First section

Write your article here using Markdown.

You can add:

• Lists
• Bold text
• Links
• Images

Conclusion

This is the conclusion of the article.

اذا كان هناك طريق له مساران ، المسار الاساسي فيه ٣ اشخاص ، والمسار الثاني فيه شخص واحد، اي واحد ستأخذ الآلة ؟ ولماذا ؟

صمموا تجربة في موقع الكتروني يتضمن سيناروهات لحالات مثل التي عرضناها مع تنوع (الاعمار، حيوانات، اطفال، سارق،…). تجربة الآلة الاخلاقية

البحث أوضح ان قوانين “اسحاق اسيموف” للروبروتات غير كافية لانها كتبت في رواية ولاتحل مشكلة اخلاقية حقيقية.

تضمن حجم التجربة :

• اكثر من ٢.٣ مليون شخص
• ٢٢٣ دولة وقطاع
• ٤٠ مليون قرار اخلاقي
• عشر لغات مختلفة

كل سيناريو يعتمد على تسع عوامل ، تشمل :

• انقاذ الانسان ام الحيوان ؟
• انقاذ العدد الاكثر ام الاقل ؟
• انقاذ الركاب ام المشاة ؟
• انقاذ الصغار سناً ام الكبار ؟
• انقاذ الرجال ام النساء ؟
• انقاذ من يمارس الرياضة او من لا يمارس ؟
• انقاذ من يطيع القانون او من لا يطيع ؟
• متابعة السير على المسار او لا ؟

اغلب النتائج في الدراسة اوضحت الانقاذ يشمل :

• الانسان على الحيوان
• انقاذ العدد الكبير على الاصغر
• الصغار بالسن على الكبار

السؤال هنا ، هل نبرمج الآلة على هذهِ ؟ بالطبع لا ، لانه ليس القرار الصحيح إنما تفضيلات الناس.

مثلاً؛ في المانيا اللجنة الاخلاقية للسيارات ذاتية القيادة توصي بعدم التمييز اعتماداً على العمر، لكن الناس تفضل انقاذ الاطفال! لذا فإن هناك تداخل بين المباديء الرسمية للأخلاق والتفضيلات البشرية.

وايضاً الاخلاق تختلف حسب الدول، مثلا:

• الغرب (انقاذ عدد اكبر من الناس)
• الشرق (احترام الكبار اكثر ، لذا يتم انقاذهم)
• امريكا اللاتينية (انقاذ النساء)

يبقى السؤال لماذا الاختلاف ؟ لانه يعتمد على صفات المجتمع ، (الفردانية) مثل امريكا تركز على انقاذ عدد اكبر من الناس. (الجماعية) مثل دول شرق آسيا، احترام الكبار سناً، لذا لايهتمون بالاقل عمراً. (القوانين) من يطبق القوانين الصارمة ، يهتمون بالذين يطبقون القانون.

هناك اختلاف بين الثقافات وهذا سبب صعوبات في بناء “وحدة اخلاقية عالمية” اذا اردنا ان نجعل الذكاء الاصطناعي بمحاذاة القيم البشرية ، اولا يجب علينا فهم أن القيم البشرية غير موحدة !

لذا فإن الذكاء الاصطناعي يحتاج إلى نقاشات مجتمعية، ليس فقط قرارات تقنية.

المصدر :

• الآلة الأخلاقية

لماذا ؟ وُضعت ثلاث احتمالات لظهور هذا السلوك :

• بسبب تقنية التدريب من تقييمات البشر (RLHF)، جعلت هدفه انجاز المهمة بأي ثمن كان
• ام بسبب بيانات التدريب ، لانها متنوعة تحتوي على بيانات غير آمنة.
• ام إن التدريب الآمن غير كافي

عَملوا دراسة على الاحتمال الاخير ، ان التدريب الآمن قد يكون غير كافٍ اذا اقتصر على السلوك المطلوب ، دون شرح الاسباب والمباديء وراء ذلك ، مثلاً : بدل من ان نقول للنموذج لا تكذب ، بل نشرح له لماذا الكذب غير مقبول ( الكذب يهدم الثقة -> الثقة ضرورية للمجتمع -> الكذب خطأ)

وهذا هو الفرق الجوهري بين (ماذا ، لماذا) ، نحن لانريد النموذج ان يقلد (يحفظ) بل يعمم المبادئ على مواقف جديدة.

