Long-Horizon Autonomous Architecture Research with a Language-Model Agent: A Behavioural Case Study

فأر المختبر الرقمي: عندما يحاول الذكاء الاصطناعي أن يكون عالماً بمفرده

تخيل عالماً لا تكتفي فيه الحواسيب باتباع التعليمات، بل يُطلب منها اكتشاف كيفية حل لغز ما بمفردها. هذا هو مجال تعلم الآلة (Machine Learning)، وهو فرع من العلوم حيث نعلم الحواسيب التعلم من البيانات بدلاً من برمجة كل قاعدة يدوياً. عادةً، عندما نريد من الكمبيوتر أن يصبح أفضل في مهمة ما — مثل التعرف على القطط في الصور أو التنبؤ بالطقس — نستخدم طريقة تسمى البحث عن البنية العصبية (Neural Architecture Search). فكر في الأمر كأنك تحاول بناء برج مثالي من قطع "الليغو". لديك صندوق من المكعبات (كود الكمبيوتر)، وتريد رصّها بطريقة تجعل البرج يقف لأطول فترة وبأقوى شكل ممكن. تقليدياً، يقوم البشر بتصميم القواعد لكيفية اختيار المكعبات، أو نستخدم رياضيات بسيطة لتخمين التشكيلات التي قد تعمل بشكل أفضل.

ولكن ماذا لو سلمنا صندوق الليغو بأكمله إلى روبوت فائق الذكاء وقلنا له: "أنت اكتشف الطريقة. ابنِ أفضل برج يمكنك بناءه، ولا تتوقف حتى تنتهي"؟ هذا هو السؤال الكبير الذي يستكشفه هذا البحث. إنه يتساءل: إذا أعطينا وكيل ذكاء اصطناعي (AI) واحداً جميع الأدوات التي يحتاجها الباحث البشري — مثل دفتر ملاحظات، ومكتبة، وحاسوب لإجراء الاختبارات — فهل يمكنه العمل كعالم منفرد لأسابيع متواصلة؟ نحن نهتم بهذا لأننا مع زيادة ذكاء الذكاء الاصطناعي، نريد أن نعرف ما إذا كان بإمكانه مساعدتنا في اكتشاف أشياء جديدة بشكل أسرع، أم أنه سيعلق فقط في حلقة مفرغة من إجراء تغييرات صغيرة ومملة. الإجابة لا تتعلق فقط ببناء أبراج أفضل؛ بل تتعلق بفهم كيفية بناء فريق يعمل فيه البشر والروبوتات معاً دون أن يصاب الروبوت بالملل أو الارتباك.

---

التجربة: باحث روبوت في رحلة طويلة

في هذه الدراسة، قام الباحثون بإعداد مختبر رقمي وسلموا المفاتيح لوكيل ذكاء اصطناعي واحد عام الأغراض. لم يطلبوا من الذكاء الاصطناعي حل مسألة رياضية فحسب؛ بل طلبوا منه تصميم نوع جديد من "الأدمغة الحاسوبية" يسمى محول الرؤية (Vision Transformer). وتحديداً، وضعوا له قيداً صعباً: كان على "الدماغ" أن يعمل باستخدام "انتباه القنوات" (التركيز على الألوان والأنسجة في الصورة) فقط، وكان ممنوعاً من استخدام "الانتباه المكاني" (النظر إلى أماكن الأشياء في الصورة). كان هذا يشبه طلب طهي وجبة فاخرة من شيف دون السماح له باستخدام السكين أو الموقد، مما أجبر الذكاء الاصطناعي على ابتكار طريقة جديدة تماماً للطهي.

مُنح الذكاء الاصطناعي مجموعة محددة من الأدوات: وسيلة لإدارة الكود الخاص به، ومتتبع لمراقبة تجاربه، وذاكرة مستمرة لتذكر ما جربه، وفي منتضف الطريق، منحوه الوصول إلى مكتبة رقمية من الأوراق العلمية. تراجع الباحثون البشر إلى الوراء، ولم يتدخلوا إلا لتغيير قواعد اللعبة أو لتوجيه الذكاء الاصطناعي عندما يعلق. تُرِك الذكاء الاصطناعي ليعمل لمدة 10 أسابيع من الوقت الواقعي، حيث قدم حوالي 150 تجربة واستخدم حوالي 2,400 ساعة من وحدة معالجة الرسومات (GPU). لقد كانت ماراثوناً، وليس سباقاً قصيراً.

