ومع ذلك، بعد سنوات من سباق الذكاء الاصطناعي، لا يزال مفهوم الذكاء الاصطناعي العام (AGI) غير محدد بشكل جيد ومثير للجدل. يراه بعض علماء الكمبيوتر والشركات كعتبة لإمكانات الذكاء الاصطناعي في تحويل المجتمع. يقترح مؤيدو التكنولوجيا أنه بمجرد أن نحصل على حواسيب فائقة الذكاء، قد يتغير نمط الحياة اليومي بشكل جذري، مما يؤثر على العمل والحكومة وسرعة الاكتشاف العلمي.
لكن العديد من الخبراء متشككون بشأن مدى قربنا من يوتوبيا مدفوعة بالذكاء الاصطناعي وفائدة AGI العملية. هناك اتفاق محدود حول ما يعنيه AGI، ولا توجد طريقة واضحة لقياسه. يجادل البعض بأن AGI يعمل كأكثر من مجرد مصطلح تسويقي، حيث لا يقدم أي إرشادات ملموسة حول كيفية استخدام نماذج الذكاء الاصطناعي أو تأثيرها الاجتماعي.
في سعي شركات التكنولوجيا نحو AGI، يُطلب من الجمهور التنقل في مشهد مليء بالضجيج التسويقي والخيال العلمي والعلم الفعلي، كما يقول بن رخت، عالم الكمبيوتر في جامعة كاليفورنيا ببرkeley. “يصبح الأمر معقدًا جدًا. وهنا نجد أنفسنا عالقين.” ويقول إن الاستمرار في التركيز على ادعاءات وجود AGI وشيكة قد يشوش فهمنا للتكنولوجيا الحالية ويخفي آثار الذكاء الاصطناعي الاجتماعية الحالية.
تعريف AGI غير واضح
تم صياغة مصطلح “الذكاء العام الصناعي” في منتصف القرن العشرين. في البداية كان يشير إلى كمبيوتر مستقل قادر على أداء أي مهمة يمكن أن يقوم بها الإنسان، بما في ذلك الأنشطة البدنية مثل صنع فنجان قهوة أو إصلاح سيارة.
لكن مع تأخر تقدم الروبوتات مقارنة بالتقدم السريع للحوسبة، تحول معظم العاملين في مجال الذكاء الاصطناعي إلى تعريفات أضيق لـAGI: شمل هذا أولاً أنظمة ذكاء اصطناعي يمكنها أداء المهام التي يمكن للإنسان القيام بها على الكمبيوتر بشكل مستقل؛ ومؤخراً الآلات القادرة على تنفيذ معظم المهام “ذات القيمة الاقتصادية” التي يمكن للإنسان التعامل معها على الكمبيوتر مثل البرمجة وكتابة نصوص دقيقة. يعتقد آخرون أنه يجب أن تشمل AGI القدرة على التفكير المرن والاستقلالية عند التعامل مع عدد من المهام غير المحددة.
“المشكلة هي أننا لا نعرف ما الذي نريده”، كما يقول أرسيني موسكيفيتشيف، مهندس تعلم الآلة لدى شركة Advanced Micro Devices وعالم كمبيوتر بمعهد سانتا فيه. ”نظرًا لأن الهدف غير محدد بشكل جيد للغاية ، فلا يوجد أيضًا خارطة طريق للوصول إليه ، ولا طريقة موثوقة لتحديده.”
لمواجهة هذه الشكوك ، قام الباحثون بتطوير اختبارات معيارية ، مشابهة لامتحانات الطلاب ، لتقييم مدى قرب الأنظمة من تحقيق AGI.