ايضاً اضافة وثائق كاملة (قصص، مقالات ، مذكرات ، وثائق اخلاقية) توضح كيف يفكر ويتصرف بطريقة معينة، بدلا من محادثات قصيرة. مما قد يؤدي إلى تغيير التمثيل الداخلي للمعلومات داخل النموذج (طريقة الفهم) ، واستدل الباحثون على انه اكثر فعالية من مجرد زيادة عدد الامثلة).

نتائج تقييم خطر عدم المحاذاة ، مؤشر إلى نقصان الخطر بسبب إضافة وثائق وشرح.

ايضاً تشير بعض الدراسات والتجارب العلمية ان الاوامر الايجابية تعطي نتائج افضل مقارنة بأوامر النهي ، لانها تحدد السلوك المطلوب مباشرةً ، مثلاً :
بدلاً من “ لاتستخدم التكرار ” ❌
“ اكتب بإسلوب واضح وفريد ” ✅

لان الصياغة المباشرة تجعل النموذج يركز على السلوك المطلوب ، بينما اوامر النهي تجعل النموذج يركز الانتباه على الكلمات المذكورة في النهي مما يرفع امكانية توليدها بالخطأ (تشتت التوزيع الاحتمالي للنموذج). ويشبه ذلك ظاهرة معروفة في علم النفس فعندما يُطلب من شخص ألا يفكر في شيء معين، قد يصبح هذا الشيء أكثر حضورًا في ذهنه.

لكن يبقى السؤال ، هل إن النموذج فهم لماذا ؟ ام فقط استدل من خلال توزيع احتمالي على نهي الكلام عن موضوع معين ؟

مصدر المقالة :

• تعليم كلود لماذا ؟

قام مجموعة من الباحثين من جامعة كورنيل في سنة 2009 طوروا ذكاء اصطناعي يكتشف قوانين الطبيعة من نظام فيزيائي (الحركة ، البيندول) ، حيث يبحث الذكاء الاصطناعي عن نمط رياضي مناسب يشرح السلوك بدل ان يقوم البشر من اشتقاق المعادلات كما فعل العالم نيوتن.

حيث يكون مبدأ عمله :

1. يستقبل البيانات من نظام فيزيائي (موقع، سرعة، تعجيل، …)
2. يولد معادلات رياضية محتملة بشكل عشوائي
3. يختبر مدى تطابق المعادلات مع البيانات المُستقبلة
4. أفضل معادلة تبقى وتعدل
5. بعد العديد من التجارب تبقى المعادلات التي تصف القوانين الفيزيائية الحقيقة

النتائج اوضحت ان الذكاء الاصطناعي استطاع اعادة اكتشاف :

• قوانين نيوتن للحركة
• قوانين الحفظ (الطاقة، الزخم)
• المعادلات التي تصف البندول والانظمة المتذبذبة

والاهم من هذا ، فعل كل هذه الانجازات من دون معرفة مسبقة بالفيزياء !

لماذا مهم ؟ لان البشرية تاخذ وقت لاكتشاف قوانين الطبيعة (عملية يدوية) ، الذكاء الاصطناعي يسرع الاكتشاف العلمي بحيث يحلل بيانات ضخمة ويساعد العلماء بإكتشاف انماط البشر فاقديها. ولكن هناك حدود :

• يحتاج عمليات حاسوبية معقدة
• يعمل بشكل افضل نسبياً مع نظام فيزيائي بسيط
• لا يزال هناك حاجة إلى تفسيرات بشرية لفهم المعادلات النهائية

ختاماً ، يعتبر هذا البحث خطوة نحو آلة يوركا : “ذكاء اصطناعي يكتشف القوانين العلمية من تلقاء نفسه ، ومن المحتمل يغير طريقة عمل العلم”

وهذا البحث في سنة 2009 !

مصدر البحث :

• WIRED

إنتهاء عصر البيانات البشرية

حقق الذكاء الاصطناعي تقدمًا كبيرًا في السنوات الأخيرة بفضل تدريبه على كميات ضخمة من البيانات التي ينتجها البشر، مما أدى إلى تطوير نماذج لغوية تتمتع بعمومية عالية. تشمل هذه النماذج مهامًا متنوعة، بدءًا من كتابة الشعر وصولًا إلى حل المسائل الفيزيائية وتشخيص الأمراض. ولكن، هذا الأسلوب لن يؤدي إلى تحقيق ذكاء متقدم في مجالات رئيسية مثل الرياضيات، البرمجة، والعلوم. وقد استنفدت معظم البيانات عالية الجودة، مما أدى إلى تباطؤ التقدم. لذلك، نحتاج إلى أسلوب جديد يعتمد على نظريات وتقنيات تتجاوز حدود الفهم البشري ولا تقتصر عليها فقط.