قصة الفصول الثلاثة

تطورت التجربة عبر ثلاثة فصول متميزة، لكل منها جوهله ونتيجته الخاصة.

الفصل الأول: الساعة الذهبية والجدار
في البداية، كان الذكاء الاصطناعي مثل طفل في متجر حلوى. حقق تحسينات سريعة وهائلة. ففي أول ست تخمينات فقط، اكتشف حيلة أساسية عززت دقة أدائه بشكل ضخم. كانت فعالة للغاية لدرجة أن هذه الفكرة المبكرة وحدها كانت مسؤولة عن حوالي 80% من إجمالي التقدم الذي أحرزه الذكاء الاصطناعي في مجموعة بيانات الاختبار الصغيرة. ولكن بعد ذلك، توقف المرح. اصطدم الذكاء الاصطناعي بـ "جدار التشبع". استمر في محاولة تعديل إعداداته — تغيير الأرقام هنا، وضبط المقابض هناك — لكن لا شيء نجح. لقد علق في حلقة مفرغة من إجراء تغييرات طفيفة وتدريجية لا تفيد بشيء. كان الأمر كما لو أن الروبوت قد نفدت أفكاره الجديدة وأصبح يدور حول نفسه فقط.

الفصل 1ب: فتح المكتبة
لاحظ الباحثون البشريون أن الروبوت قد علق. لم يغيروا دماغ الروبوت؛ بل أعطوه أداة جديدة: الوصول إلى مكتبة من الأوراق العلمية. فجأة، تغير سلوك الذكاء الاصطناعي. توقف عن مجرد تعديل الأرقام وبدأ في إجراء تغييرات جريئة على الكود الفعلي، مستلهماً مما قرأه. بدأ في اقتراح هياكل جديدة بدلاً من مجرد تعديل الهياكل القديمة. هذا يشير إلى أن الروبوت لم يكن "غبياً"؛ بل كان يحتاج فقط إلى نوع مختلف من المفاتيح لفتح المستوى التالي من التفكير.

الفصل الثاني والثالث: التوسع والتعثر
بينما كان الباحثون ينقلون الذكاء الاصطناي إلى اختبارات أصعب فأصعب (من الصور الصغيرة إلى الصور الضخمة والمعقدة)، تكرر النمط. يجد الذكاء الاصطناعي حلاً جيداً، ثم يعلق في محاولة إجراء تحسينات طفيفة على ذلك الحل. أصبح "جشعاً" للغاية، بمعنى أنه أحب أفضل فكرة لديه لدرجة أنه رفض تجربة أي شيء مختلف تماماً، حتى عندما كانت تلك الفكرة تفشل بوضوح. على سبيل المثال، في الاختبار الأصعب، وجد الذكاء الاصطناعي حلاً يعمل بشكل جيد، ثم قضى 18 محاولة في إجراء تعديلات طفيفة وغير مجدية عليه، متجاهلاً حقيقة أنه عالق. كان الأمر يشبه سائقاً وجد إطاراً مثقوباً، فقرر مواصلة القيادة، ثم قضى ساعات في محاولة تلميع الإطار بدلاً من تغييره.

ما تعلمه الروبوت (وما لم يتعلمه)

كان الذكاء الاصطناعي جيداً بشكل مفاجئ في بعض الأمور. فقد "أعاد اكتشاف" عدة حقائق علمية معروفة بشكل مستقل. على سبيل المثال، اكتشف أنه بالنسبة لهذا النوع المحدد من الأدمغة الحاسوبية، فإن امتلاك "رأس" واحد فقط للتركيز على التفاصيل أفضل من امتلاك رؤوس متعددة — وهي نتيجة تتوافق مع ما يعرفه العلماء البشر بالفعل. كما أدرك أيضاً أن بعض الحيل التي نجحت في الصور الصغيرة أدت إلى تراجع الأداء في الصور الكبيرة، مما أظهر قدرته على التعلم من أخطائه.

