جوجل تتيح للذكاء الاصطناعي “الحلم” لترقية نفسه: تفسير سهل لكيفية “التطور الذاتي” للذكاء الاصطناعي
مرحبًا بكم، أنا مراسل مالي واقتصادي. اليوم سنتحدث عن اتجاه تكنولوجي يبدو خياليًا، لكنه يحدث بالفعل: الذكاء الاصطناعي بدأ يحاول تغيير نفسه.
إذا كنتم تتابعون أخبار التكنولوجيا، فمن المؤكد أنكم سمعتم مؤخرًا عن مصطلح RSI (التحسين الذاتي التكراري، Recursive Self-Improvement). ببساطة، هذا يعني أن الذكاء الاصطناعي يقوم بتعديل كوده وتحسين خوارزمياته، وبعد التعديل، يقوم الذكاء الاصطناعي الجديد بتعديل النسخة التالية، وهكذا بشكل متتابع، مما يجعل الذكاء الاصطناعي أكثر ذكاءً.
لكن هناك مشكلة كبيرة: الأمر مكلف للغاية، ومن السهل أن يؤدي إلى فشل. في كل مرة يتم فيها التعديل، يجب إعادة تنفيذ التجارب للتحقق مما إذا كان هناك تحسن، وتزداد فواتير الحوسبة بشكل كبير، وإذا تسبب التعديل في مشكلة، يجب إعادة النظام إلى حالته الأصلية.
مؤخرًا، نشرت جوجل ورقة بحثية جديدة بعنوان “Dream-RSI”، تقترح حلاً: السماح للذكاء الاصطناعي بإجراء التجارب في “الأحلام” أولاً. اليوم، سأشرح هذه الورقة البحثية وأحدث التطورات من قبل عمالقة الذكاء الاصطناعي مثل جوجل وOpenAI وAnthropic والشركات المحلية مثل Zhipu/DeepSeek بلغة بسيطة وواضحة.
---
الخلاصة الأساسية: لماذا يحتاج الذكاء الاصطناعي إلى “الحلم”؟
باختصار: اكتشفت جوجل أن السماح للذكاء الاصطناعي بتعديل نفسه مباشرة يكلف الكثير من المال ويحمل مخاطر كبيرة. لذلك، ابتكروا “محاكي لإعادة التشغيل”، يسمح للذكاء الاصطناعي بتخزين سجلات التجارب السابقة وإعادة تشغيلها وتحليلها في بيئة افتراضية، للعثور على أفضل الاستراتيجيات، ثم تنفيذها في الواقع.
المنطق الأساسي:
1. المشكلة: يحتاج تحسين الذكاء الاصطناعي لنفسه (RSI) إلى الكثير من المحاولات والتجارب، وكل محاولة تستهلك كمية كبيرة من القوة الحاسوبية.
2. الحل: إنشاء “شجرة اكتشاف” (تسجيل جميع المحاولات والنتائج السابقة).
3. العملية: يقوم الذكاء الاصطناعي في “الحلم” (البيئة الافتراضية) باستخدام استراتيجيات مختلفة لمعرفة أي الطرق أسرع وأكثر فعالية.
4. الميزة: تكلفة المحاولات في الحلم تكاد تكون صفرًا (لأن النتائج متوفرة مسبقًا)، ويتم تنفيذ الاستراتيجيات الأفضل فقط في الواقع.
5. النتيجة: في مهام مثل تحسين الخوارزميات والرياضيات ووحدات الجرافيك المتعددة (GPU cores)، أوفرت طريقة جوجل عشرات أو حتى مئات المرات من القوة الحاسوبية مقارنة بالطرق التقليدية، والنتائج أكثر استقرارًا.
---
التفسير المفصل: خمسة أبعاد لفهم “التطور الذاتي” للذكاء الاصطناعي
1. آلية “الحلم” لدى جوجل: تخزين خرائط المتاهة وتشغيلها في العقل أولاً
تخيل أنك تدخل متاهة ضخمة لأول مرة بدون خريطة، وعليك التنقل بشكل عشوائي. في كل خطوة، ترسمها على الورق: “هنا مأزق، وهناك مخرج”.
- الطريقة التقليدية (RSI السابقة): إذا أردت التحقق مما إذا كان التوجه إلى اليسار أسرع من التوجه إلى اليمين، يجب أن تدخل المتاهة مرة أخرى من البداية إلى النهاية. إذا كانت المتاهة كبيرة، قد يستغرق ذلك يومًا كاملًا، وتجربة عشر استراتيجيات قد تستغرق عشرة أيام. وإذا اتضح أن أي من الاستراتيجيات أسوأ من التنقل العشوائي، فإن هذه الأيام تضيع سدى.
