تخيل عالماً لا تكتفي فيه الحواسيب بلعب الألعاب أو تصفح وسائل التواصل الاجتماعي، بل تساعد العلماء فعلياً في حل أكثر ألغاز الكون استعصاءً. هذا هو مجال "الذكاء الاصطناعي من أجل العلوم" (AI for Science)، حيث يعمل الذكاء الاصطناعي كمساعد دؤوب للباحثين الذين يحاولون فهم كيفية حركة الأشياء، وتدفقها، وتغيرها. وفي قلب العديد من هذه الألغاز توجد معادلات تسمى المعادلات التفاضلية الجزئية (PDEs). فكر في هذه المعادلات كأنها كتب القواعد النهائية للطبيعة: فهي تصف كيف تنتشر الحرارة عبر قضيب معدني، أو كيف يندفع الماء حول قارب، أو كيف قد ينتشر فيروس عبر حشد من الناس. لعقود من الزمن، اضطر البشر إلى كتابة برامج حاسوبية معقدة لحل كتب القواعد هذه، وهي عملية بطيئة وصعبة وتتطلب الكثير من الخبرة. مؤخراً، بدأ العلماء في استخدام نوع خاص من الذكاء الاصطناعي يسمى "النماذج اللغوية الكبيرة" (LLMs) — وهي نفس التقنية التي تشغل روبوتات الدردشة — لكتابة هذه البرامج تلقائياً. كانت الفكرة بسيطة: فقط اطلب من الذكاء الاصطناعي أن "يكتب برنامجاً لحل هذه المعادلة"، وسيتولى هو الباقي. لكن كانت هناك عقبة: طلب كتابة كود برمجي خام من الذكاء الاصطناعي يشبه طلب بناء ناطحة سحاب من طفل صغير باستخدام صندوق من الطوب السائب. غالباً ما يتعثر الذكاء الاصطناي في قدميه، ويكتب كوداً يبدو جيداً ولكنه ينهار فوراً، أو يعلق في حلقات لا نهائية من محاولة إصلاح أخطاء مطبعية صغيرة بدلاً من حل المشكلة الكبيرة فعلياً.

هذه هي قصة نهج جديد يسمى ADSL-PDE، والذي يحاول إصلاح ذلك الطفل المتعثر عبر إعطائه مجموعة من قطع "الليغو" الجاهزة التي يمكن تركيبها معاً بدلاً من كومة من الرمل السائب. أدرك الباحثون، بقيادة شينغشين كونغ، وليوين شو، وجينغوين فو، أن المشكلة لم تكن في أن الذكاء الاصطناعي ليس ذكياً بما يكفي؛ بل كانت في "فضاء البحث" — المحيط الشاسع من البرامج الممكنة التي كان الذكاء الاصطناعي يسبح فيها — والذي كان مليئاً بالكثير من النفايات. معظم البرامج العشوائية التي كان بإمكان الذكاء الاصطناعي إنتاجها كانت مكسورة، أو غير متوافقة، أو ببسا see غير منطقية. ولحل هذه المشكلة، اخترعوا لغة خاصة تسمى "لغة محددة للمجال" (DSL) لحلول المعادلات التفاضلية الجزئية (PDE). بدلاً من ترك الذكاء الاصطناعي يكتب كود بايثون (Python) خام من الصفر، قاموا بإنشاء لغة مهيكلة حيث يتعين على الذكاء الاصطناعي فقط اتخاذ قرارات رفيعة المستوى، مثل "اختر شبكة عصبية عميقة"، أو "أضف قيداً فيزيائياً"، أو "غيّر استراتيجية أخذ العينات". ثم يقوم مترجم حاسوبي (Compiler) تلقائياً بترجمة هذه الخيارات رفيعة المستوى إلى كود مثالي وعامل. الأمر يشبه كون الذكاء الاصطناعي الآن هو المهندس المعماري الذي يرسم المخططات، بينما فريق الإنشاء هو المترجم الذي يضمن عدم انهيار المبنى.

