تخيل أنك تحاول تعليم روبوت كيفية استخدام سطر أوامر الكمبيوتر (command line)—وهي الشاشة القائمة على النصوص حيث تكتب الأوامر لإصلاح البرمجيات، أو إدارة الملفات، أو تشغيل برامج معقدة. هذه القدرة هي بمثابة قوة خارقة للذكاء الاصطناعي، لكن تعليمها للروبوت يشبه محاولة تعليم طفل الطبخ من خلال عرض صور للوجبات فقط. يحتاج الروبوت فعلياً إلى تقطيع الخضروات، وتذوق الحساء، وإدراك متى احترق الخبز. في عالم الذاء الاصطناعي، يحدث هذا "الطبخ" في مساحة رقمية معزولة تسمى "الطرفية" (terminal)، وتسمى "الوصفات" بـ "المهام" (tasks). لفترة طويلة، كافح الباحثون لإنشاء ما يكفي من هذه المهام الواقعية والصعبة لتدريب روبوتاتهم. فإما أنهم حاولوا نسخ مهام قديمة من أكواد حقيقية (والذي كان مملاً ومكرراً)، أو طلبوا من ذكاء اصطناعي ذكي أن "يؤلف" مهمة من تلقاء نفسه (مما أدى غالباً إلى وصفات مستحيلة الطبخ أو لا تعمل على الإطلاق).

يقدم هذا البحث طريقة جديدة وذكية لحل هذه المشكلة، تسمى Meta-Task. بدلاً من مجرد طلب كتابة وصفة من الذكاء الاصطناعي، قام الباحثون ببناء "مدرسة طبخ" حيث يتعين على الذكاء الاصطناعي أن يصبح هو الطاهي. لقد حولوا عملية إنشاء المهمة إلى مهمة في حد ذاتها. يتم وضع الذكاء الاصطناعي داخل حاوية كمبيوتر حقيقية ومعزولة (مطبخ رقمي) ويقال له: "مهمتك هي تصميم لغز جديد لذكاء اصطناعي آخر. يجب عليك كتابة التعليمات، وتجهيز المطبخ، وكتابة الحل، ثم إثبات أنه يعمل عبر حله بنفسك". إذا تعطل اللغز أو فشل الحل، يتعين على الذكاء الاصطناعي إصلاحه قبل أن يُسمح له بالمتابعة. الأمر يشبه لعبة فيديو حيث يتعين على اللاعب تصميم المستوى، وبناء العقبات، ثم هزيمة مستواه الخاص قبل حفظ اللعبة.

وجد الباحثون أن أسلوب "اللعب الذاتي" هذا يغير قواعد اللعبة تماماً. فمن خلال جعل الذكاء الاصطناعي يولد ويختبر مهامه الخاصة داخل بيئة كمبيوتر حقيقية، أنشأوا مجموعة بيانات مكونة من 3,221 مثالاً عالي الجودة وموثقاً. وعندما استخدموا هذه الأمثلة لتدريب نموذج ذكاء اصطناي متوسط الحجم، كانت النتائج قوية بشكل مذهل. فقد قفز النموذج من النجاح بصعوبة بنسبة 4% في الاختبارات إلى حل ما يقرب من 32% منها، متفوقاً على الطرق الأخرى التي استخدمت مئات الآلاف من الأمثلة. ويشير البحث إلى أن السر ليس في امتلاك مزيد من البيانات، بل في امتلاك بيانات تم اختبارها والتحقق منها بصرامة بواسطة الذكاء الاصطناعي نفسه، مما يضمن أن كل درس يُلقن هو قابل للحل وواقعي بالفعل.

"الطاهي" الذي يطهو قائمته الخاصة

لفهم سبب أهمية هذا الأمر، دعونا ننظر إلى كيفية عمل الطريقة القديمة. تخيل أنك تريد تعليم طالب كيفية إصلاح محرك سيارة. الطريقة الأولى كانت الذهاب إلى ساحة خردة، والعثด مجموعة من السيارات المعطلة، والقول: "هيا، حاول إصلاح هذه". هذا ما كان يفعله الباحثون: كانوا يستخرجون أخطاء برمجية (bugs) من مستودعات الأكواد الحقيقية. المشكلة؟ معظم تلك "السيارات المعطلة" كانت مجرد خدوش بسيطة (أخطاء سهلة)، وكانت الساحة مليئة بنفس النوع والطراز. لم يتعلم الطالب أبداً كيفية إصلاح ناقل الحركة أو كتلة المحرك لأن تلك المهام كانت نادرة جداً أو معقدة للغاية للوصول إليها.

