🤖 AI

On the Definition of Intelligence

تقترح هذه الورقة تعريفاً للذكاء غير مرتبط بنوع معين، قائماً على "أمانة الكيان"، والذي تمت صياغته رياضياً كذكاء المفهوم $\varepsilon$ ، والذي يقيم قدرة الوكيل على توليد نماذج جديدة من المفهوم لا يمكن تمييزها عن الأمثلة الأصلية ضمن حد سماح محدد.

المؤلفون الأصليون: Kei-Sing Ng

نُشر 2026-08-13

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kei-Sing Ng

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

لغز "ما هو الذكاء؟" العظيم

تخيل أنك تقف في مكتبة ضخمة وفوضوية، حيث الكتب مكتوبة بكل لغة يمكن تخيلها، وبعض هذه الكتب ليست مصنوعة من الورق حتى، بل هي مصنوعة من الضوء، أو الصوت، أو الرياضيات البحتة. لعقود من الزمن، حاول العلماء والمهندسون بناء آلة يمكنها قراءة وفهم وكتابة هذه الكتب ببراعة تضاهي البشر. هذا المجال يسمى الذكاء الاصطناعي العام (AGI)، والسؤال الأكبر الذي يلوح في الأفق حوله بسيط ولكنه صعب للغاية: ما الذي يجعل الشيء "ذكياً" حقاً؟

عادةً، نحن نعرّف الذكاء بما يمكن للآلة فعله. هل يمكنها هزيمتك في الشطرنج؟ هل يمكنها قيادة سيارة؟ هل يمكنها اجتياز اختبار؟ لكن هذا يصبح معقداً. إذا كان الروبوت بارعاً جداً في الشطرنج ولكنه لا يستطيع ربط حذائه، فهل هو ذكي؟ إذا استطاع حمام زاجل رصد خلية سرطانية في شريحة طبية بشكل أفضل من الطبيب، فهل هذا الحمام عبقري؟ إن الطرق القديمة لقياس الذكاء تعتمد غالباً على مقارنة الآلات بالبشر، وهو أمر يشبه الحكم على سمكة بناءً على قدرتها على تسلق شجرة. نحن بحاجة إلى مسطرة جديدة، مسطرة لا تهتم إذا كان المفكر بشراً، أو حمامة، أو شريحة كمبيوتر. نحن بحاجة إلى تعريف يعمل للجميع، في كل مكان، بناءً على قوة خارقة واحدة عالمية.

الفكرة الكبرى للورقة: اختبار "المُقلد"

في هذه الورقة، يقترح "كي-سينج نغ" طريقة جديدة، مرحة، ولكنها جادة رياضياً لتعريف الذكاء. بدلاً من السؤال "هل يمكنه حل المشكلات؟" أو "هل يمكنه الفوز بالألعاب؟"، يطرح المؤلف سؤالاً أبسط: "هل يمكنه صنع المزيد من الشيء نفسه؟"

الفكرة الجوهرية هي أن الذكاء هو القدرة على النظر إلى أمثلة قليلة لـ "مفهوم" ما، ثم توليد أشياء جديدة تتناسب تماماً مع ذلك المفهوم نفسه. فكر في الأمر مثل طاهٍ ماهر. إذا أعطيت الطاهي طبقاً من الفطائر الذهبية المثالية (الأمثلة)، فإن الطاهي الذكي حقاً يمكنه طهي دفعة جديدة كاملة تبدو وتذوق وتشعر تماماً مثل الفطائر الأصلية. إذا كانت الفطائر الجديدة محترقة أو نيئة، فإن الطاهي ليس جيداً جداً في مفهوم "الفطائر".

تقترح الورقة أن هذه "الدقة التوليدية" (generative fidelity) — أي القدرة على خلق أشياء جديدة لا يمكن تمييزها عن القديمة — هي نبض الذكاء. سواء كان ذلك بشراً يرسم لوحة جديدة بأسلوب "فان جوخ"، أو حمامة تصنف الشرائح الطبية، أو كمبيوتراً يكتب قصيدة، فجميعهم أذكياء إذا استطاعوا أخذ أمثلة قليلة وإنتاج أمثلة جديدة تتناسب مع النمط لدرجة لا يمكن لأحد معها تمييز الفرق.