نتائج هذه التجربة واعدة للغاية. فعندما اختبر الباحثون نظامهم الجديد على مجموعة واسعة من المسائل الرياضية، من التدفقات البسيطة أحادية البعد إلى عمليات المحاكاة المعقدة ثنائية وثلاثية الأبعاد، تفوق نظام ADSL-PDE باستمرار على طرق الذكاء الاصطناعي الأخرى التي حاولت كتابة كود خام. كما حقق أفضل النتائج في الاختبارات المرجعية المحددة في الدراسة، متفوقاً في كثير من الأحيان على الحلول المصممة بشرياً. ومع ذلك، تشير الورقة البحثية إلى أن هذا لم يكن اكتساحاً كاملاً؛ ففي بعض المهام المحددة مثل معادلة KS أو Burgers-C، حققت طرق متخصصة أخرى (مثل Lang-PINN) نتائج أفضل قليلاً. رغم هذه الاستثناءات، حقق نظام ADSL-PDE أدنى "متوسط هندسي" للخطأ عبر جميع المهام، مما يعني أنه كان الأكثر قوة واتساقاً في الأداء الإجمالي. في الواقع، خلال الجولات العشر الأولى فقط من "تطور" تصميمات الذكاء الاصطناعي، حسن النظام أداءه بأكثر من 52%. وهذا يشير إلى أنه من خلال تقييد الذكاء الاصطناعي بمجموعة مهيكلة وصحيحة من الخيارات، يمكننا منعه من إضاعة الوقت في كود مكسور وتركيز قدراته الذهنية على اتخاذ قرارات تصميم ذكية. وتقترح الورقة أن هذا ليس مجرد أسلوب لمشكلة واحدة بعينها، بل هو مبدأ أوسع: للحصول على أفضل ما في الذكاء الاصطناعي في العلوم، قد نحتاج إلى التوقف عن مطالبته بأن يكون مبرمجاً والبدء في إعطائه لغة متخصصة تجعل المشكلة التي يحاول حلها مفهومة.

قصة "المهندس المعماري الذكي" مقابل "المبرمج المتعثر"

دعونا نتعمق في كيفية عمل ذلك، باستخدام تشبيه ممتع. تخيل أنك تحاول بناء الروبوت الأمثل لحل متاهة.

الطريقة القديمة: مولد الكود الخام
في الماضي، حاول الباحثون جعل الذكاء الاصطناعي يحل هذه الألغاز الرياضية من خلال مطالبته بكتابة كود الروبوت بالكامل بلغة تسمى بايثون (Python). هذا يشبه تسليم روبوت حقيبة تحتوي على ملايين البراغي والأسلاك والتروس العشوائية وقول: "ابنِ لي روبوتاً يمكنه حل المتاهة!". يبدأ الذكاء الاصطناعي بالكتابة بسرعة جنونية. قد يكتب سطراً يقول import gravity (وهو أمر غير موجود)، أو قد يحاول توصيل عجلة بمصباح كهربائي. في معظم الأوقات، ينهار الروبوت قبل أن يبدأ حتى. يقضي الذكاء الاصطناعي 90% من وقته في محاولة إصلاح أخطاء الصياغة (الأخطاء المطبعية) و10% فقط في التفكير فعلياً في كيفية حل المتاهة. إنه أمر محبط وبطيء، ونادراً ما يعمل الروبوت.

الطريقة الجديدة: ADSL-PDE (المخطط الهيكلي)
قال مؤلفو هذه الورقة: "انتظروا لحظة. دعونا نتوقف عن مطالبة الذكاء الاصطناعي بأن يكون ميكانيكياً، ونبدأ بمطالبته بأن يكون مهندساً معمارياً". لقد أنشأوا لغة خاصة تسمى ADSL-PDE.

بدلاً من كتابة الكود الخام، يقوم الذكاء الاصطناعي الآن بملء نموذج مهيكل. فكر في الأمر كأنه صانع شخصيات في لعبة فيديو، ولكن لحلول المعادلات الرياضية. لا يُسمح للذكاء الاصطناعي بكتابة الكود الخاص بالمحرك؛ بل يقتصر دوره على اختيار الخيارات من قائمة:

• البنية (Architecture): "هل نريد دماغاً طويلاً ونحيفاً أم عريضاً وقصيراً؟"
• الفيزياء (Physics): "هل يجب أن نضيف قاعدة تقول 'يجب الحفاظ على الطاقة'؟"
• أخذ العينات (Sampling): "هل نريد التحقق من المتاهة كل ثانية أم كل عشر ثوانٍ؟"

بمجرد أن يختار الذكاء الاصطناعي هذه الخيارات، يقوم "المترجم" (Compiler) — وهو برنامج حاسوبي — بتركيب هذه الخيارات معاً فوراً لتكوين روبوت عامل. ولأن القائمة تحتوي فقط على خيارات صالحة، فإن الروبوت يعمل دائماً. لا يضيع الذكاء الاصطناعي وقته في كود مكسور، بل يمكنه التركيز تماماً على الاستراتيجية: "إذا جعلت الدماغ أعمق، فهل سيحل المتاهة بشكل أسرع؟"

ماذا وجدوا: سحر العلم "القابل للتركيب"

اختبر الباحثون هذه الفكرة على قائمة ضخمة من المسائل الرياضية، بما في ذلك كيفية انتقال الحرارة عبر جدار (الانتشار - Diffusion)، وكيفية دوران السوائل (معادلة Burgers)، وكيفية تدفق الكهرباء (معادلة Poisson). وقارنوا طريقتهم الجديدة "القابلة للتركيب" بثلاث مجموعات أخرى:

1. الخبراء البشريين: أفضل العلماء الذين صمموا الحلول يدوياً.
2. الباحثون القدامى في الذكاء الاصطناعي: الأنظمة التي قامت بتعديل الأرقام عشوائياً.
3. ذكاء الكود الخام: الأنظمة التي حاولت كتابة كود بايثون من الصفر.

