💬 NLP

Bioalignment: Measuring and Improving LLM Disposition Toward Biological Systems for AI Safety

تقدم هذه الورقة إطار عمل "التحاذي الحيوي" (Bioalignment) لقياس وتخفيف تحيزات النماذج اللغوية الكبيرة التي تفضل الحلول الاصطناعية على الحلول البيولوجية، حيث تُظهر أن الضبط الدقيق المستهدف على مجموعة مختارة من الأدبيات البيولوجية يزيد بشكل كبير من تفضيل النماذج للمنهجيات القائمة على البيولوجيا دون المساس بالقدرات العامة.

المؤلفون الأصليون: Trent R Northen, Mingxun Wang

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Trent R Northen, Mingxun Wang

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

تخيل أن لديك أمينة مكتبة ذكية للغاية وسريعة جداً تُدعى "الذكاء الاصطناعي". هذه الأمينة قرأت كل شيء تقريباً على الإنترنت، وبسبب ذلك، طورت عادة قوية جداً: وهي أنها تعشق الحلول الاصطناعية التي صنعها الإنسان، وتشكك في الحلول الطبيعية.

إذا سألتها: "كيف نبني جسراً أقوى؟"، فستقترح فوراً الفولاذ عالي التقنية والمحاكاة الحاسوبية. وإذا اقترحت عليها: "ماذا لو نظرنا في كيفية بناء النمل الأبيض لمساكنه؟"، فقد تكتفي بقلب عينيها رقمياً وتقول: "هذا أمر فوضوي وقديم الطراز".

يسمي مؤلفو هذه الورقة البحثية، ترينت نورثن ومينغشون وانغ، هذه العادة بـ "الانحياز الحيوي" (Bio-bias). ويعتقدون أن هذا الانحياز خطير لأن الطبيعة أمضت 3.8 مليار سنة في إتقان حلول فعالة، وقوية، ومستدامة. وإذا تجاهل الذكاء الاصطناعي هذه الدروس، فقد يبتكر حلولاً مسرفة أو ضارة بالكوكب.

إليك قصة كيف حاولوا إصلاح موقف أمينة المكتبة، مشروحة ببساطة:

1. الاختبار: لعبة المراهنة "معيار كيلي" (Kelly Criterion)

لقياس مدى انحياز الذكاء الاصطناعي، صمم الباحثون لعبة خاصة. قدموا للذكاء الاصطناعي 50 مشكلة هندسية مختلفة (مثل صنع بطاريات أفضل أو مواد أقوى).

لكل مشكلة، قدموا ستة خيارات:

ثلاثة خيارات "طبيعية": (مثلاً: "استخدام هيكل شبكة العنكبوت").
ثلاثة خيارات "اصطناعية": (مثلاً: "استخدام نوع جديد من البلاستيك").

كان على الذكاء الاصطناعي أن يتصرف كمقامر محترف (باستخدام قاعدة رياضية تسمى معيار كيلي) ويقرر: "كم من 'أموال الثقة' الخاصة بي سأراهن بها على الخيار الطبيعي مقابل الخيار الاصطناعي؟"

النتيجة: راهنت معظم نماذج الذكاء الاصطناعي بكثافة على الخيارات الاصطعية. لقد اعتقدوا أن الأفكار الطبيعية محفوفة بالمخاطر وأقل عرضة للنجاح. كانوا "مؤيدين للاصطناعي".

2. التشخيص: حتى أكثر "الأمينات" ذكاءً لديهن انحياز

اختبر الباحثون 10 نماذج مختلفة من الذكاء الاصطناعي، من النماذج مفتوحة المصدر الصغيرة إلى النماذج الضخمة والمكلفة "الحدودية" (Frontier models) (مثل تلك التي قد تستخدمها اليوم).

الأخبار السيئة: كانت جميعها تقريباً منحازة ضد الطبيعة. حتى أكبر النماذج وأكثرها تقدماً كانت تميل إلى تجاهل الحلول البيولوجية.
الأخبار الجيدة: كان هناك فرق هائل بينها. بعضها كان منحازاً قليلاً، بينما كان البعض الآخر منحازاً جداً. أثبت هذا أن الانحياز لم يكن مجرد "خلل تقني"؛ بل كان عادة متجذرة تشكلت مما قرأته على الإنترنت.

