منذ أن ظهر الذكاء الاصطناعي التوليدي، انشغل العالم بسؤال يكاد يتكرر في كل نقاش: متى تختفي الهلوسة؟ ومتى يصبح الذكاء الاصطناعي قادرا على إنتاج معلومات صحيحة بنسبة مئة في المئة؟
وربما يكون هذا هو السؤال الخطأ.
فنحن ننظر عادة إلى الأخطاء البرمجية باعتبارها عيوبا مؤقتة، ستختفي مع تطور الخوارزميات،واتساع قواعد البيانات، وازدياد القدرة الحاسوبية. وقد كان هذا صحيحا في كثير من تطبيقات البرمجيات التقليدية. لكن الذكاء الاصطناعي التوليدي يختلف جذريا عن البرامج التي عرفناها لعقود؛ فهو لا يسترجع المعلومات فحسب، بل يعيد تركيبها، ويستنتج منها، ويبني علاقات جديدة بينها.
وهنا يفرض سؤال آخر نفسه:
ماذا لو لم تكن الهلوسة مجرد خلل هندسي، بل كانت ثمنا طبيعيا لقدرة النموذج على التفكير الاستنباطي؟
هذا المقال لا يقدم إجابة نهائية، ولا يدعي اكتشاف قانون جديد، وإنما يطرح فرضية بحثية أولية تدعو إلى إعادة النظر في العلاقة بين دقة المعرفة والقدرة على التوليد والاستنباط. فربما كان السعي إلى بناء نموذج يجمع بين الإبداع غير المحدود والدقة المطلقة يشبه محاولة تجاوز أحد الحدود الطبيعية التي تحكم الأنظمة المعقدة.
ومن هنا جاءت الفكرة التي أقترح تسميتها: “مبدأ عدم اليقين الرقمي”.
عندما تلهمنا الفيزياء... ولا تقودنا
في عام 1927 قدم الفيزيائي الألماني فيرنر هايزنبرج مبدأ عدم اليقين، الذي أصبح أحد أهم الأسس التي قامت عليها ميكانيكا الكم. لم يكن هذا المبدأ نتيجة ضعف في أجهزة القياس، بل كشف عن حقيقة أعمق؛ وهي أن الطبيعة نفسها تفرض حدودا على ما يمكن معرفته بدقة كاملة في الوقت نفسه.
ولا يعني ذلك أن الذكاء الاصطناعي يخضع لقوانين فيزياء الكم، أو أن بين المجالين علاقة مباشرة. فلكل منهما قوانينه وأدواته.
لكن تاريخ العلم يعلمنا أن الأفكار الكبرى كثيرا ما تتجاوز حدود تخصصاتها. فكما ألهمت مفاهيم التطور والانتخاب الطبيعي علوم الاقتصاد والاجتماع، وكما انتقلت نظرية الشبكات من الرياضيات إلى علوم الاتصال، قد تلهمنا بعض المبادئ الفيزيائية في طرح أسئلة جديدة داخل علوم الذكاء الاصطناعي.
ومن هذا المنطلق يبرز سؤال يستحق التأمل:
هل توجد حدود طبيعية تفصل بين دقة المعرفة ومرونة الاستنباط داخل النماذج التوليدية؟
إذا كان الأمر كذلك، فقد لا تكون الهلوسة مجرد خطأ عابر، وإنما أحد الآثار الجانبية الملازمة لقدرة النموذج على تجاوز الحفظ الحرفي إلى التعميم والابتكار.
هذه ليست حقيقة مثبتة، بل فرضية تستحق الاختبار.
من الفكرة إلى الفرضية
كل فرضية علمية تبدأ بسؤال، ثم تتحول إلى نموذج يمكن اختباره. ومن هنا جاءت محاولة التعبير عن هذه الفكرة بصورة رياضية أولية، لا باعتبارها قانونا، وإنما باعتبارها إطارا مفاهيميا قابلا للنقاش.