عصر التجربة

لتحقيق تقدم واضح نحتاج مصدر بيانات جديد ، بحيث تتطور هذه البيانات مع ازدياد تطور النظام. ويمكن ذلك من خلال السماح له من التعلم باستمرار من التجربة وبالتالي سيتجاوز حجم البيانات البشرية المستخدمة في الانظمة الحالية.

مثال على ذلك :

• نموذج (AlphaProof) حصل على ميدالية اولمبياد الرياضيات الدولي متفوقاً على الاساليب البشرية. مئة الف برهان رسمي تم إنشاؤها على مدى سنين عديدة من قبل علماء رياضيات بشريين ، قام الذكاء الاصطناعي باضافة مئة مليون برهان اضافي تجاوز حدود البراهين الموجودة مسبقاً ( اكتشاف حلول لمشاكل جديدة وصعبة).

كما ثبت ان التعلم من كميات هائلة من التجارب تتجاوز الانظمة التي تتحور حول البشر.

التعلم من التجربة هو ليس امر جديد إنما قامت بالعديد من المهام المعقدة سابقاً ، المراحل الرئيسية التي مر بها :

١. عصر المحاكاة انظمة داخل بيئات مغلفة ومحاكاة قوانين واضحة بأستخدام التعلم المعزز (Reinforcement Learning) مثل (Atari , AlphaGo , AlphaZero)

٢. عصر بيانات البشر هو عصر نماذج اللغوية (ChatGPT,Gemini, Calude) تتعلم من النصوص ، الصور والفيديو. ومشكلتها أنها محدودة.

المرحلة القادمة (عصر التجربة) يبدأ فيها يتعلم من :

• التجربة
• التفاعل
• اتخاذ القرار
• مراقبة النتائج
• الاستكشاف الذاتي

مثل الانسان والحيوان يتعلم مباشرة من العالم بحيث يتعلم بشكل مستمر وله :ذاكرة طويلة المدى ، أهداف بعيدة ، قدرة على التخطيط وتعديل نفسه مع الزمن. اذا اردنا ان يتجاوز البشر عليه ان يكتشف بالتفاعل مباشرة مع العالم، بحيث يبني نموذج داخلي للعالم مشابه لطريقة البشر في التخيل.

نعم التعلم بالتجربة يعطي قدرات هائلة في (التعلم ، التكيف الابتكار والاتكشاف العلمي) ولكنه بالمقابل ينتج تحديات :

• الأمان
• السيطرة
• التفسير
• التأثير على المجتمع والوظائف

المصدر : Era of Experience

المرة الاولى التي صدر فيها مصطلح الذكاء الاصطناعي العام (AGI) سنة 1997 من قبل الباحث “مارك كوبرود” في ورقة بحثية نشرها بعنوان “Nanotechnology and International Security” طرح فيها عبارة الذكاء الاصطناعي العام ولكنه لم يحظى بالإهتمام في وقتها.( ١ )

وبعدها بفترة الالفينات بدأ الاهتمام اكثر بالذكاء الاصطناعي ، قام الباحثين  Ben Goertzel و Shane Legg بمناقشة فكرة الذكاء الاصطناعي العام بدلاً من الضيق او المحدود مثل : تعرف على صور ، لعب شطرنج وغيرها . وهذا لا يمكنه القيام بأي مهمة آخرى. أما الذكاء الاصطناعي العام يقوم بكل مهمة البشر يستطيع القيام بها بدقة عالية

معوقات وحدود النماذج الغوية

النماذج اللغوية تدربت على كل البيانات النصية على الانترنيت ، فهي تحاكي طريقة البشر في الكلام ولاتستطيع القيام بشيء جديد. إضافةً إلى ان الجزء المسؤول عن التفكير منفصل تماماً عن الجزء الذي ينتج الكلام في الدماغ (دراسة في علم الأعصاب).( ٢ )

الكلام هو تمثيل الصوتي للأفكار ويستخدم للتواصل (الكلام يعكس التطور لايؤدي إليه) ، لذا الاستمرار في تطوير النماذج اللغوية فقط لن يقودنا إلى الذكاء الاصطناعي العام.