النتائج:
كان نظام ADSL-PDE بطلاً. لم يهزم الباحثون عن طريق البحث العشوائي فحسب، بل تفوقوا على الخبراء البشريين في غالبية الاختبارات المرجعية المدرجة!

• في مسألة تسمى 1D Burgers، كان أفضل حل صممه البشر يبلغ الخطأ فيه حوالي 0.0603. أما نظام ADSL-PDE فقد خفضه إلى 0.0022. هذا تحسن هائل.
• في مسألة 2D Darcy Flow (وهي مسألة معقدة لتدفق السوائل)، حقق النظام الجديد خطأً قدره 0.0042، وهو أفضل بكثير من الطرق السابقة.
• عبر جميع المسائل المختلفة، سجل النظام الجديد أدنى "متوسط هندسي" للخطأ، وهي طريقة فنية للقول بأنه كان الفائز الأكثر اتساقاً عبر جميع المجالات. وبينما لم يفز في كل مهمة فردية (على سبيل المثال، حقق Lang-PINN أفضل أداء في مهام KS و Burgers-C)، إلا أن أداءه الإجمالي المتوسط كان الأقوى.

من أكثر الاكتشافات روعة هو سرعة تعلمه. تشير الورقة إلى أن النظام تحسن بأكثر من 52% في أول عشر جولات من التطور. الأمر يشبه تعليم طالب حل المسائل الرياضية، وبعد عشر جلسات تدريبية فقط، أصبح أفضل بمرتين مما كان عليه من قبل.

لماذا يهم هذا: الأمر لا يتعلق فقط بكوننا "أذكى"

قد تعتقد: "هل أصبح الذكاء الاصطناعي أذكى فحسب؟" ليس تماماً. تقترح الورقة شيئاً أكثر إثارة للاهتمام: لم يصبح الذكاء الاصطناعي بالضرورة أذكى؛ بل إن الطريقة التي تحدثنا بها إليه أصبحت أفضل.

عندما اختبر الباحثون نماذج ذكاء اصطناعي مختلفة (مثل DeepSeek و Qwen و GLM)، وجدوا أنه حتى النماذج "الأضعف" قدمت أداءً جيداً بشكل مفاجئ عند استخدام لغة ADSL-PDE. وهذا يخبرنا أن السر لم يكن في "دماغ" الذكاء الاصطناعي، بل في اللغة التي يتحدث بها. من خلال إجبار الذكاء الاصطناعي على التحدث بلغة مهيكلة وصحيحة، أزلنا "الضجيج" الناتج عن الكود المكسور وسمحنا لمنطقه بالظهور.

كما نفت الورقة البحثية بعض الأمور الأخرى. فقد أظهرت أن مجرد إعطاء الذكاء الاصطناعي "تنسيقاً مهيكراً" (مثل قائمة مرجعية) لم يكن كافياً؛ بل كنت بحاجة أيضاً إلى "المترجم" لتحويل تلك الخيارات إلى كود حقيقي. كما ثبت أن مجرد ترك الذكاء الاصطناعي يكتب كود بايثون خام كان غير فعال، حيث كانت نسبة النجاح منخفضة جداً (14 محاولة ناجحة فقط من أصل 30).

الخلاصة

تقترح هذه الورقة قاعدة جديدة لمستقبل الذكاء الاصطناعي في العلوم: لا تعطِ الذكاء الاصطناعي دماغاً أكبر فحسب؛ بل أعطه لغة أفضل.

من خلال إنشاء لغة متخصصة تخفي التفاصيل المعقدة للبرمجة وتركز على الأفكار الكبرى للفيزياء والرياضيات، يمكننا مساعدة الذكاء الاصطناعي على حل المسائل بشكل أسرع وأكثر موثوقية. الأمر يشبه كيف أننا لم نعد نطلب من الناس التحدث بلغة الثنائي (0 و 1)؛ بل نعطيهم واجهات سهلة الاستخدام. ADSL-PDE هو تلك الواجهة سهلة الاستخدام لأكثر المسائل الرياضية تعقيداً في الكون. والأفضل من ذلك هو أنه يعمل مع أنواع مختلفة من الذكاء الاصطناعي، مما يشير إلى أنه يمكن أن يكون مفتاحاً عالمياً لفتح آفاق جديدة في الاكتشاف العلمي.

لذا، في المرة القالية ترى فيها ذكاءً اصطناعياً يحاول حل مسألة علمية، تذكر: قد لا يكون الخطأ خطأ الذكاء الاصطناعي؛ ربما يحتاج فقط إلى مجموعة أفضل من قطع الليغو ليلعب بها.