وتأخذ الفرضية الصورة التالية:
ΔF × ΔC ≥ KAI
حيث يشير ΔF إلى مقدار عدم اليقين في صحة المعلومة، أو احتمال وقوع النموذج في الهلوسة، بينما يعبر ΔC عن مقدار عدم اليقين المرتبط بقدرة النموذج على التعميم والاستنباط والإبداع.
أما KAI فهو ثابت افتراضي أقترح تسميته “ثابت الذكاء التوليدي”، ولا يمثل قيمة محسوبة، بل متغيرا بحثيا يحتاج إلى تعريف رياضي واختبار تجريبي.
ووفقا لهذا التصور، قد يصبح من الصعب تقليل المتغيرين معا إلى الصفر. فكلما شددنا القيود على النموذج سعيا إلى القضاء على الهلوسة، تراجعت قدرته على التعميم وربط الأفكار. وعلى الجانب الآخر، كلما منحناه مساحة أوسع للاستنباط والإبداع، ازدادت احتمالية أن ينتج أحيانا استنتاجات غير دقيقة.
وبعبارة أبسط، قد يكون الذكاء التوليدي عملية موازنة مستمرة بين الدقة والمرونة، لا يمكن فيها تعظيم أحد الطرفين دون أن يتأثر الآخر.
لكن... هل يمكن ملاحظة هذه الفكرة في الواقع؟
قد تبدو الفرضية السابقة مجرد تصور نظري أو معادلة رياضية تحتاج إلى سنوات من البحث لإثباتها أو نفيها. لكن قبل الوصول إلى المختبر، يمكن اختبار منطقها من خلال أمثلة بسيطة تكشف كيف يعمل الذكاء الاصطناعي التوليدي في حياته اليومية.
فإذا كانت العلاقة بين الدقة والاستنباط موجودة بالفعل، فمن المفترض أن تظهر آثارها حتى في أبسط
المهام اللغوية التي يؤديها النموذج كل يوم.
ولعل اللغة نفسها تقدم لنا أفضل مثال على ذلك.
لنتأمل كلمة واحدة فقط: “عين”.
هذه الكلمة تبدو بسيطة، لكنها تحمل معاني متعددة؛ فقد تعني عضو الإبصار، أو عين الماء، أو الجاسوس، أو غير ذلك من المعاني التي لا يمكن تحديدها إلا من خلال السياق.
إذا قدمنا هذه الكلمة وحدها إلى نموذج ذكاء اصطناعي، فلن يمتلك معلومات كافية ليحدد معناها بدقة. أما إذا أضفنا إليها جملة مثل: “شربت من عين...” أو “أصابت الكرة عين...”، فإن النموذج يبدأ في ترجيح أحد المعاني اعتمادا على العلاقات الإحصائية التي تعلمها بين الكلمات.
ما يحدث هنا ليس استرجاعا لمعلومة مخزنة داخل “ملف”، وإنما عملية استدلال احتمالية. فالنموذج يقارن بين ملايين الأنماط اللغوية، ثم يختار الاحتمال الذي يبدو الأكثر اتساقا مع السياق.
وهنا تكمن المفارقة.
فالآلية نفسها التي تمنح الذكاء الاصطناعي قدرته على فهم السياقات الجديدة، وكتابة نصوص مبتكرة، وتقديم حلول لم يسبق أن تدرب عليها، قد تدفعه أحيانا إلى ترجيح احتمال يبدو منطقيا، لكنه غير صحيح.
إنه لا “يكذب”، ولا “يتخيل” بالمعنى البشري، بل يعمل وفقا لمنظومة احتمالية قد تصل أحيانا إلى استنتاج غير مطابق للواقع.
ولهذا، قد تكون الهلوسة وجها آخر للعملية نفسها التي تمنح النموذج قدرته على الإبداع.
وتظهر الفكرة ذاتها في أحد المفاهيم الأساسية في تعلم الآلة، وهو التوازن بين الحفظ الصارم (Overfitting) والتعميم (Generalization).