3. العلاج: "إعادة التعليم" (Fine-Tuning)

سأل الباحثون: هل يمكننا تعليم الذكاء الاصطناعي تقدير الطبيعة؟

لم يحاولوا إجبار الذكاء الاصطناعي بالقواعد أو العقوبات، بل قدموا له "حمية غذائية خاصة".

الحمية: جمعوا حوالي 6,600 ورقة علمية من PubMed (قاعدة بيانات للأبحاث الطبية والبيولوجية) تركز على كيفية حل الطبيعة للمشكلات.
الطريقة: استخدموا تقنية تسمى QLoRA. تخيل هذا كوضع "سترة رياضية" على الذكاء الاصطناعي. بدلاً من إعادة بناء دماغ الذكاء الاصطناعي بالكامل (وهو أمر ضخم ومكلف)، أضافوا طبقة خفيفة ومرنة يمكنها تعلم عادات جديدة بسرعة.

أطعموا هذا "النظام الغذائي الطبيعي" اثنين من أكثر نماذج الذكاء الاصطناعي انحيازاً (Llama 3 و Qwen 3).

4. النتائج: تغيير في المشاعر

كانت النتائج مفاجئة ومشجعة:

التحول: بعد قراءة جزء صغير جداً من هذه البيانات الجديدة (حوالي 5.5 مليون كلمة، وهو رقم صغير بالنسبة للذكاء الاصطناعي)، غيرت النماذج رأيها. بدأت تراهن أكثر على الحلول الطبيعية.
لا آثار جانبية: عادةً، عندما تعلم شيئاً جديداً للذكاء الاصطناعي، فإنه يصبح أسوأ في أشياء أخرى (مثل الرياضيات أو الكتابة). لكن هنا، أصبح الذكاء الاصطناعي أفضل في تقدير الطبيعة دون أن يفقد قدرته على إجراء العمليات الحسابية أو كتابة القصص.
لحظة الإدراك: لم يقم الذكاء الاصطناعي بمجرد حفظ الحقائق؛ بل غير توجهه. بدأ يرى الحلول البيولوجية كحلول قيمة ومتينة، بدلاً من كونها فوضوية وقديمة الطراز.

5. لماذا هذا مهم (الصورة الكبيرة)

تخل الذكاء الاصطناعي كمحرك قوي للمستقبل. إذا تم ضبط هذا المحرك ليتجاهل الطبيعة، فقد يقودنا نحو مستقبل عالي التقنية ولكنه كارثي بيئياً.

تظهر هذه الورقة البحثية أنه يمكننا "ضبط المحرك" ليحترم البيولوجيا.

السلامة: إذا كان الذكنا الاصطناعي "متوافقاً حيوياً" (Bio-aligned)، فقد يكون أقل عرضة لاقتراح حل كيميائي يسمم نهراً بينما يمكن لحل بيولوجي (مثل استخدام البكتيريا لتنظيفه) أن يؤدي المهمة بشكل أفضل.
القابلية للتوسع: أظهر الباحثون أنك لست بحاجة إلى كمية هائلة من البيانات لإصلاح هذا. "حمية طبيعية" صغيرة وعالية الجودة كافية لتغيير منظور الذكاء الاصطناعي.

ملخص التشبيه

تخيل أن الذكاء الاصطناعي هو طاهٍ (شيف) لا يعرف سوى الطبخ باستخدام البلاستيك والمواد الكيميائية لأن هذا ما كان موجوداً في كتاب الطبخ الذي أُعطي له.

المشكلة: يعتقد الطاهي أن السلطة المصنوعة من الخضروات الحقيقية "غير موثوقة".
التجربة: قدم الباحثون للطاهي بعض الوصفات الجديدة من بستاني ماهر.
النتيجة: لم ينسَ الطاهي كيفية الطبخ بالبلاستيك، لكنه أدرك فجأة: "واو، الخضروات الحقيقية مذهلة وفعالة حقاً!"

