ثلاثة معايير قياسية جديدة تختبر قدرة النماذج اللغوية الكبيرة على التصميم الصناعي الحقيقي

ثلاث ورقات بحثية رُفعت إلى أرشيف الأبحاث (arXiv) في يوليو 2026 تلتقي عند سؤال واحد يتجاوز أسوار الجامعات بكثير: هل تستطيع النماذج اللغوية الكبيرة (LLMs) أن "تصمم" أشياء فعلية، لا أن تصفها فقط؟ الأبحاث الثلاثة تدفع الذكاء الاصطناعي التوليدي (Generative AI) إلى ساحة كانت حكرًا على برمجيات التصميم بمساعدة الحاسوب (CAD) وأدوات هندسة الأنظمة، عبر اختبار قدرة النماذج الأساسية (Foundation Models) على إنتاج قطع صناعية سليمة هندسيًا ووثائق تصميم متماسكة بنيويًا.

أكثر الأوراق طموحًا من الناحية التقنية تقدّم نظام "ArtisanCAD"، وهو وكيل ذكي (Agent) موجَّه بالمهارات ومصمَّم خصيصًا لتوليد المكونات الصناعية. وبدلًا من أن يُطلب من النموذج توليد الشكل الهندسي (Geometry) مباشرة، يعتمد ArtisanCAD على طبقة وسيطة تُسمى "CAD-IR"، وهي تمثيل إجرائي (Procedural Representation) قابل للتنفيذ يحدد المعاملات (Parameters)، وتسلسل العمليات، وربط الأدوات، والتبعيات (Dependencies)، وقواعد التحقق، قبل أن تبدأ عملية البناء الفعلية. هذا التمثيل يُنفَّذ عبر واجهة خلفية تُدعى CATIA-MCP، تحوّل الخطة إلى نماذج جاهزة للتصنيع بصيغة B-Rep، وهي صيغة التمثيل الحدّي (Boundary Representation) المعتمدة في خطوط تصميم CAD المهنية. وعلى معيار Text2CAD القياسي، نجح هذا الأسلوب في خفض متوسط "مسافة تشامفر" (Chamfer Distance) - وهي مقياس معياري لانحراف الشكل - من 14.83 إلى 9.88 عند التوليد من مطالبات (Prompts) وسيطة، وهو تحسن ملموس في الدقة الهندسية.

اختبار النماذج الأساسية في مواجهة مباشرة

ورقة بحثية مصاحبة، قُبلت كفصل في كتاب ضمن سلسلة "Advances in Global Applied Artificial Intelligence" الصادرة عن دار سبرينجر (Springer)، تتبنى مقاربة مقارنة أوسع نطاقًا. تقيّم الدراسة سبعة نماذج أساسية هي: DeepSeek-V3.2، وQwen3-235B-A22B، وLlama-3.3-70B، وGemma-3-27B، وGLM-4.5، وMiniMax-M2.1، وINTELLECT، باستخدام إطار عمل يُدعى LLMForge. يجمع هذا النظام بين التحقق من مخطط JSON (JSON-schema)، وتسجيل السمات التحليلي، وتوليد الشبكات المضلعة (Mesh Synthesis)، والتحسين التكراري عبر أربع فئات هندسية: الصفائح ذات دوائر البراغي، والصناديق متعددة الميزات، والأسطوانات المفلنجة، والزوايا المعدنية (L-brackets).

نمطا التقييم المستخدمان يكشفان مدى تأثير هوية "الحكم" على النتيجة. فتحت نظام IterTracer، الذي يعتمد على مُصيِّر أشعة (Ray-tracer) بتظليل فونج (Phong-shading) للتسجيل البصري التحليلي، تقاربت أفضل أربعة نماذج بشكل لافت، محققة درجات بين 0.885 و0.890 مع نسبة نجاح في بناء الشبكات المضلعة بلغت 98.97%. أما عند التبديل إلى IterVision، الذي يستخدم نموذج Qwen2.5-VL-72B كحكَم لغوي-بصري (Vision-Language Critic)، فقد ظهرت نتيجة مختلفة تمامًا: حقق النموذج الأفضل نسبة 100% في توليد شبكات مضلعة محكمة الإغلاق (Watertight)، ما يشير إلى أن النقد الدلالي الشبيه بالتقييم البشري يكشف نقاط قوة مغايرة لتلك التي يرصدها التحليل الهندسي البحت.

أبعد من الشكل: اختبار مصفوفات بنية التصميم

الورقة الثالثة، للباحث ثيو هوفمان (Theo Hofman)، والمرفوعة في 7 يوليو 2026، تحوّل التركيز من الأشكال إلى هندسة الأنظمة. تطرح الورقة إطار تقييم من نوع "الصندوق الأسود" (Black-box) لقياس كفاءة النماذج اللغوية الكبيرة في توليد مصفوفات بنية التصميم (Design Structure Matrices - DSMs) انطلاقًا من الوثائق التقنية، عبر مقارنة المصفوفات المولَّدة بمصفوفات مرجعية مدقَّقة يدويًا. يمزج التقييم بين مقاييس بنيوية كالاكتمال وكثافة الترابط (Coupling Density)، ومقاييس تصنيفية مثل الدقة الانتقائية (Selective Accuracy)، ومقاييس استقرار تشمل الإنتروبيا ومعامل كابا لفلايس (Fleiss' kappa)، لتصبّ جميعها في "درجة جودة مركّبة" واحدة (Composite Quality Score).

وبعد تجربة الإطار على نظام افتراضي مجرّد وعلى حالة حقيقية لتفكيك جهاز ثلاجة إلى مكوناته، تبيّن أن النماذج اللغوية الكبيرة تولّد مصفوفات معقولة بنيويًا وقابلة لإعادة الإنتاج حين تكون المدخلات منظّمة جيدًا، لكنها تتعثر عند مواجهة تبعيات غامضة أو غير متسقة التعريف. وتتوافق هذه النتيجة مع ما توصّل إليه بحث سابق عن نظام Auto-DSM، نُشر في مارس 2026 بمجلة Research in Engineering Design، حيث سجّل نموذج GPT-4 دقة 0.981 عند التعامل مع أوصاف تبعية بلغة عادية، ودقة كاملة بلغت 1.000 عند التعامل مع مدخلات على شكل مطالبات براءات اختراع (Patent Claims)، ما يعزز فرضية أن بنية المدخلات، لا القدرة الخام للنموذج، هي غالبًا العامل الحاسم.

مجمل هذه الدراسات الثلاث يرسم صورة واضحة: عنق الزجاجة في التصميم الهندسي المعتمد على الذكاء الاصطناعي ينتقل من مسألة توليد الأشكال الهندسية إلى مسألة جودة التمثيل، أي كيفية تنظيم المعلومة والتحقق منها ونقدها قبل أن يقترب أي نموذج من تصميم قطعة فعلية.