الطريقة الثانية كانت سؤال ذكاء اصطناعي ذكي: "من فضلك اخترع مهمة لإصلاح السيارات". كان الذكاء الاصطناعي يكتب وصفاً مثل: "أصلح المحرك"، وربما يكتب حلاً وهمياً أيضاً. لكن العلة هنا هي أن الذكاء الاصطناعي كان مجرد يخمن. لم يكن لديه في الواقع سيارة، أو مفتاح ربط، أو مرآب. كان يكتب قصة عن إصلاح سيارة. وغالباً ما كانت القصة تبدو منطقية على الورق، ولكن إذا حاولت تنفيذها فعلياً، فلن يعمل المحرك، أو لن يناسب مفتاح الربط البرغي. كانت المهمة عبارة عن "هلوسة"—كذبة جميلة لا يمكن تنفيذها.

تغير Meta-Task قواعد اللعبة بتحويل الذكاء الاصطناعي إلى "طاهٍ" في مطبخ مجهز بالكامل. لم يكتفِ الباحثون بطلب قائمة طعام من الذكاء الاصطناعي؛ بل أعطوه مطبخاً حقيقياً (حاوية Docker) وقالوا له: "ابتكر طبقاً جديداً، اطهُه، تذوقه، وإذا كان سيئاً، فأصلحه حتى يصبح مثالياً".

إليك كيف يعمل مسار عمل Meta-Task خطوة بخطوة:

1. الإعداد (المطبخ): يبني الباحثون مطبخاً رقمياً يأتي مع قالب جاهز. يحتوي على كتاب وصفات فارغ (instruction.md)، وقائمة بالمكونات (Dockerfile)، ومختبر تذوق (tests).
2. التحدي (الطلب): يتلقى الذكاء الاصطناعي طلباً. قد يقول: "أنشئ مهمة تتعلق بإصلاح قاعدة بيانات"، أو "أنشئ مهمة تتعلق بتأمين شبكة". يجب على الذكاء الاصطناعي أن يحدد بدقة ماهية المشكلة، ومدى صعوبتها، وشكل الحل.
3. الطهي (التنفيذ): هذا هو الجزء السحري. الذكاء الاصطناعي لا يكتفي بكتابة الوصفة؛ بل يقوم فعلياً بتشغيل الكود. يقوم بإعداد البيئة، وكتابة الحل، ثم تشغيل الاختبارات. إذا فشل الاختبار (أي أن الطبق طعمه محترق)، يرى الذكاء الاصطناعي رسالة الخطأ في الطرفية، ويدرك خطأه، ويعود لإصلاح الكود. يستمر في هذه الحلقة حتى يصبح الطبق مثالياً.
4. ضبط الجودة (القاضي): بمجرد أن ينتهي الذكاء الاصطناعي من إنشاء مهمة مثالية، ينظر "قاضٍ" ثانٍ (ذكاء اصطناعي آخر) إلى العملية برمتها. يتحقق القاضي من: "هل قام الطاهي بطهي الطبق فعلاً، أم أنه اكتفى بالنظر إلى مفتاح الإجابة؟ هل اتخذ طريقاً مختصراً؟" إذا غش الطاهي أو كانت المهمة سهلة للغاية، يتم استبعاد المهمة بالكامل.

لماذا يهم هذا: الجودة فوق الكمية

يظهر البحث أن هذه الطريقة فعالة للغاية. فقد أنتج الباحثون حوالي 15,000 مهمة، ولكن بعد كل عمليات الطبخ وفحوصات الجودة، احتفظوا بـ 3,221 مهمة مثالية فقط. قد تعتقد: "هذا عدد ضئيل مقارلة بملايين الأمثلة التي تستخدمها نماذج الذكاء الاصطناعي الأخرى". لكن عندما دربوا ذكاءهم الاصطناعي على هذه الأمثلة الـ 3,221 عالية الجودة فقط، كانت النتائج صادمة.

• نموذج بـ 14 مليار معلمة (دماغ متوسط الحجم) حسّن معدل نجاحه من 5.2% إلى 22.5%.
• نموذج بـ 32 مليار معلمة قفز من 4.1% إلى 31.8%.