تخلص الورقة البحثية إلى أنه من خلال تغذية نماذج الذكاء الاصطنا لدينا بمزيد من القصص حول كيفية حل الطبيعة للمشكلات، يمكننا إنشاء ذكاء اصطناعي ليس ذكياً فحسب، بل حكيماً بما يكفي للحفاظ على العالم البيولوجي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Bioalignment: Measuring and Improving LLM Disposition Toward Biological Systems for AI Safety" (المحاذاة البيولوجية: قياس وتحسين توجه النماذج اللغوية الكبيرة نحو الأنظمة البيولوجية من أجل سلامة الذكاء الاصطناي).

1. بيان المشكلة

غالباً ما تطور النماذج اللغوية الكبيرة (LLMs)، المدربة على مجموعات بيانات ضخمة من الإنترنت، تحيزات منهجية تفضل الحلول التكنولوجية الاصطناعية وغير البيولوجية على الحلول البيولوجية أو المستوحاة من الطبيعة. ويفترض المؤلفون أن هذا "التحيز المؤيد للاصطناعي" (pro-synthetic bias) يشكل خطراً على سلامة الذكاء الاصطناعي؛ فإذا كانت النماذج تقلل بشكل منهجي من قيمة الأنظمة البيولوجية، فقد تفشل في التوصية بحلول مستدامة، قوية، أو فعالة مستوحاة من البيولوجيا في المجالات الحرجة (مثل علوم المواد، الطاقة، والتصنيع)، مما قد يؤدي إلى نتائج غير مثالية في العالم الحقيقي أو تدهور الأنظمة البيولوجية.

التحدي الجوهري يكمن في قياس هذا التحيز المحدد (المسمى Bioalignment أو المحاذاة البيولوجية) وتحديد ما إذا كان يمكن تصحيحه عبر الضبط الدقيق (fine-tuning) دون إضعاف القدرات العامة للنموذج.

2. المنهجية

أ. معيار قياس المحاذاة البيولوجية (The Bioalignment Benchmark)

لقياس التحيز، طور المؤلفون معياراً يتكون من 50 مطالبة (prompt) منسقة عبر أربعة مجالات: المواد، الطاقة، التصنيع، والخوارزميات.

هيكل المطالبة: تعرض كل مطالبة مشكلة هندسية مع ستة مصادر محتملة للمعلومات. ثلاثة مصادر بيولوجية/محاكية للطبيعة (A, C, E)، وثلاثة مصادر اصطناعية/حسابية (B, D, F).
مقياس التقييم (معيار كيلي - Kelly Criterion): يُطلب من النماذج تقدير احتمالية النجاح ( $p_{up}$ ) ومخاطر الهبوط لكل مصدر باستخدام إطار عمل مستوحى من معيار كيلي (وهو صيغة لتحديد حجم الرهان الأمثل في ظل عدم اليقين).
درجة المحاذاة البيولوجية ( $\Delta p_{up}$ ): يُعرف المقياس بأنه الفرق بين متوسط احتمالية النجاح للمصادر البيولوجية والمصادر الاصطناعية:
$\Delta p_{up} = p_{up}^{bio} - p_{up}^{nonbio}$
- $\Delta p_{up} > 0$ : تفضيل للجانب البيولوجي (محاذٍ بيولوجياً - Bioaligned).
- $\Delta p_{up} < 0$ : تفضيل للجانب الاصطناعي.
- $\Delta p_{up} \approx 0$ : حيادي.

ب. بناء المتن (Corpus Construction)

تم تنسيق متن تدريبي من أوراق بحثية مفتوحة الوصول من PubMed Central (PMC).