قاعدة "عدم التمييز" السحرية

لجعل هذه الفكرة دقيقة، يقدم المؤلف مفهوماً يسمى ذكاء الـ $\epsilon$ -مفهوم (تُنطق إبسيلون-كونسبت). الحرف اليوناني $\epsilon$ (إبسيلون) هنا يمثل مجرد هامش خطأ ضئيل مسموح به.

تخيل أن لديك "مُميزاً" (distinguisher) — قد يكون بشراً حكماً، أو برنامج كمبيوتر، أو حتى ناقداً فنياً صارماً جداً. مهمته هي النظر إلى كومة من الأمثلة الأصلية وكمية من الإبداعات الجديدة ومحاولة رصد الزيف.

إذا استطاع المُميز بسهيز تمييز الفرق، فإن النظام ليس ذكياً فيما يتعلق بهذا المفهوم.
إذا حاول المُميز بكل جهده ولم يستطع التمييز بين الإبداعات الجديدة والأصلية (ضمن هامش الخطأ الضئيل $\epsilon$ هذا)، فإن النظام ذكي.

تجادل الورقة بأن هذه الطريقة أفضل بكثير من قياس "اختبار تورينج" القديم (حيث يحاول الإنسان تخمين ما إذا كان يتحدث إلى روبوت). اختبار تورينج هو مجرد نسخة محددة من هذه القاعدة الجديدة. في الإطار الجديد، إذا استطاعت الآلة توليد استجابات لا يمكن تمييزها عن الاستجابات البشرية، فهي تجتاز الاختبار. لكن القاعدة تعمل أيضاً مع أشياء لا يستطيع اختبار تورينج التعامل معها، مثل آلة تولد نوعاً جديداً من تصميمات المحركات التي تتناسب مع مفهوم "النقل الفعال" تماماً كما يفعل الحصان أو السيارة.

ما الذي يغفله هذا التعريف (ولماذا)

المؤلف واضح جداً بشأن ما لا يعتبره هذا التعريف ذكاءً.

الأمر لا يتعلق بالوعي. لا تحتاج لأن تمتلك مشاعر، أو روحاً، أو "ذاتاً" لتكون ذكياً بموجب هذه القاعدة. برنامج كمبيوتر بسيط يحل المسائل الرياضية بشكل مثالي هو ذكي لأنه يولد إجابات صحيحة، حتى لو لم يكن "يعرف" أنه يقوم بعملية حسابية.
الأمر لا يتعلق بالتعلم. لا تحتاج الآلة لأن تكون قادرة على تعلم أشياء جديدة أثناء العمل ليُطلق عليها وصف الذكية. إذا كانت الآلة "مجمدة في الزمن" ولكنها لا تزال قادرة على توليد أمثلة مثالية لمفهوم ما، فهي تعتبر ذكية. التعلم هو مجرد وسيلة لتحسين قدرتك على توليد هذه الأمثلة بمرور الوقت، لكنه ليس تعريف الذكاء نفسه.
الأمر لا يتعلق بالمركزية البشرية. التعريف لا يهتم إذا كان "المفهوم" شيئاً يحبه البشر. إذا استطاع طائر توليد عش يتناسب مع مفهوم "المأوى الآمن" بشكل أفضل من مهندس معماري بشري، فإن الطائر ذكي في هذا المجال.