على سبيل المثال، في عام 2019، أطلق عالم الحاسوب الفرنسي والمهندس السابق في جوجل فرانسوا شولي مجموعة “الاستدلال المجرد للذكاء الاصطناعي العام” أو ARC-AGI. في هذا الاختبار، يتم إعطاء نموذج الذكاء الاصطناعي بشكل متكرر بعض الأمثلة على مربعات ملونة مرتبة بأنماط مختلفة على شبكة. بعد كل مجموعة من الأمثلة، يُطلب من النموذج إنشاء شبكة جديدة لإكمال النمط البصري، وهي مهمة تهدف إلى تقييم الاستدلال المرن وقدرة النموذج على اكتساب مهارات جديدة خارج نطاق تدريبه. هذه الإعدادات مشابهة لمصفوفات رافن التقدمية، وهو اختبار للاستدلال البشري.
تعتبر نتائج الاختبار جزءًا مما تستخدمه OpenAI وغيرها من شركات التكنولوجيا لتوجيه تطوير النماذج وتقييمها. مؤخرًا، حقق نموذج o3 الذي ستصدره OpenAI قريبًا تحسنًا كبيرًا في ARC-AGI مقارنة بالنماذج السابقة للذكاء الاصطناعي، مما جعل بعض الباحثين يرون فيه إنجازًا في مجال الذكاء الاصطناعي العام. بينما يختلف آخرون عن هذا الرأي.
“لا يوجد شيء عام حول ARC. إنه محدد وغريب للغاية”، يقول ريشت.
يقول عالم الحاسوب خوسيه هيرنانديز أورالو من جامعة فالنسيا التقنية في إسبانيا إنه من الممكن أن يقيم ARC-AGI فقط قدرة النموذج على التعرف على الصور. يمكن للأجيال السابقة من نماذج اللغة حل مشاكل مماثلة بدقة عالية إذا تم وصف الشبكات المرئية باستخدام النصوص، كما يقول. تجعل هذه السياقات نتائج o3 تبدو أقل جدّة.
بالإضافة إلى ذلك، هناك عدد محدود من تكوينات الشبكة، وبعض نماذج الذكاء الاصطناعي التي تمتلك قدرات حوسبة هائلة يمكن أن “تستخدم القوة الغاشمة” للوصول إلى الإجابات الصحيحة ببساطة عن طريق توليد جميع الإجابات الممكنة واختيار الأنسب — مما يقلل فعلياً المهمة إلى مشكلة اختيار متعدد بدلاً من واحدة تتطلب استدلالاً جديداً.
لمعالجة كل مهمة ضمن ARC-AGI ، يستخدم o3 كمية هائلة من قدرة الحوسبة (والمال) أثناء الاختبار. عند العمل بكفاءة عالية ، يكلف حوالي 30 دولار لكل مهمة ، كما يقول شولي. وفي إعداد أقل كفاءة ، قد تكلف المهمة الواحدة حوالي 3000 دولار. مجرد قدرة النموذج على حل المشكلة لا تعني أنه عملي أو ممكن استخدامه بانتظام في مهام مماثلة التحدي.
اختبارات الذكاء الاصطناعي لا تعكس تعقيد العالم الحقيقي
ليس فقط ARC-AGI هو ما يثير الجدل؛ فالتحديد ما إذا كان نموذج ذكاء اصطناعي يعد ذكاءً عاماً معقد بسبب حقيقة أن كل اختبار متاح لقدرات الذكاء الاصطناعي به عيوبه الخاصة. تماماً كما تعتبر مصفوفات رافن التقدمية وغيرها من اختبارات IQ مقاييس غير مثالية للذكاء البشري وتواجه انتقادات مستمرة بسبب تحيزاتها ، فإن تقييمات AGI كذلك تواجه نفس الشيء ، تقول أميليا هاردي ، عالمة حاسوب في جامعة ستانفورد . “من الصعب حقاً معرفة أننا نقيس [ما] نهتم به.”