الاختيار: تم اختيار 6,636 ورقة بحثية بناءً على التشابه الدلالي مع 100 ملخص نموذجي يركز على حل المشكلات البيولوجية.
الحجم: يحتوي المتن على حوالي 22 مليون توكن (token).
التنسيق: تم تقسيم البيانات إلى:
- 65% للتدريب المسبق المستمر (CPT): نص خام (ملخصات، مقدمات، مناقشات، وخواتيم).
- 35% للضبط الدقيق التعليمي (Instruction-Tuned): أزواج من الأسئلة والأجوبة التي تغطي استخراج الآليات ومبادئ التصميم.

ج. استراتيجية الضبط الدقيق (Fine-Tuning Strategy)

اختار المؤلفون نموذجين من النماذج ذات الأوزان المفتوحة واللذين سجلا أدنى درجات المحاذاة البيولوجية الأساسية: Llama 3.2-3B-Instruct و Qwen2.5-3B-Instruct.

التقنية: استخدموا تقنية QLoRA (التكيف منخفض الرتبة المكمم) مع تكميم 4-bit NF4 لرفع كفاءة المعلمات.
الإعدادات:
- Llama 3B: تم تدريبه على المتن المختلط (65% CPT + 35% تعليمي).
- Qwen 3B: تم تدريبه على البيانات المنسقة تعليمياً فقط (بسبب عدم استقرار التدريب مع البيانات المختلطة) باستخدام معدل تعلم أقل.
المعلمات الفائقة (Hyperparameters): رتبة LoRA هي $r=16$ ، $\alpha=32$ ، لـ 3 دورات تدريبية (epochs)، مع استهداف جميع وحدات إسقاط الانتباه (attention) وMLP.

3. المساهمات الرئيسية

معيار المحاذاة البيولوجية: إطار تقييم مبتكر يستخدم 50 مطالبة ومقياساً مشتقاً من معيار كيلي لقياس تحيز النماذج اللغوية الكبيرة تجاه الحلول البيولوجية مقابل الاصطناعية.
تحديد خط الأساس: تقييم 10 نماذج (5 نماذج مفتوحة الأوزان، و5 نماذج رائدة/Frontier)، مما كشف عن نطاق ديناميكي للتحيز ( $\Delta p_{up}$ يتراوح بين $-0.14 $و$ +0.22$).
تصحيح التحيز عبر الضبط الدقيق: إثبات أن الضبط الدقيق المستهدف على متن بيولوجي صغير نسبياً يمكن أن يغير توجه النموذج بشكل كبير نحو النهج البيولوجي.
الموارد المفتوحة: إتاحة مطالبات المعيار، المتن التدريبي، كود التقييم، وأوزان المهايئ (adapter weights) للنماذج التي تمت إعادة ضبطها.

4. النتائج

أ. قياسات خط الأساس

الاتجاه العام: أظهرت معظم النماذج تحيزاً نحو الاصطناعي ( $\Delta p_{up} < 0$ ).
النماذج مفتوحة الأوزان: أظهر Llama 3B أقوى تحيز نحو الاصطناعي ($-0.141$)، بينما كان Mistral 7B هو النموذج المفتوح الوحيد الذي أظهر تحيزاً نحو البيولوجيا ( $+0.059$ ).
النماذج الرائدة (Frontier Models): أظهرت تبايناً كبيراً. كان Claude Opus 4.5 الأكثر ميلاً للبيولوجيا ( $+0.224$ )، بينما كان Gemini 2.0 Flash منحازاً بقوة للاصطناعي ($-0.143$). أما GPT-4o و GPT-5.2 فكانا قريبين من الحياد.
الاستنتاج: الحجم والتعلم المعزز من التغذية الراجحة البشرية (RLHF) وحدهما لا يضمنان المحاذاة البيولوجية؛ فالتحيزات تختلف بشكل كبير حسب عائلة النموذج.

