تخيل أنك تعلم روبوتاً ليكون طباخاً ماهراً. قد تعتقد أن أفضل طريقة للقيام بذلك هي تغذيته بملايين الوصفات، وإظهار كيفية تقطيع البصل له، وتركه يتدرب على صنع "السوفليه". ولكن ماذا لو كان السر في أن تصبح طباخاً عظيماً لا يكمن فقط في معرفة الوصفات؟ ماذا لو كان الأمر يتعلق بـ طريقة تفكيرك؟ ماذا لو كانت المهارة الحقيقية هي معرفة كيفية تقسيم عشاء حفلة ضخم ومخيف إلى خطوات صغيرة يمكن إدارتها، وتتبع جميع المكونات التي جمعتها، وتذكر القيود الغذائية للمضيف بينما أنت مشغول بالتقطيع، وتذوق الطعام فعلياً للتأكد من نضجه قبل تقديمه؟

هذا هو عالم الذكاء الاصطناعي "الوكيل" (Agentic AI) — برامج حاسوبية لا تكتفي فقط بالإجابة على الأسئلة، بل تقوم بالفعل بأشياء، مثل تصفح الويب، أو تحرير الملفات، أو تشغيل الاختبارات. لفترة طويلة، اعتقد العلماء أن هذه الروبوتات تحتاج إلى التدريب على المهمة المحددة التي ستؤديها في النهاية. إذا كنت تريد من الروبوت إصلاح كود برمجي، كان عليك تعليمه بملايين الأمثلة على إصلاح الكود البرمجي. لكن هذا البحث الجديد يطرح سؤالاً جامحاً: ماذا لو علمنا الروبوت ليكون موظف مكتب ماهراً؟ ماذا لو علمناه تنظيم الجداول البيانات، وجدولة الاجتماعات، وإدارة المستندات، ثم طلبنا منه إصلاح البرمجيات؟ هل ستساعد مهارات كونه موظف مكتب جيد في جعله مهندس برمجيات أفضل؟

قرر الباحثون في "Surge AI" اختبار هذه الفكرة. أخذوا نموذج ذكاء اصطناعي ذكي جداً وأعطوه دورة مكثفة في أعمال المكتب ذات "الأفق الطويل" (long-horizon). لم تكن هذه مهام بسيطة مثل "أرسل بريداً إلكترونياً"، بل كانت مغامرات معقدة متعددة الخطوات، حيث كان على الذكاء الاصطناعي التوفيق بين العديد من الأدوات، والاحتفاظ بخريطة ذهنية لما يفعله، والتأكد من أنه لن يفقد المسار الكبير أثناء غوصه في التفاصيل. لقد دربوا الذكاء الاصطناعي على 363 مهمة مكتبية، ولكن إليكم المفاجأة: لم يكن لأي من مهام التدريب أي علاقة بالبرمجيات أو البرمجة.

والنتي النتيجة؟ عندما اختبروا الذكاء الاصطناعي في تحدٍ شهير لهندسة البرمجيات يسمى SWE-Bench Pro، حقق نتائج أفضل بشكل ملحوظ. فقد حسن معدل نجاحه بنسبة 5.8 نقطة مئوية. يشير البحث إلى أنه من خلال تعلم كيفية إدارة تدفقات العمل المكتبية المعقدة ومتعددة الخطوات، تعلم الذكاء الاصطناعي "عضلة" عالمية للتنفيذ الموجه نحو الأهداف. لقد تعلم كيفية وضع هدف، وبناء صورة ذهنية للموقف، والالتزام بالخطة الأصلية حتى عندما تصبح الأمور فوضوية، والتحقق من عمله. هذه المهارات، كما يرى المؤلفون، تشبه "السكين السويسري": بمجرد أن تتعلم كيفية استخدامها لتنظيم خزانة ملفات، يمكنك استخدامها لتصحيح خطأ في برنامج كمبيوتر، رغم أن الوظيفتين تبدوان مختلفتين تماماً على السطح.

