لماذا تتفوق بعض مهارات الذكاء الاصطناعي وتتعثر أخرى؟ نظرية "القابلية للتدريب المكثف" عند غرانت ساندرسون

فرضية جديدة لتفسير التفاوت

الرياضيات والبرمجة وألعاب الطاولة الذهنية أصبحت أسهل باستمرار على أنظمة الذكاء الاصطناعي (AI) لتتقنها. أما استخدام الحاسوب والروبوتات والمهام المعرفية المفتوحة فما زالت عصية على التقدم السريع. هذا الانقسام، الذي بات واضحًا في مخططات القياس المرجعي (Benchmarks) عبر الصناعة، هو نقطة انطلاق حجة طرحها غرانت ساندرسون، الرياضي والمعلّم صاحب قناة "3Blue1Brown" على يوتيوب، خلال ظهوره الأخير في بودكاست دوركيش باتيل.

حجة ساندرسون، التي سلّط عليها الضوء مقال رأي حديث في نشرة "The Sequence"، تقول إن إمكانية التحقق (Verifiability) وحدها لا تفسر لماذا يتطور الذكاء الاصطناعي بسرعة في مجالات معينة ويتعثر في غيرها. المتغير الغائب، بحسب ساندرسون، هو ما يسميه "القابلية للتدريب المكثف" (Grindability): أي مدى انخفاض تكلفة تكرار تدريب نموذج على مهمة، وفشله فيها، وحصوله على إشارة تصحيحية واضحة، ثم إعادة المحاولة على نطاق واسع. الشطرنج والـ"غو" والرياضيات التنافسية والبرمجة تتشارك هذه الخاصية: فالحركة قانونية أو ليست كذلك، والبرهان صحيح أو غير صحيح، والكود يُترجم (Compiles) وينجح في الاختبارات أو يفشل. هذه النتائج لا يمكن فحصها آليًا فقط، بل يمكن فحصها ملايين المرات في الساعة دون تدخل بشري ودون أن يتصرف العالم الخارجي بطرق غير متوقعة.

حين يبدو التحقق ممكنًا لكنه مكلف

الروبوتات ووكلاء استخدام الحاسوب (Computer-use Agents) تبدو من الخارج مشابهة، لأن النجاح أو الفشل قابل للفحص من الناحية النظرية. لكن التكلفة العملية لتوليد تلك الإشارة التصحيحية أعلى بكثير. ذراع روبوتية تتفاعل مع أجسام فعلية لا يمكن إعادة ضبطها وتكرار تجربتها بنفس معدل محرك شطرنج يلعب ضد نفسه. وكيل يتعامل مع واجهة حاسوب مباشرة يواجه واجهات هشة وحالات غير حتمية (Non-deterministic States) وعواقب يصعب محاكاتها بتكلفة منخفضة. أما المهام المعرفية المفتوحة فتزيد المشكلة تعقيدًا: فحتى عندما تكون الإجابة "صحيحة"، غالبًا لا توجد إشارة واضحة ومنخفضة التكلفة تؤكد ذلك، وهذا ما يجعل حلقات التدريب بأسلوب التعلم التعزيزي (Reinforcement Learning) أقل فاعلية بكثير.

هذا الطرح يعيد صياغة نقاش كان يتركز أساسًا حول إمكانية التحقق من صحة مخرجات مهمة معينة. جوهر كلام ساندرسون أن إمكانية التحقق شرط ضروري لكنه غير كافٍ. فقد تكون مهمة قابلة للتحقق بشكل كامل، ومع ذلك تظل بطيئة التقدم إذا كانت حلقة التغذية الراجعة (Feedback Loop) بطيئة أو مكلفة أو صعبة المحاكاة على نطاق واسع. هذا التمييز يفسر جزئيًا تقدّم مساعدات البرمجة بسرعة لافتة مقارنة بمهام جسدية أو تتطلب حكمًا بشريًا تبدو، على الورق، لا تقل انضباطًا هيكليًا.

استقلالية المصدر كسياق مهم

هذه الملاحظة ظهرت في "The Sequence"، نشرة تغطي أبحاث الذكاء الاصطناعي وتوجهات الصناعة منذ أكثر من خمس سنوات، وتعمل دون رعاية تجارية (Sponsorships) منذ أكثر من عامين، وهو تفصيل تشير النشرة نفسها إلى أهميته كسياق لاستقلاليتها في تقييم مثل هذه الحجج.

ما يعنيه ذلك لفرق بناء المنتجات

بالنسبة للفرق التي تبني منتجات ذكاء اصطناعي، الأثر عملي أكثر من كونه فلسفيًا. الرهان على تحقيق قفزات سريعة في القدرات ضمن مجال معين لا يعني فقط سؤال "هل يمكننا التحقق من النجاح هنا؟"، بل أيضًا "هل يمكننا توليد ذلك التحقق بتكلفة منخفضة وبشكل متكرر، وبالحجم الذي يتطلبه التدريب؟" المجالات التي تفشل في الاختبار الثاني، بغض النظر عن مدى قابليتها للتحقق نظريًا، قد تظل مخيبة للآمال بصرف النظر عن كمية القدرة الحاسوبية (Compute) المرصودة لها.