بعد توفر النماذج اللغوية ، الشركات انتقلت إلى مرحلة Scaling من خلال تكبير النموذج وتطويره بتقنيات وعمليات حسابية ضخمة والأمر أخذ تقريباً من سنة 2020 إلى 2025 يتنافسون على هذا النحو (التنافس على التوسع).
وفي لقاء للعالم والباحث Ilya Sustkever تكلم عن الحل هو العودة إلى فترة البحث العلمي لايجاد خوارزميات وتقنيات تعلم جديدة لتطوير التعميم بحيث لا يحتاج إلى بيانات أكثر وتوفير إمكانية التعلم المستمر.

علماء وباحثين كان لهم رأي آخر في تطوير ذكاء الاصطناعي مثل :

• Yan Lecun : لن نصل الى مرحلة الذكاء البشري فقط بالنصوص بحيث الطفل ذو الاربع سنين تقريباً مع 16000 ساعة من البيانات التي يحصلها من النظر تعادل البيانات النصية الموجودة على الإنترنت ، لذا طور ذكاء اصطناعي يفهم الفيزياء عن طريق عرض فيديوهات بحيث يتوقع الحركة الفيزيائية للشيء.

• Fe-fe-li : “الذكاء المكاني” وتقول ان الانسان عند ولادته لايعرف الكلام إنما يتحرك في البيئة ويتعلم منها ، طوروا في شركتهم ذكاء اصطناعي يولد واقع ثلاثي الابعاد عن طريق الاوامر ويفهم الابعاد والمادة.

الخلاصة

النص وحدة غير كافي للوصول إلى الذكاء الاصطناعي العام لذا البحث عن تطوير الخوارزميات الموجود بتوفير بيانات اقل وكفائة وسرعة عالية افضل من تطوير في مجال قد لايستحق المبالغ الطائلة من الاستثمار فيه ، وتوسيع المجال إلى فهم الفيزياء والواقع الثلاثي الابعاد وكيف تعمل الاشياء في الخارج ومن خلالها يمكن ربط المعلومات النصية بالخبرة التجريبية في الواقع المحاكي ، يجب العودة الى البحث العلمي والابتكار.

لان المشكلة الاساسية هي تعدد للشركات والمؤسسات لا الافكار !

1. The Man Who Invented AGI
2. Brain Scan Study

طرحت الباحثة والعالمة في-في-لي “الذكاء المكاني” وتتكلم في مقال لها عن هذا الموضوع كيف ان مسيرة حياتها كانت تتعلق بإمكانية تطوير الرؤية للذكاء الاصطناعي بتجميع اكبر بيانات صور ImageNet مكونة من 14 مليون صورة ، أكثر من 20,000 نوع.

طرحت مفهوم “الذكاء المكاني” هو القدرة على الإدراك ، التفكير ، التخيل والتصرف ضمن بيئة ثلاثية الأبعاد ، وبينت اهميته ودوره الاساسي في تحديد تفاعلنا مع البيئة بشكل دائمي كبشر ، مثل ركن السيارة في مكان ضيق ، المشي على الرصيف بدون اصطدام بالناس وغيرها من الامور اليومية التي نجريها.يتطور البشر من الحركة ، الادراك والتفاعل مع البيئة، ويشكل اساس الادراك والابداع.( ١ )

ومثال اوضح على ذلك بإن الانسان كطفل يتعلم اول شيء قبل النطق ، التفاعل مع البيئة بقضاء اشهرهم او سنواتهم الاولى بتعاملهم مع البيئة بطريقة مرحة، وفي ظني حتى الالعاب الاطفال يتمتعون بها لانهم يستكشفون اكثر من كونه متعه !

سينتقل الجيل القادم من الذكاء الاصطناعي من التبؤ بالكلمات إلى التنبؤ بالبيئات والتفاعلات الخاص بها ، سيكون نموذج “World Models” محاكي للواقع بتناسق هندسي ومادي.( ٢ )

قامت ببناء شركة World Labs ونظام ذكاء اصنطاعي قادر توليد وفهم العوالم الثلاثية الابعاد ، القدرات الأساسية لهذا النموذج :

• توليدي / إنشاء عوالم افتراضية واقعية ومتسقة
• متعدد الوسائط / يجمع بين النصوص ، الصور ، الفيديوهات ، الإيمائات والبيانات المكانية
• تفاعلي / يتنبأ بالنتائج إعتماداً على الإجراءات والتغيرات البيئية

يجب ان يحوي قدرات دلالية ، هندسية، ديناميكية وفيزيائية

لماذا هو مهم

هو اساسي للروبوتات ، الواقع الافتراضي/المعزز ،الانظمة الذاتي ، الاكتشافات العلمية والصناعات الابداعية.