على سبيل المثال, استجاب نموذج o3 بشكل صحيح لأكثر من ربع الأسئلة ضمن مجموعة استثنائية الصعوبة تُسمى معيار الرياضيات الحدودية, وفقاً لما ذكرته المتحدثة باسم الشركة ليندسي مكالوم . تستغرق هذه المشاكل ساعات لحلها بواسطة الرياضيين المحترفين , وفقاً لمبدعين المقياس . يبدو أن o3 ناجح ظاهريًا . لكن قد يكون هذا النجاح جزئيًا نتيجة لتمويل OpenAI لتطوير المقياس وامتلاكها الوصول إلى مجموعة البيانات الخاصة بالاختبار أثناء تطوير o3 . تعتبر مثل هذه تلوث البيانات صعوبة مستمرة عند تقييم نماذج الذكاء الاصطناعي , خاصة بالنسبة لـ AGI حيث تعتبر القدرة على التعميم والتجريد خارج بيانات التدريب أمر بالغ الأهمية.
يمكن لنماذج الذكاء الصناعى أيضًا أن تبدو جيدة جدًا عند أداء المهام المعقدة, مثل < a href = " https://www.nature.com/articles/s41598-024-55568-7 " target = "_ blank " rel = " noopener "> الاستجابة بدقة لأسئلة علمية بمستوى دكتوراه , بينما تفشل فى الأسئلة الأكثر أساسية, مثل < a href = " https://community.openai.com/t/incorrect-count-of-r-characters-in-the-word-strawberry/829618 " target = "_ blank " rel = " noopener "> عد عدد حرف r’s فى كلمة “strawberry”. تشير هذه الفروق إلى عدم توافق أساسي بين كيفية معالجة هذه الأنظمة الكمبيوتر للاستفسارات وفهم المشكلات. < p >ومع ذلك, لا يقوم مطورو AI بجمع ومشاركة المعلومات التي قد تساعد الباحثين بشكل أفضل لتقييم سبب ذلك, كما يقول هيرنانديز أورالو . يقدم العديد منهم قيمة دقة واحدة فقط لكل مقياس , بدلاً عن تحليل مفصل لأنواع الأسئلة التي أجاب عليها النموذج بشكل صحيح وغير صحيح . بدون تفاصيل إضافية , يصبح الأمر مستحيلاً تحديد مكان صعوبة النموذج , ولماذا ينجح أو إذا كانت أي نتيجة اختبار فردية تظهر إنجازا فى ذكاءات الآلات , حسب قول الخبراء.< / p > < p >حتى لو اجتاز نموذج اختبار معين وقابل للقياس بألوان زاهية, مثل < a href =" https://link.springer.com/article/10.1007/s10506-024-09396-9 "> امتحان المحامين أو < a href =" https://ai.nejm.org/doi/full/10.1056/AIdbp2300192 "> مجالس الطب , هناك القليل جداً لضمان ترجمة تلك النتائج لأداء بشري بمستوى خبرة تحت ظروف العالم الحقيقي الفوضوية, حسب قول ديفيد راين , عالم حاسوب لدى منظمة Model Evaluation and Threat Research غير الربحية ومقرها بيرkeley بكالفورنيا.< / p > < p >على سبيل المثال عندما طُلب منها كتابة مذكرات قانونية فإن نماذج AI المُولدة لا تزال تصنع معلومات بصورة منتظمة . رغم أن دراسة واحدة لـ GPT -4 اقترحت بأن < a href =" https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2825395?utm_campaign=articlePDF&utm_medium=articlePDFlink&utm_source=articlePDF&utm_content=jamanetworkopen.2024..40969#google_vignette "> الدردشة يمكن أن تتفوق علي الأطباء البشر فى تشخيص المرضى , إلا ان بحوث أكثر تفصيلا وجدت ان نماذج AI المقارنة تؤدي بصورة أسوأ بكثير مقارنة بالأطباء الفعليين عندما تواجه اختبارات تحاكي ظروف العالم الحقيقي.< / p > < p >ولا توجد دراسة أو نتيجة معيار تشير الى ان النماذج الحالية يجب ان تكون < a href =" https:/ www.washingtonpost.com/nation/2025/02/06/elon-musk-doge-ai-department-ofeducation/?utm_campaign=wp_main&utm_medium=social&utm_source=bluesky ""target="" _ blank ""rel="" noopener "" />
تقول راين إن المعايير التي تقدمها OpenAI وDeepSeek وغيرها من الشركات لا تعطي الكثير من المعلومات حول القدرات في العالم الحقيقي، على الرغم من أنها يمكن أن توفر معلومات معقولة لمقارنة النماذج ببعضها البعض.
