيف تطورت علاقة ما عبر مسار الأحداث؟

يجيب NWM عن هذه الأسئلة بدمج رسم بياني مُصنَّف للحالة الزمنية (Typed Temporal-State Graph) مرتكز على نظرية السرديات، مع آلية استرجاع هجينة مشروطة بالاستعلام (Query-Conditioned Hybrid Retrieval). واستخدم الباحثون نموذج "Opus 4.8" كقارئ ثابت في جميع مراحل التقييم، مقارنين أداء NWM بنظام Graphiti/Zep - إطار ذاكرة قائم على رسم بياني للمعرفة الزمنية (Temporal-Knowledge-Graph) طوّره راسموسن وزملاؤه عام 2025 - إضافة إلى مقارنته بنظامي GraphRAG والاسترجاع المسطح (Flat Retrieval) كخطي أساس. وفي كلا مجموعتي الاختبار، تفوّق NWM بفارق واضح في الإجابة عن الأسئلة السردية متعددة القفزات، متجاوزاً كل الأنظمة المرجعية التي خضعت للمقارنة.

الورقة البحثية، التي تمتد على 23 صفحة (تسع صفحات نص أساسي والباقي ملاحق مع أربعة أشكال توضيحية)، مصنّفة على أرشيف (arXiv) ضمن فئات الذكاء الاصطناعي، واللسانيات الحاسوبية، واسترجاع المعلومات. وتشير الورقتان معاً إلى نمط أوسع: أنظمة الاسترجاع المعزز بالتوليد (RAG) تتوسع بعيداً عن أسئلة روبوتات المحادثة، لتصل إلى مجالات دقيقة كالتجريب العلمي المستقل ومتطلبات الذاكرة البنيوية في الأدب القصصي الطويل.