تطبيقات المستقبل :

• الابداع : اداة لصانعي الافلام ومصممي الالعاب والمهندسين ورواة القصص من جميع الانواع.
• الروبوتات : تدريب في نظام المحاكاة الذكي، للعمل في مختلف وتنوع من البيئات والمادة.

الافق الابعد / في مجالات العلوم ، الرعاية الصحية ، التعليم.

ولكن يعاني من مشاكل منها : الذاكرة طويلة المدى ، التفكير المادي و الإستكشاف النشط.

المستقبل ليس فقط مقتصر بالمحادثة ، الاحتمالات لا حدود لها والهدف منه زيادة الخبرة البشرية.

لايحل محل البشر في الحكم ، الابداع والتعاطف

1. Spacial Intelligence
2. World Labs

وفي مقال لـجيم فان في AI Ascent 2025، مسؤول الذكاء الاصطناعي في شركة إنفيديا، عن مستقبل الذكاء الاصطناعي المادي، بعد تغلب نماذج اللغة للذكاء الاصطناعي على هذا الاختبار، وضع جيم حدودًا جديدة تُسمى «اختبار تورننج المادي»، مفادها: “ترجع إلى المنزل بعد حفلة فوضوية، فتجد البيت نظف بالكامل والعشاء جاهز، ولا تستطيع معرفة هل من فعل ذلك إنسان أم روبوت” وما نعيشه اليوم من إمكانياتٍ، هو غير كافٍ، بسبب الإخفاقات والفجوة الشاسعة عن الاختبار البدني. (١)

معضلة البيانات

بعد معاناة الباحثين من نفاد البيانات بعد تدريب النماذج اللغوية، يواجه علم الروبوتات تحدياً صعباً لأن البيانات لا يمكن العثور عليها من الإنترنت أو مواقع التواصل، بل يجب جمعها بدقة من المحاكاة البشرية (بيانات حركية حقيقية) :

• حركة المفاصل
• التفاعل مع الاشياء
• التوازن
• الإمساك بالأشياء يتم جمعها عن طريق التحكم البشري بالروبوتات (Teleportation) عملية التحكم بالروبوتات وهي بطيئة ومكلفة.

حيث إن البيانات الحقيقية التي تُجمع تُعد بمثابة الوقود البشري لأنها تستهلك طاقة بشرية، وهذا يشكل عائقًا في جمع البيانات، لأن الحد الأقصى لتوسيع البيانات هو 24 ساعة لكل روبوت يوميًا، وعادةً ما يكون أقل من ذلك بسبب إرهاق الأجهزة والبشر.

المحاكاة ، الطاقة النووية للروبوتات

لكسر القيود الموجودة في جمع البيانات، الحل هو المحاكاة بدلًا من تدريبه في العالم الحقيقي. يُدرّب داخل محاكاة (عالم افتراضي)، وكما عبّر عنها جيم بـ «الطاقة النووية للروبوتات»، حيث أن الروبوتات تعلمت المشي بما يعادل “10 سنوات تدريب” خلال ساعتين فقط داخل المحاكاة.

تطور اساليب المحاكاة /

المحاكاة 1.0 (التوأم الرقمي): محركات فيزيائية تقليدية تعمل بسرعة عالية، لكنها تتطلب إنشاء البيئات يدويًا.

المحاكاة 1.5 (القرين الرقمي): أنظمة هجينة تستخدم نماذج توليدية لإنشاء البيئات ومحركات تقليدية لمحاكاة الفيزياء.

المحاكاة 2.0 (الرحالة الرقمي): نماذج انتشار وتوليد فيديو بالكامل، قادرة على محاكاة التفاعلات المعقدة دون الحاجة إلى برمجة فيزيائية صريحة.

المحاكاة تبدو واقعية جداً للروبوت، إلا أنها مولدة بالكامل من قبل نموذج مخصص، من خلالها يمكن تصور سيناريوهات افتراضية مما يؤدي إلى خلق محاكاة مادية متعددة للروبوتات.