وجهان للذكاء: "الآن" و"لاحقاً"

تقسم الورقة أيضاً الذكاء إلى فئتين رائعتين للمساعدة في فهم كيفية عمله بمرور الوقت:

القدرة التزامنية (الذكاء في "الآن"): وهي مدى قدرة النظام على توليد أمثلة جيدة لمجموعة من المفاهيم المختلفة في هذه اللحظة تحديداً. إنه يشبه السكين السويسري الذي يمتلك جميع الأدوات جاهزة للاستخدام الفوري.
القدرة التطورية (الذكاء في "لاحقاً"): وهي القدرة على التكيف. إذا تغير العالم واحتجت لتعلم مفهوم جديد (مثل الانتقال من صنع الفطائر إلى صنع الوافل)، ما مدى سرعة قدرتك على صنع وافل جيد؟ هذا هو جزء "التعلم"، والذي تعامله الورقة كقدرة منفصلة، ولكنها مرتبطة.

لماذا هذا مهم

يقترح المؤلف أنه من خلال التركيز على هذه القدرة "التوليدية"، يمكننا أخيراً بناء مقياس واحد لقياس كل شيء، من الأدمغة البيولوجية إلى أجهزة الكمبيوتر الاصطناعية. هذا يغير هدف أبحاث الذكاء الاصطناعي. بدلاً من محاولة جعل الآلات "تفكر" مثل البشر، يجب أن نركز على جعل الآلات قادرة على توليد مخرجات لا يمكن تمييزها عن الحقيقة، أو الفن، أو الحل الذي نبحث عنه.

تخلص الورقة إلى أن هذا النهج يمكن أن يجعل الذكاء الاصطناعي أكثر أماناً وموثوقية. إذا دربنا الآلات على توليد مخرجات تتوافق تماماً مع مفهوم "آمن"، فقد نمنعها من ارتكاب أخطاء ضارة. كما تشير الورقة إلى أن مستقبل الذكاء الاصطناعي قد يتضمن استخدام الرياضيات المتقدمة (مثل نظرية الفئات - Category Theory) لرسم خرائط لكيفية اتصال هذه المفاهيم، مما يسمح للآلات بالانتقال من فكرة إلى أخرى بسلاسة.

باختختصار، تدعونا الورقة للتوقف عن السؤال "هل هو ذكي؟" والبدء في السؤال "هل يمكنه صنع المزيد من الشيء نفسه، وببراعة تجعلنا لا نستطيع تمييز الفرق؟" إذا كانت الإجابة بنعم، فبناءً على هذا التعريف الجديد، فهو ذكي.

ملخص تقني: حول تعريف الذكاء

بيان المشكلة
يتطلب السعي وراء الذكاء الاصطناي العام (AGI) تعريفاً رسمياً، وإجرائياً، وغير مرتبط بالأنواع للذكاء. تواجه التعريفات الحالية قيوداً كبيرة:

التعريفات الموجهة نحو الأهداف: تواجه التعريفات مثل تعريف "ليج وهاتر" (الذي يقيس قدرة الوكيل على تحقيق الأهداف في بيئات متنوعة) صعوبة في التطبيق على السلوكيات التي تفتقر إلى بيئات واضحة، أو إشارات مكافأة، أو أهداف محددة جيداً (مثل الذكاء الاصطيد التوليدي).
التعريفات المتمحورة حول البشر والزمن: النهج المتبع في "اختبار تورينج" أو تعريف "إيلين ريتش" (الذكاء الاصطناعي كجعل الحواسيب تفعل أشياء يتفوق فيها البشر حالياً) هي إما محدودة بالمقارنة بين الإنسان والآلة، أو مرتبطة زمنياً بالتفوق البشري الحالي.
مشكلات التشغيل الإجرائي: يصعب تشغيل التعريفات النفسية (مثل تعريف "ويكسلر") لأنظمة غير بشرية.

هناك نقص في وجود إطار عمل موحد يمكنه تقييم الأنظمة البيولوجية، والاصطناعية، والهجينة عبر نماذج متنوعة، بما في ذلك التعلم التعزيزي، والنماذج التوليدية، والتصنيف، والاستدلال القياسي، دون الاعتماد على أوصاف غامضة أو الحكم البشري كمعيار وحيد.