فالنموذج الذي يحفظ بيانات التدريب بحرفيتها يحقق دقة مرتفعة فيما تعلمه بالفعل، لكنه يعجز عن التعامل مع الحالات الجديدة. أما النموذج القادر على التعميم، فإنه يستطيع استنتاج حلول لم يسبق أن رآها، لكنه يتحمل في المقابل قدرا من عدم اليقين عند مواجهة مواقف خارج بيانات تدريبه.
ومن هنا يبرز السؤال الجوهري:
هل تمثل الهلوسة الثمن الذي ندفعه مقابل امتلاك الآلة القدرة على التعميم؟
إذا كانت الإجابة أقرب إلى “نعم”، فإن القضية لا تتعلق فقط بتحسين قواعد البيانات أو زيادة حجم النماذج، وإنما بفهم الحدود الطبيعية التي تحكم الذكاء التوليدي نفسه.
نحو فهم جديد لتقييم الذكاء الاصطناعي
إذا صحت هذه الفرضية، فقد يصبح من الضروري إعادة التفكير في الطريقة التي نقيم بها أنظمة الذكاء الاصطناعي.
فبدلا من اعتبار الهلوسة عيبا سيختفي تماما مع تطور التكنولوجيا،ربما يكون من الأدق النظر إليها باعتبارها مؤشرا على نقطة التوازن التي يحققها النموذج بين موثوقية المعرفة ومرونة الاستنباط.
ولا يعني ذلك القبول بالأخطاء أو التوقف عن تطوير النماذج، بل يعني أن الهدف قد لا يكون الوصول إلى “صفر هلوسة”، وإنما الوصول إلى أفضل توازن ممكن بين الدقة والقدرة على التفكير والتعميم، وفقا لطبيعة كل تطبيق.
فالنظام المستخدم في التشخيص الطبي، أو في قيادة الطائرات، يحتاج إلى أعلى مستويات الموثوقية، بينما قد تتطلب تطبيقات البحث العلمي أو التصميم الهندسي أو الابتكار هامشا أوسع من الاستنباط والإبداع.
وربما لهذا السبب، لن يكون السؤال الأكثر أهمية في المستقبل: كيف نقضي على الهلوسة؟
بل: كيف نصمم نماذج تحقق التوازن الأمثل بين اليقين والابتكار؟
بداية حوار... لا نهايته
ما يطرحه هذا المقال ليس أكثر من فرضية بحثية أولية، تستحق المناقشة والاختبار والتطوير. وقد تثبت التجارب المستقبلية صحتها، أو تكشف جوانب تحتاج إلى تعديل، أو تقود إلى نماذج تفسيرية أكثر دقة.
ولهذا يجري العمل حاليا على إعداد ورقة بحثية تتناول هذه الفرضية بصورة أكثر تفصيلا، من خلال مناقشة أسسها المفاهيمية،وإطارها الرياضي، وإمكانية التحقق منها تجريبيا.
وستطرح هذه الورقة للنقاش المفتوح أمام الباحثين والمتخصصين في الذكاء الاصطناعي، وعلوم الحاسب، والرياضيات، والفيزياء، ونظرية المعلومات، انطلاقا من إيمان راسخ بأن الأفكار العلمية لا تنضج في عزلة، وإنما تتطور بالحوار، والنقد، والتجربة.
فالعلم لم يتقدم يوما لأن أحدهم امتلك الحقيقة كاملة، بل لأنه امتلك الشجاعة لطرح سؤال جديد.
وربما يكون السؤال الذي يطرحه “مبدأ عدم اليقين الرقمي” خطوة أولى نحو فهم أعمق للحدود الطبيعية التي تحكم الذكاء الاصطناعي التوليدي، تماما كما قاد مبدأ عدم اليقين قبل قرن من الزمان إلى إعادة تشكيل فهمنا للعالم المادي.
* مخترع الواى فاي السريع وخبير تكنولوجيا المعلومات والأمن السيبراني