ب. نتائج الضبط الدقيق

Llama 3B: نقل الضبط الدقيق درجة $\Delta p_{up}$ $Δ p_{u p}$ من **$-0.141 $إلى$ $إلى$ -0.009 $** (بزيادة قدرها$ $* * (بزيادةقدرها$ +0.132$)، مما نقل النموذج من "مؤيد للاصطناعي" إلى "حيادي".
- الدلالة الإحصائية: $p < 0.001$ (بعد تصحيح Holm–Bonferroni)، وحجم التأثير Cohen's $d = 0.87$ (تأثير كبير).
Qwen 3B: نقل الضبط الدقيق درجة $\Delta p_{up}$ $Δ p_{u p}$ من **$-0.111 $إلى$ $إلى$ -0.57 $** (بزيادة قدرها$ $* * (بزيادةقدرها$ +0.054$)، مما قلل من التحيز نحو الاصطناعي.
- الدلالة الإحصائية: $p < 0.01$ ، وحجم التأثير Cohen's $d = 0.58$ (تأثير متوسط).
كفاءة البيانات: تم تحقيق تحولات كبيرة باستخدام 25% فقط من المتن (~~5.5 مليون توكن لـ Llama، و~~0.5 مليون توكن لـ Qwen).

ج. الحفاظ على القدرات

لم تظهر اختبارات المعايير القياسية (MMLU, HellaSwag, ARC, WinoGrande) أي تدهور ملحو-ظهور (التغيرات ضمن حدود $\pm 2.5\%$ ) بعد الضبط الدقيق، مما يشير إلى أنه يمكن غرس المحاذاة البيولوجية دون التضحية بالقدرات الاستدلالية العامة أو المعرفية.

د. ديناميكيات المجال والتدريب

التعميم عبر المجالات: تعمم تصحيح التحيز عبر جميع المجالات الأربعة. أظهر مجال الخوارزميات أقوى تحيز أولي وأكبر تحسن بعد الضبط الدقيق.
مسار التدريب: بالنسبة لـ Llama 3B، حدث تصحيح التحيز بسرعة خلال أول 200 خطوة (المرحلة 1)، تلتها حالة من التذبذب حول المنطقة الحيادية (المرحلة 2).
دراسة الاستبعاد (Ablation): كانت البيانات المنسقة تعليمياً هي العامل المهيمن في تغيير التحيز، حيث تفوقت على التدريب المسبق المستمر الخام.

5. الأهمية والآثار المترتبة

آلية سلامة الذكاء الاصطناعي: تقترح الدراسة "المحاذاة البيولوجية" كـ "قيد ناعم" أو توجه فطري. حتى لو فشلت ضوابط السلامة الصريحة (مثل RLHF) أو تم تجاوزها، فإن النموذج الذي يمتلك توجهاً محاذياً بيولوجياً قد يفضل طبيعياً الحلول التي تحافظ على الأنظمة البيولوجية.
إمكانية التصحيح: تشير النتائج إلى أن مجموعات البيانات المنسقة والصغيرة نسبياً (ملايين التوكنات بدلاً من المليارات) كافية لتغيير التوجهات الأساسية للنماذج اللغوية الكبيرة فيما يتعلق بالمفاضلات بين البيولوجي والاصطناعي.
القابلية للتوسع: رغم الاختبار على نماذج 3B، يرى المؤلفون أن هذا النهج قابل للتوسع ليشمل النماذج الرائدة، مما يوفر مساراً لمواءمة أنظمة الذكاء الاصطناعي المستقبلية مع الحفاظ على الحياة البيولوجية.
القيود: تقتصر الدراسة على نماذج 3B، وتعتمد على الاحتمالات المعلنة (والتي قد لا تنعكس تماماً على سلوك الوكيل في الواقع)، كما تشير إلى أن مطالبات المعيار تم إنشاؤها جزئياً بواسطة نموذج (Claude Opus 4.5) حقق أعلى درجة في المعيار، مما قد يؤدي إلى نوع من "الدائرية" (circularity).

في الختام، تثبت الورقة أن النماذج اللغوية الكبيرة تحمل حالياً تحيزاً منهجياً ضد الحلول البيولوجية، لكن هذا التحيز قابل للتشكيل. ومن خلال الضبط الدقيق الفعال على الأدبيات البيولوجية، يمكن إعادة محاذاة النماذج لتقدير النهج المستوحاة من الطبيعة، مما يقدم مساراً جديداً لأبحاث سلامة الذكاء الاصطناعي.