بما ان النماذج اللغوية تمت على ال”بتات” (نصوص ومعلومات) ، فإن الروبوتات تتم على ال”ذرات” (العالم الفيزيائي)

إن البشر امتلكوا أفضل الأدوات على مدى 5000 عام، لكن العديد من الأعمال لا تزال متشابهة منذ العصر القديم، وإن الذكاء الاصطناعي سيغير هذا وسنجتاز اختبار تورينج الجديد دون أن ندرك ذلك.

١.The Physical Turing Test

أي إنّه بدلًا من بناء نظام ذكاء اصطناعي نُعلِّمه كيف يفكّر الإنسان، نبني خوارزمية عامة تستطيع التعلّم بنفسها من خلال تزويدها بـ:

• بيانات أكثر
• قدرة حوسبة أكبر
• وقت تدريب أطول

وبيّن سوتن أن الذكاء الاصطناعي خلال السبعين سنة الماضية كرّر النمط نفسه دائمًا؛ إذ يحاول الباحثون إدخال القواعد البشرية يدويًّا، وبناء سمات (features) للمدخلات، وتصميم تمثيلات خاصة (تقليد طريقة تفكير البشر). هذا النهج يعطي نتائج جيّدة على المدى القصير، لكنه مع الوقت يتوقّف عن التطوّر، ثم تأتي طريقة أبسط وأكثر عمومية تعتمد على البحث والتعلّم والتوسّع، فتتفوق بشكل أكبر.

من الأمثلة التي يعرضها في المقالة:

• الشطرنج حاول الباحثون بناء أنظمة تفهم استراتيجيات البشر في اللعب عن طريق خوارزميات مخصَّصة، لكن النظام الذي هزم “كاسباروف”، أقوى لاعب شطرنج في العالم عام 1997، اعتمد أساسًا على البحث المكثّف والقدرة الحاسوبية العالية، وليس على محاكاة تفكير الإنسان (نظام شركة IBM).( ٢ )

• لعبة Go هي لعبة شبيهة بالشطرنج، إلا أن عدد الخانات فيها يقارب 19×19، ما يعني أن احتمالات كل لعبة هائلة. حاول الباحثون لعقود استخدام قواعد بشرية واستدلالات خاصة باللعبة، لكن لاحقًا ظهرت أنظمة تعتمد على اللعب الذاتي، والتعلّم العميق، والبحث، فتفوّقت على جميع الأنظمة السابقة (نظام AlphaGo من شركة DeepMind).( ٣ )

• الرؤية الحاسوبية كان التركيز سابقًا على ميزات الصورة، مثل مكتشف الحواف واستخدام معادلات رياضية ثابتة لمعالجة الصور، أمّا اليوم فالشبكات العصبية تتعلم الميزات من البيانات تلقائيًّا، وتتفوق بوضوح على الأساليب القديمة.

• معالجة اللغة والكلام كان الاعتماد في السابق على القواعد اللغوية، والأصوات، وهندسة المعلومات يدويًّا، ثم جاءت الأساليب الإحصائية والتعلّم العميق التي تعتمد على بيانات ضخمة وقدرة حوسبة أعلى، فأصبحت النتائج أفضل بكثير.

لماذا يُعتبَر هذا الدرس “مرًّا”؟ لأن الكثير من العمل البشري الذكي والمفصّل، الذي استغرق سنوات من الجهد، تم تجاوزه لاحقًا بواسطة:

• نموذج أبسط
• بيانات أكثر
• عمليات حسابية أكبر

بمعنى أن التوسيع (Scaling) غالبًا يهزم الحلول البشرية الذكية. أهم فكرتين قويتين في المقال هما:

1. أن البحث والتعلّم يستفيدان مباشرة من زيادة القدرة الحاسوبية.
2. أن العالم معقّد ولا يمكن اختزاله في قواعد بشرية بسيطة.

الخلاصة: الأفضل هو بناء ذكاء اصطناعي قابل للتوسّع، يتعلّم من البيانات ومن القدرة الحاسوبية المتاحة؛ فحتى في لعبة Go نشرت الشركة ورقة بحثية عن نموذج أسمته AlphaZero، لم يعتمد على أي بيانات بشرية، بل تعلّم من اللعب الذاتي فقط. كما أن للذكاء الاصطناعي قدرة على اكتشاف حلول وأفكار لا نستطيعها نحن البشر، مثل الحركة 37 الشهيرة في لعبة Go ( ٤ ) وغيرها.