السر الخفي: "حلقة الهدف"

لفهم كيفية عمل ذلك، تخيل أن الذكاء الاصطناعي مستكشف يتنقل في متاهة ضخمة ومتفرعة. يطلق البحث على استراتيجية الذكاء الاصطناعي اسم "التنفيذ الموجه نحو الهدف" (GDE). فكر في هذا كرقصة من أربع خطوات يؤديها الذكاء الاصطناعي مراراً وتكراراً، مثل حلقة في لعبة فيديو:

1. تكوين الهدف: يسأل الذكاء الاصطناعي نفسه: "ما هو الشيء التالي الذي يجب أن أفعله بالضبط لأقترب من خط النهاية؟"
2. بناء الحالة: ينظر حوله ويقول: "حسناً، ماذا أعرف الآن؟ ماذا اكتشفت للتو؟" إنه يبني خريطة ذهنية للوضع الحالي.
3. استقرار الهدف: يتحقق من بوصلته: "هل ما زلت متجهاً نحو الكنز الرئيسي، أم أنني تشتت بسبب صخرة لامعة؟" إنه يتأكد من أن الخطوات الصغيرة التي يتخذها لا تجعله ينسى الهدف الكبير.
4. التحقق: أخيراً، يسأل: "هل فعلت ذلك حقاً؟ هل لدي دليل؟" هو لا يخمن فحسب؛ بل يتحقق من الأدلة.

يجادل البحث بأن المهام المعقدة — سواء كانت تنظيم ميزانية شركة أو إصلاح خطأ في لعبة فيديو — تتكون جميعها من هذه الحلقات نفسها. وأحياناً تكون الحلقات متداخلة داخل بعضها البعض، مثل دمى الماتريوشكا الروسية. لديك هدف كبير (إصلاح التطبيق)، والذي يتفكك إلى أهداف أصغر (العثور على الخطأ)، والتي تتفكك إلى أهداف أصغر فأصغر (قراءة هذا الملف المحدد).

التجربة: من الجداول الحسابية إلى البرمجيات

أخذ الباحثون نموذج ذكاء اصطناعي ضخم (Qwen3.5-122B-A10B) وأعطوه نظاماً غذائياً خاصاً للتدريب. بدلاً من تغذيته بالأكواد، غذيوه بـ 363 سيناريو مكتبياً واقعياً. تخيل الذكاء الاصطناعي وهو يعمل كمتدرب افتراضي. كان عليه:

• البحث عبر المستندات والجداول الحسابية.
• استخدام متصفحات الويب للبحث.
• تخطيط الجداول وإدارة الملفات.
• التنسيق بين أدوات رقمية مختلفة.

صُممت هذه المهام لتكون صعبة؛ فقد تطلبت من الذكاء الاصطناعي تتبع أشياء كثيرة في وقت واحد، والتبديل بين أدوات مختلفة، والتأكد من عدم فقدان تسلسل الأحداث. مارس الذكاء الاصطناعي هذه المهام حتى أصبح بارعاً فيها. والأهم من ذلك، لم يحتوي بيانات التدريب على أي مهام هندسة برمجيات. لم يرَ الذكاء الاصطناعي سطراً واحداً من الكود أثناء تدريبه.

ثم جاء الاختبار. طلب الباحثون من الذكاء الاصطتني المدرب حل مشكلات في SWE-Bench Pro، وهو معيار يختبر مدى قدرة الذكاء الاصطناعي على إصلاح أخطاء برمجية في العالم الحقيقي. وقارنوا هذا الذكاء الاصطناعي المدرب بالنموذج نفسه قبل أن يتعلم المهارات المكتبية.

النتائج: مهارة عالمية

كان الذكاء الاصطناعي المدرب نجماً ساطعاً. فقد قفز معدل نجاحه في اختبار هندسة البرمجيات من 20.5% إلى 26.3%. أي بزيادة قدرها 5.8 نقطة مئوية.

لكن الجزء الأكثر إثارة للاهتمام لم يكن مجرد الدرجة؛ بل كان في كيفية تغير الذكاء الاصطناعي. نظر الباحثون عن كثب في "عملية التفكير" (المسار) الخاصة بالذكاء الاصطناعي ووجدوا أن الذكاء الاصطناعي المدرب كان يؤدي رقصة الخطوات الأربع بشكل أفضل بكثير من غير المدرب، سواء في المهام المكتبية أو مهام البرمجيات.