حتى الآن، اختبر الباحثون نماذج الذكاء الاصطناعي بشكل كبير عن طريق تقديم مشاكل محددة لها إجابات معروفة. ومع ذلك، فإن البشر ليس لديهم دائمًا رفاهية معرفة ما هي المشكلة التي أمامهم، سواء كانت قابلة للحل أو في أي إطار زمني. يمكن للناس تحديد المشكلات الرئيسية، وتحديد أولويات المهام، والأهم من ذلك، معرفة متى يجب الاستسلام. وليس واضحًا بعد ما إذا كانت الآلات تستطيع أو تفعل ذلك. تكافح أكثر الوكلاء “المستقلين” تقدمًا للتنقل في طلب البيتزا أو البقالة عبر الإنترنت.
الذكاء العام لا يحدد التأثير
لقد تحسنت نماذج اللغة الكبيرة والشبكات العصبية بشكل كبير في الأشهر والسنوات الأخيرة. يقول ريشتر: “إنها مفيدة بالتأكيد بطرق مختلفة”، مشيرًا إلى قدرة النماذج الأحدث على تلخيص البيانات وهضمها أو إنتاج كود كمبيوتر قابل للاستخدام مع عدد قليل من الأخطاء. لكن المحاولات مثل ARC-AGI لقياس القدرة العامة لا توضح بالضرورة ما يمكن وما لا يمكن استخدام نماذج الذكاء الاصطناعي لأجله. ويضيف: “لا أعتقد أن الأمر مهم سواء كانت ذكية عمومًا بشكل مصطنع أم لا.”
ما قد يكون أكثر أهمية بناءً على الأخبار الأخيرة من DeepSeek هو المقاييس التقليدية للتكلفة لكل مهمة. يتم تحديد الفائدة بناءً على جودة الأداة وما إذا كانت تلك الأداة ميسورة التكلفة بما يكفي لتوسيع نطاق استخدامها. الذكاء هو جزء فقط من المعادلة.
من المفترض أن يكون AGI بمثابة ضوء إرشادي لمطوري الذكاء الاصطناعي. إذا تم تحقيقه، فمن المفترض أن يبشر بنقطة تحول كبيرة للمجتمع، حيث ستعمل الآلات بشكل مستقل على قدم المساواة أو أعلى مما يعمل به البشر. ولكن حتى الآن، كان للذكاء الاصطناعي تأثيرات اجتماعية كبيرة سواء إيجابية أو سلبية دون أي توافق حول ما إذا كنا نقترب (أو قد تجاوزنا بالفعل) هذه النقطة التحولية كما يقول ريشتر وهيرنانديز-أورالو وهاردي.
على سبيل المثال، يستخدم العلماء أدوات الذكاء الاصطناعي لإنشاء جزيئات جديدة قد تنقذ الحياة المحتملة. ومع ذلك ، فقد تسببت الدردشة التوليدية في فصول دراسية حول العالم في تعطيل التقييمات الدراسية . وجدت دراسة حديثة أجراها مركز بيو للأبحاث أن المزيد والمزيد من المراهقين الأمريكيين يقومون بتفويض الواجبات إلى ChatGPT. وأفادت دراسة عام 2023 في Nature بأن زيادة مساعدة الذكاء الاصطناعي في الدورات الجامعية جعلت الغش أصعب للكشف عنه.
إن القول بأن الذكاء الاصطناعي سيصبح تحويلياً بمجرد الوصول إلى AGI يتجاهل جميع الأشجار لصالح الغابة.