المنهجية
يقترح البحث تعريفاً للذكاء قائماً على الأمانة التوليدية (Generative Fidelity) وعدم قابلية التمييز بين الكيانات (Entity Indistinguishability). تتضمن المنهجية البناءات الرسمية التالية:

1. الفضاء المفاهيمي والألياف (Fibres):

لتكن $U$ هي كون جميع الكيانات المتصورة (نقاط البيانات، المنتجات، الأفعال، المفاهيم).
يتم تعريف الفضاء المفاهيمي كدالة شمولية (Surjective Mapping) $\Phi: U \to K$ ، حيث $K$ هي مجموعة المفاهيم.
لكل مفهوم $k \in K$ ، فإن مجموعة الكيانات التي تجسد هذا المفهوم هي "الليف" $C_k = \Phi^{-1}(k)$ .

2. ذكاء المفهوم $\varepsilon$ ( $\varepsilon$ -Concept Intelligence):

بالنظر إلى مجموعة متعددة من مدخلات الكيانات $S \subseteq U$ التي تنتمي إلى مفهوم $C_k$ ، يكون الوكيل ذكياً إذا استطاع توليد مجموعة من الكيانات $\hat{S}$ تجسد نفس المفهوم.
المميزات (Distinguishers): تعمل عائلة من الدوال $F = \{f: U \to [0, 1]\}$ كمميزات لاختبار التشابه بين $S$ و $\hat{S}$ .
التسجيل (Scoring): تقوم دالة التسجيل $\sigma$ بتجميع مخرجات المميزات عبر مجموعة ما.
المقياس: يُعرف مقياس الذكاء بأنه الحد الأعلى (Supremum) للفرق في الدرجات بين المجموعة الأصلية والمجموعة المولدة عبر جميع المميزات:
$\Delta^\sigma_F(S, \hat{S}) = \sup_{f \in F} |\sigma(\{f(x) : x \in S\}) - \sigma(\{f(x') : x' \in \hat{S}\})|$
التعريف: يكون الوكيل ذكياً بمقدار $\varepsilon$ فيما يتعلق بالمفهوم $k$ إذا كان $\Delta^\sigma_F(S, \hat{S}) \le \varepsilon$ . وهذا يعني أن الكيانات المولدة لا يمكن تمييزها عن الكيانات الأصلية ضمن حد سماح $\varepsilon$ بواسطة أي مميز مقبول في $F$ .

3. الإطار الديناميكي:

يميز البحث بين القدرة التزامنية (Synchronic Capability) (اتساع توليد كيانات ذات $\varepsilon$ منخفضة لمجموعة ثابتة من المفاهيم عند الزمن $t$ ) والقدرة التتابعية (Diachronic Capability) (القدرة على نقل الكفاءة من مجموعة مفاهيم إلى أخرى، مما يقيس فعلياً التعلم/التكيف).