إليك ما تغير، باستخدام أمثلة الورقة البحثية:

• تكوين هدف أفضل: غالباً ما كان الذكاء الاصطناعي غير المدرب يختار هدفاً "يبدو منطقياً محلياً" ولكنه في الواقع خاطئ. على سبيل المثال، في مهمة برمجية، قد يحاول إعادة كتابة دالة كاملة بينما توجد بالفعل أداة مساعدة بسيطة. أما الذكاء الاصطناعي المدرب، وبفضل تعلمه اختيار الخطوة الصحيحة التالية في المهام المكتبية، أدرك: "مهلاً، هناك أداة لهذا بالفعل"، واستخدمها.
• بناء حالة أفضل: كان الذكما الاصطناعي غير المدرب غالباً ما يتخلص من المعلومات المهمة. في إحدى المهام المكتبية، رأى خلية في جدول حسابي تحتوي على صيغة (Formula) وظن: "هذا ليس رقماً، سأتجاهله". لكن الذكاء الاصطناعي المدرب أدرك: "انتظر، هذه الصيغة تحسب الرقم الذي أحتاجه"، واحتفظ بالبيانات. لقد تعلم بناء خريطة ذهنية أفضل للموقف.
• استقرار هدف أفضل: يتعلق هذا بعدم فقدان الصورة الكبيرة. في مهمة برمجية، رأى الذكاء الاصطناعي غير المدرب اختباراً فشل، فقام بتغيير الكود لجعل الاختبار ينجح، رغم أن ذلك كسر المتطلبات الأصلية. أما الذكاء الاصطناعي المدرب فتذكر "الهدف الأب" (المتطلب الأصلي) ولم يسمح للمشكلة المحلية بأن تشتت انتباهه. كان الأمر أشبه بمدير مشروع يتذكر الموعد النهائي حتى عندما تتعطل الطابعة.
• تحقق أفضل: كان الذكاء الاصطناعي غير المدرب غالباً ما يتحقق من عمله بشكل سطحي. قد يقول: "لقد قمت بتصدير الملف، لذا انتهيت". أما الذكاء الاصطناعي المدرب فكان أكثر دقة؛ فقد تحقق مما إذا كان الملف يحتوي بالفعل على البيانات الصحيحة وما إذا كانت التغييرات قد أثرت على أجزاء أخرى من النظام. لم يكتفِ بمجرد "تأدية الواجب"، بل تحقق من الواقع.

الصورة الكبيرة

يشير البحث إلى أنه من خلال تدريب الذكاء الاصطناعي على مهام مكتبية معقدة وطويلة الأمد، فقد عززوا قدرته على تنظيم أفكاره وأفعاله. لم يتعلم الذكاء الاصطناعي كيفية البرمجة؛ بل تعلم كيف يتعلم وكيف ينفذ خططاً معقدة. إن مهارات إدارة جدول حسابي، وتتبع ملفات متعددة، والتحقق من تقرير، تبين أنها متشابهة بشكل مدهش مع المهارات المطلوبة لتصحيح برنامج.

يؤكد المؤلفون أن هذا "تفسير سلوكي". هم لا يدعون أن الذكاء الاصطناعي لديه حرفياً "مكدس أهداف" (goal stack) داخل دماغه مثل البشر. بدلاً من ذلك، هم يلاحظون أن سلوك الذكاء الاصطناعي يبدو وكأنه يستخدم هذه القدرات الأربع. وتظهر البيانات أنه عندما يتحسن الذكاء الاصطناعي في هذه السلوكيات في مجال واحد (العمل المكتبي)، فإنه يصبح أفضل في مجال آخر (البرمجيات)، حتى بدون أي تدريب مباشر على المجال الثاني.

الأمر يشبه تدريب لاعب جمباز. قد تدربه على عارضة التوازن، وبينما هو لا يتدرب على القفز، فإن قوته الأساسية، وتوازنه، وتركيزه يتحسنان. وعندما يقف أخيراً على منصة القفز، فإنه يؤدي بشكل أفضل لأن مهاراته "الجمبازية" الأساسية قد صُقلت. وفي هذه الحالة، "الجمباز" هو القدرة على إدارة مهام طويلة ومعقدة دون فقدان الطريق.

لا يدعي البحث أن هذا حل سحري يحل جميع مشاكل الذكاء الاصطناعي، ولا يقول إن هذه هي الطريقة الوحيدة لتحسينه. لكنه يقدم منظوراً رائعاً: ربما لا نحتاج إلى تعليم الذكاء الاصطناعي كل وظيفة في العالم. ربما نحتاج فقط إلى تعليمه كيف يكون عاملاً جيداً، منظماً، وموجهاً نحو الأهداف، وسوف يكتشف هو الباقي.