ومع ذلك، أظهر الذكاء الاصطناعي أيضاً بعض العيوب الشبيهة بالبشر.

• تجنب المخاطر: بعد أن جرب فكرة جريئة ومخاطرة وفشلت، أصبح حذراً للغاية. ظل متمسكاً بالأفكار الآمنة والمملة لفترة طويلة، رغم أن القواعد كانت تسمح له بتجربة شيء مجنون مرة أخرى.
• مطاردة النجاح: كان يحب الاستمرار في فعل ما نجح مؤخراً. إذا وجد طريقة لجعل الدماغ الحاسوبي أسرع قليلاً، فسيستمر في محاولة جعله أسرع بشكل طفيف جداً، متجاهلاً إمكانية أن يكون النهج المختلف تماماً هو الأفضل.
• فخ "الجشع": لم تكن المشكلة الكبرى هي أن الذكاء الاصطناعي كان سيئاً في التفكير؛ بل كانت قواعد اللعبة هي التي تجبره على أن يكون جشعاً. تم إعداد النظام بحيث لا يمكن للذكاء الاصطناي الاحتفاظ بفكرة إلا إذا كانت أفضل من الفكرة السابقة. هذا يشبه لعبة لا يمكنك فيها التقدم إلا إذا خطوت خطوة للأعلى في تلة، لكن لا يمكنك أبداً التحرك جانباً أو العودة لتجربة مسار مختلف. اتبع الذكاء الاصطناعي القواعد بدقة، مما يعني أنه علق في تلال محلية بدلاً من الوصول إلى قمة الجبل.

الخلاصة الكبرى: إنها طريقة العمل، وليس الدماغ

إن أهم نتيجة لهذا البحث كانت مفاجئة نوعاً ما. خلص الباحثون إلى أن طريقة العمل (Workflow) (القواعد والأدوات المعطاة للذكاء الاصطناعي) كانت بنفس أهمية ذكاء الذكاء الاصطناعي نفسه، إن لم تكن أكثر أهمية.

لم يفشل الذكاء الاصطناعي لأنه كان "غبياً". لقد فشل لأنه كان يلعب لعبة مصممة للسباقات القصيرة، وليس للماراثونات الطويلة. قاعدة "الالتزام أو الاستبعاد" (احتفظ بها إذا كانت أفضل، وارمِها إذا كانت أسوأ) أجبرت الذكاء الاصطناعي على التصرف كمتسلق جشع ينظر فقط إلى الخط الذي أمامه مباشرة. لو صمم الباحثون اللعبة بشكل مختلف — مثل السماح للذكاء الاصطناعي بتشغيل عدة أفكار مختلفة في وقت واحد، أو إجباره على تجربة فكرة "انفجارية" كل بضع دورات — لكانت النتائج مختلفة تماماً.

باختختصار، يشير البحث إلى أنه لجعل الذكاء الاصطناعي شريكاً بحثياً عظيماً، لا ينبغي لنا فقط محاولة جعل الذكاء الاصطناعي أكثر ذكاءً. نحن بحاجة إلى بناء "طرق عمل" أفضل تشجع على المخاطرة، واستكشاف مسارات مختلفة، وعدم التعلق بالفكرة المفضلة الحالية. الذكاء الاصطناعي عامل مجد وقادر، ولكن بدون التعليمات والأدوات الصحيحة، يمكنه بسهولة أن يعلق في حلقة مفرغة من تكرار الشيء نفسه مراراً وتكراراً. ويقترح المؤلفون أن مستقبل أبحاث الذكاء الاصطناعي يكمكم في تصميم أنظمة أفضل لتوجيه هذه العقول الرقمية، بدلاً من مجرد الأمل في أنها ستكتشف كل شيء بمفردها.