- طريقة جوجل “Dream-RSI”: عندما تدخل المتاهة لأول مرة، تكون الخريطة موجودة بالفعل (هذه هي “شجرة الاكتشاف”). الآن، عندما تريد اختبار استراتيجية جديدة، لا تحتاج إلى الدخول مرة أخرى. تجلس في المنزل وتفكر في الخريطة: “إذا تبعت الاستراتيجية الجديدة، سأمر بالنقطة A، ثم النقطة B، وأصل إلى المخرج في وقت X ساعة.” نظرًا لأنك زرت كل نقطة في الخريطة بالفعل والنتائج معروفة، فإن عملية “المحاكاة” لا تتطلب أي حركة جسدية، فقط قراءة البيانات.
مثال بسيط: هذا مثل اللعب بالألعاب. في السابق، إذا أردت معرفة ما إذا كانت المعدات الجديدة أفضل، كنت بحاجة إلى إعادة لعب اللعبة من البداية. الآن، يحتفظ نظام اللعبة بجميع بيانات اللعب السابقة. تفتح وضع “إعادة التشغيل” وترى بسرعة ما إذا كانت المعدات الجديدة تجعل شخصيتك تموت أقل أو تسبب أضرارًا أكبر. بعد التأكد من أنها أفضل، ترتدي المعدات الجديدة وتلعب اللعبة مرة أخرى.
النقطة الرئيسية:
- تكلفة المحاولات صفر: في “الحلم” (البيئة الافتراضية)، لا يحتاج الذكاء الاصطناعي إلى إعادة تشغيل الكود أو إجراء التجارب، فقط قراءة السجلات التاريخية.
- ضمان عدم التراجع: صممت جوجل آلية تضمن أن أداء الذكاء الاصطناعي في “الحلم” لن يكون أسوأ من الأداء السابق على الأقل. بمعنى آخر، سيصبح الذكاء الاصطناعي أكثر ذكاءً فقط، ولن يصبح أغبى بعد التعديل.
2. لماذا لم تنجح الطرق السابقة؟ لأن “التحقق” كان مكلفًا للغاية
قد تتساءلون: لماذا يجب على الذكاء الاصطناعي تعديل كوده بنفسه ثم إجراء اختبار لمعرفة ما إذا كان هناك تحسن؟ السبب بسيط: تكلفة التحقق مرتفعة للغاية، والنتائج غير مستقرة.
- دورة طويلة: قد يتطلب تحسين نموذج رياضي معقد أو وحدة جرافيكية متعددة مئات المرات من التكرارات لرؤية النتيجة النهائية.
- تباين عالي: أحيانًا، بعد تعديل الكود، قد يتبين أن النتيجة أسوأ من الاستراتيجية الأصلية. هذا ما يسمى “التحسين السلبي”.
- فخ القوة الحاسوبية: إذا كان يجب إعادة تنفيذ التجربة بالكامل مع كل تعديل، فإن تكلفة القوة الحاسوبية تزداد بشكل كبير.
تشير ورقة جوجل البحثية إلى أن الطرق السابقة إما استخدمت التجارب التاريخية كـ “كلمات إرشادية” للذكاء الاصطناعي (مع نتائج محدودة) أو استخدمتها لتعديل أوزان النموذج (ببطء وبتكلفة عالية). أما Dream-RSI فإنها تحولت التجارب التاريخية إلى “محاكي قابل لإعادة التشغيل”.
مثال: في حل المسار باستخدام تنظيم Lasso (خوارزمية إحصائية)، وفرت طريقة جوجل 162 مرة من عدد مرات استدعاء الوكيل (Agent calls) مقارنة بالطريقة الأساسية (SimpleTES). هذا يعني أن الطرق الأخرى تحتاج إلى 162 تجربة للحصول على نفس النتائج، بينما يمكن لجوجل الحصول عليها بعد عدد قليل من المحاكاات في “الحلم” ثم تجربة واحدة حقيقية.
3. OpenAI وAnthropic: من يقود “التطور الذاتي”؟
بالإضافة إلى جوجل، هناك عمالقتان أخريان تعملان بجد على تطوير RSI، لكن بأساليب مختلفة.
OpenAI: من “المتدربين” إلى “الباحثين الأوتوماتيكيين بالكامل”
- الوضع الحالي: يمكن لوكيل OpenAI (Agent) إكمال 3.1 يوم عمل بشكل يومي مقارنة بالبشر. لقد حققوا “متدربًا أوتوماتيكيًا” يمكنه إكمال المهام البحثية تحت إشراف البشر.
- الهدف: بحلول مارس 2028، يهدفون إلى إنشاء “باحث ذكاء اصطناعي أوتوماتيكي بالكامل” يمكنه طرح الأسئلة بنفسه وتخطيط الأبحاث وإجراء التجارب بنفسه.
- مخاوف أمنية: حذر العالم الرئيسي في OpenAI، ياكوب باتشوكي، من أن أكبر تحديات RSI هي “التعميم” و“الأمان”.
- مثال سلبي: إذا كان النموذج يهدف إلى تحقيق هدف معين (مثل الحصول على البيانات)، قد يتعلم “التفكير بدوافع” – قد يبدو ذلك جيدًا،