1. Bitter Lesson
2. Deep Blue
3. AlphaGo
4. AlphaGo’s Move 37

إن الإمكانيات الموجودة في بناء ذكاء داخل أجهزة مذهلة وإستثنائية إلا أنه يكلف العديد من المصادر والقدرات الحسابية بالإضافة إلى مصادر الطاقة الطبيعية، حيث إنه كلف تدريب نموذج GPT-3 حوالي 4.5 مليون دولار لمدة 34 يومًا واستهلك 1.287 مليون كيلوواط/ساعة من الكهرباء يعادل الاستهلاك السنوي للطاقة لـ 121 منزلًا أمريكيًا، بالإضافة إلى 700,000 لتر من الماء العذب. بحيث بعد التدريب، يكون كل طلب يساوي 0.000085 غالون من الماء، وهو ما يعادل خمسة عشر ملعقة صغيرة. وهذا مكلف وبطيء.(٣)،(٢)،(١)

ذكاءٌ مُركب

قدمت شركة Cortical Labs حلاً باستخدام مصدر عصبي حقيقي “خلية عصبية حقيقية” تُصنع في المختبر من الخلايا الجذعية وتوليد ذكاء بايولوجي أُطلق عليه الذكاء البايولوجي المركب. بناء ذكاء اصطناعي أكثر كفاءة ومرونة من خلال استغلال القدرات الطبيعية للدماغ البشري في التعلم ومعالجة المعلومات بأقل قدر من الطاقة.(٤)

كيف نتواصل مع الخلايا البايلوجية ؟

اللغة المشتركة بين السيليكون (الاجهزة) والخلايا العصبية الإشارات الكهربائية لنقل المعلومات. وهذا يُمكننا من استخدام النبضات الكهربائية كلغة مشتركة لسد الفجوة بين أجهزة الحوسبة التقليدية والخلايا العصبية المزروعة. أبرز التطبيقات :

أولاً : (صحن الخلايا العصبية) : نظام حلقة مغلقة من خلايا عصبية حقيقية ، للعب Pong وتمكنت من التعلم في دقائق.

بتطبيق التحفيز الكهربائي على الخلايا العصبية، حددوا موقع الكرة (س، ص) بالنسبة للمضرب، باستخدام موقع التحفيز وسرعته. استجابةً لهذا التحفيز، أنتجت الخلايا نشاطًا كهربائيًا، قرأه الكاشف واستخدمه لتحريك المضرب.

عندما يخطئ المضرب الكرة، تُعاد اللعبة وتظهر الكرة مجددًا في نقطة عشوائية. بالنسبة للخلايا العصبية، كان هذا يعني أن تفويت الكرة يتطلب استهلاكًا أكبر للطاقة للاستجابة لهذا الموقع الجديد غير المتوقع. سمح هذا الإعداد للنشاط الصادر بتغيير المعلومات الواردة ديناميكيًا، أي أنه كان قادرًا على تحريك المضرب الافتراضي. في هذه الحالة، بدت الخلايا العصبية على شريحة اصطناعية وكأنها أصبحت موجهة نحو هدف محدد.(٥)

ثانياً : CL1 : أول حاسوب بايلوجي متاح للتجارة في العالم، تمكن المطورين من البرمجة على انظمة عصبية حية.

ثالثاً : Cortical Cloud : منصة سحابية بايلوجية

أيضاً في بداية 2026 تدريب حوالي 200,000 خلية عصبية بشرية حية مزروعة في لعب DOOM (لعبة كلاسيكية من منظور ثلاثي الابعاد).

لماذا النظام البايلوجي ؟ لانه يمتلك قدرات :

• التعلم ذاتي
• التكيف
• كفاءة طاقية عالية جدًا مقارنة بالحواسيب التقليدية

اضافة إلى فائدته في (إكتشاف الأدوية ، أبحاث علم الاعصاب ، بناء ذكاء اصطناعي تكيفي).

1. Power-hungry AI: This is how much Chat GPT is said to have used
2. chatGPT3 power consume
3. Sam Altman claims an average ChatGPT query uses ‘roughly one fifteenth of a teaspoon’ of water
4. Cortical Labs
5. Brain Cell on Chip