لوضع ذلك في سياقه، فإن النموذج ذو الـ 32 مليار معلمة، الذي تدرب على هذه المجموعة الصغيرة من البيانات، تفوق على نماذج أخرى تدربت على 490,000 مثال. الأمر يشبه طالباً، بعد دراسة 3,000 مسألة تدريبية مثالية ومحققة فقط، يتفوق على طالب حفظ 500,000 مسألة عشوائية وغير مكتملة.

يجادل البحث صراحة ضد فكرة أنك تحتاج فقط إلى مزيد من البيانات. فقد وجدوا أنه إذا كانت البيانات "مهلوسة" (مؤلفة دون اختبار حقيقي) أو إذا اتخذ الذكاء الاصطناعي طرقاً مختصرة (مثل قراءة مفتاح الإجابة)، فإن إضافة المزيد منها يؤدي في الواقع إلى تراجع الأداء. السر يكمكمن في الارتباط بالتنفيذ (execution grounding). ولأن الذكاء الاصطناعي كان عليه تشغيل الكود فعلياً في طرفية حقيقية لإثبات أن مهمته تعمل، كانت البيانات حقيقية، قابلة للتحقق، وخالية من الأكاذيب.

تشبيه لعبة الفيديو "ذاتية اللعب"

فكر في هذا كأنه لعبة فيديو يكون فيها اللاعب هو أيضاً مصمم اللعبة. في معظم تدريبات الذكاء الاصطناعي، يسلم مصممو الألعاب (الباحثون) للاعب (الذكاء الاصطناعي) مستوى من صنعهم. أحياناً يكون المستوى معطلاً، أو يجد اللاعب ثغرة لتجاوز الزعيم.

في Meta-Task، يُقال للاعب: "صمم مستوى جديداً. ابنِ الجدران، ضع الأعداء، ثم العب المستوى للتأكد من أنه قابل للإنجاز. إذا علقت، فأعد تصميم المستوى. إذا وجدت ثغرة، فأصلحها. فقط عندما تتمكن من هزيمة مستواك الخاص بشكل مثالي، يتم إضافته إلى اللعبة".

هذا يضمن أن كل مستوى في اللعبة عادل، وقابل للحل، ومثير للتحدي. يتعلم الذكاء الاصطناعي من خلال تصميم التحديات التي سيواجهها لاحقاً، مما يجبره على فهم قواعد اللعبة بعمق.

النتائج والقيود

اختبر الباحثون ذكاءهم الاصطناعي الجديد على اختبار مرجعي شهير يسمى Terminal-Bench 2.0، وهو بمثابة "الأولمبياد" لمهارات الطرفية للذكاء الاصطناعي. حقق نموذجهم، الذي تدرب على 3,221 مثالاً فقط، نتيجة 31.8%، وهي قفزة هائلة للأمام. بل إنه تفوق على بعض النماذج الأكبر حجماً التي تدربت على مجموعات بيانات ضخمة.

ومع ذلك، يوضح البحث بحذر ما لا يفعله النظام. يعمل النظام حالياً فقط مع أجهزة كمبيوتر Linux داخل هذه الحاويات الرقمية. وهو لا يعمل على Windows أو Mac بعد، لأن هذه الأنظمة لها قواعد وأدوات مختلفة. أيضاً، "البذور" (seeds) للمهام (الأفكار لبناء المهام) كانت لا تزال من اختيار البشر، رغم أن الذكاء الاصطناه قام بالعمل الشاق في إنشاء المهام الفعلية. ويقترح المؤلفون أنه في المستقبل، يمكنهم سحب الأفكار مباشرة من منتديات المطورين الحقيقية لجعل المهام أكثر تنوعاً.

في النهاية، يثبت Meta-Task أنه عندما تمنح الذكاء الاصطناعي بيئة حقيقية ليلعب فيها، وتجعله مسؤولاً عن إنشاء واختبار تحدياته الخاصة، فإنه يتعلم بشكل أسرع وأفضل مما لو قمت فقط بتغذيته بجبل من البيانات غير الموثقة. إنه تحول من "التعليم عن طريق الإخبار" إلى "التعليم عن طريق الفعل"، ويبدو أن هذا هو السر لصنع وكلاء ذكاء اصطناعي أكثر ذكاءً وقدرة.