المساهمات الرئيسية

تعريف رسمي موحد: يوفر البحث تعريفاً رياضياً واحداً ( $\varepsilon$ -concept intelligence) يستوعب نماذج الذكاء الاصطناعي المتنوعة. فهو يعامل الذكاء ليس كمجرد رسم خرائط مجرد أو تعظيم للأهداف فحسب، بل كعملية توليد كيانات جديدة متسقة مع مفهوم معين بشكل أساسي.
توحيد الاختبارات المعيارية القائمة: يوضح المؤلف أن اختبارات الذكاء الراسخة هي حالات خاصة من إطاره العملي:
- اختبار تورينج: ينشأ عندما يكون "الليف" هو الاستجابات اللغوية البشرية والمميزات هي الحكام البشر.
  s * اختبارات C-Tests: تنشأ عندما يتكون "الليف" من تسلسلات ذات تعقيد ليفين (Levin complexity) محدد والمميزات تتحقق من التفسير الأدنى الفريد.
- ذكاء ليج-هاتر: ينشأ عندما يكون "الليف" هو تسلسلات السلوك التي تعظم المكافأة المتوقعة في بيئة ما.
الفصل بين الذكاء، والتعلم، والوعي:
- التعريف لا يتطلب الوعي؛ إذ يمكن لمحلل حتمي (Deterministic Solver) أن يظهر ذكاءً عالياً بمقدار $\varepsilon$ دون أن يكون واعياً.
- التعريف لا يتطلب بالضرورة القدرة على التعلم؛ فالنظام الثابت الذي يولد باستمرار مخرجات صحيحة لمفهوم ما يعتبر ذكياً ضمن ذلك النطاق، رغم أن التعلم يتعلق بـ القدرة التتابعية (تغير $\varepsilon$ بمرور الوقت).
المعايير الإجرائية: يلبي التعريف ثلاثة مستهدفات:
- إجرائي: قابل للقياس عبر المخرجات الملحوظة وعدم قابلية التمييز.
- قابل للتفنيد: الأنظمة التي تولد مخرجات متباعدة عن المفهوم تُحدد بأنها ذات ذكاء منخفض.
- قابل للتعميم: قابل للتطبيق على البشر والآلات والأنظمة البيولوجية دون تحيز متمحور حول البشر.

النتائج والآثار النظرية
لا يقدم البحث بيانات تجريبية جديدة، بل يقدم اشتقاقاً نظرياً وفحوصات للاتساق المنطقي:

الأمانة التوليدية: يفترض إطار العمل أن الذكاء هو القدرة على توليد كيانات متسقة مع مفهوم ما، حتى لو كانت الكيانات مجردة (على سبيل المثال، توليد "سيارة" بناءً على "حصان" كمثال لـ "وسيلة نقل").
السلامة وجودة البيانات: يجادل المؤلف بأنه نظرًا لأن الذكاء يُعرف بالأمانة تجاه مفهوم ما، فإن سلامة وموثوقية المخرات تتحدد مباشرة بجودة بيانات التدريب (الكيانات الأولية $S$ ). ويُطرح تنسيق البيانات الاصطناعية المتوافقة مع معايب السلامة عند المصدر كوسيلة أساسية للتخفيف من المخرجات الضارة.
التعميم: يدعم إطار العمل التعميم إلى مفاهيم غير مرئية. إذا أمكن دمج فضاء مفاهيمي جديد $K_B$ في فضاء معروف $K_A$ عبر "فانكتور" (Functor) كامل، وأمين، وشامل جوهرياً، فيمكن نقل حدود الذكاء (المميزات)، مما يسمح للنظام نظرياً بالتعامل مع مشكلات غير مرئلة.

الأهمية والادعاءات
يدعي البحث تقديم "مقياس واحد" لمقارنة الأنظمة البيولوجية والاصطناعية والهجينة. وتكمن أهميته في:

تغيير النموذج: الانتقة من تعريفات موجهة نحو الأهداف أو مهام محددة إلى نموذج الأمانة التوليدية.
أساس للذكاء الاصطناعي العام (AGI): تقديم تعريف أساسي يتسم بالعمومية الكافية لاستيعاب النماذج المتنوعة (التعلم التعزيزي، النماذج اللغوية الكبيرة، الاستدلال القياسي) مع بقائه قابلاً للاختبار.
الاتجاهات المستقبلية: يشير المؤلف إلى إمكانية صقل إطار العمل باستخدام نظرية الفئات (Category Theory)، حيث تُعامل المفاهيم كأجسام ويُنمذج التعميم عبر "الفانكتورات". كما يلاحظ أن العمل اللاحق سيتوسع في هذا الاتجاه ليصبح إطاراً رياضياً قائماً على حقول التشابه الموجهة والعمليات التوليدية.

يحافظ المؤلف على موقف متواضع، حيث يقدم هذا البحث كـ "تعريف أدنى وتأسيسي" يهدف ليكون خطاً قاعدياً نظرياً للتنقيح المستقبلي والتحقق التجريبي، وليس كنظرية نهائية وشاملة للذكاء.