AquiLLM: An Architecture for Supporting Tacit Knowledge Capture in Research Groups

تخيل مجموعة من العلماء يعملون معاً في مختبر، مثل فرقة موسيقية تعزف في مرآب. لديهم نوتاتهم الموسيقية (الأوراق البحثية المنشورة) وآلاتهم (البيانات)، لكن السحر الحقيقي يحدث في اللحظات الفوضوية غير المسجلة: النكات الداخلية، وتحذيرات "لا تلمس ذلك المقبض"، والاختصارات الذكية التي يبتكرونها على الطراف. هذا ما يسمى المعرفة الضمنية—الأشياء التي تعرفها لأنك مارستها، وليس لأنك قرأتها. عادةً، عندما يغادر أحد أعضاء الفرقة، تخرج هذه المعرفة السرية معه من الباب.

لحل هذه المشكلة، يحاول العلماء استخدام الذكاء الاصطناعي (AI) ليكون بمثابة ذاكرة فائقة لهذه المجموعات. فكر في الذكاء الاصطناائي كأمين مكتبة سريع وذكي جداً يمكنه قراءة كل كتاب في المكتبة فوراً. ومع ذلك، فإن معظم هؤلاء "الأمناء" مملوكون لشركات كبرى. وهذا يخلق مشكلة: إذا سألت أمين مكتبة تابع لشركة سؤالاً ما، فقد يحتفظ بنسخة من سؤالك لتدريب أمين المكتبة التالي، أو قد لا يريك بالضبط كيف وجد الإجابة. بالنسبة للعلماء، الذين يحتاجون إلى القدرة على التحقق من عملهم والحفاظ على خصوصية بياناتهم، يعد هذا أمراً غير مقبول. إنهم بحاجة إلى أمين مكتبة يمكنهم بناؤه بأنفسهم، والاحتفاظ به في قبوهم الخاص، والثقة به تماماً.

هنا يأتي دور AquiLLM. إنها أداة جديدة مفتوحة المصدر مصممة خصيصاً لمجموعات البحث لالتقاط تلك المعرفة الضمنية الفوضوية وغير المعلنة. يصف البحث كيف قام الفريق بترقية AquiLLM لتصبح أشبه بمساعد بحثي محلي مفيد يعيش على أجهزة الكمبيوتر الخاصة بالمجموعة. بدلاً من إرسال البيانات إلى السحابة، يستخدم النظام تقنية التوليد المعزز بالاسترجاع (RAG). تخيل RAG كنظام لا يقوم فيه الذكاء الاصطناعي بمجرد التخمين من دماغه؛ بل يركض أولاً إلى رف كتب محدد، ويأخذ الصفحات الدقيقة التي يحتاجها، ثم يقرأها بصوت عالٍ للإجابة على سؤالك. هذا يضمن التزام الذكاء الاصطناعي بالحقائق التي تمتلكها المجموعة فعلياً، بدلاً من اختلاق أشياء من عنده.

لم يكتفِ مؤلفو هذا البحث ببناء نسخة أساسية، بل منحوها عملية تجديد شاملة بناءً على ما يحتاجه العلماء الحقيقيون (مثل علماء الفيزياء الفلكية) بالفعل. لقد أضافوا ميزات تسمح للنظام بـ "رؤية" الصور والمخططات، وليس فقط قراءة النصوص، ومنحوه "ذاكرة" تتذكر من أنت وما الذي تحدثت عنه من قبل، دون الخلط بين المشاريع المختلفة. كما حرصوا على أن يكون النظام نموذجياً (modular)، مما يعني أنه يمكنك استبدال أجزاء مثل "الدماغ" أو "العينين" دون إعادة بناء الروبوت بالكامل.

يشير البحث إلى أن هذه التحديثات تجعل النظام أفضل بكثير في التعامل مع الطبيعة المعقدة والبصرية والتعاونية للعلم الحقيقي. ومع ذلك، يوضح المؤلفون بحذر أنه بينما يعمل النظام بشكل جيد في العثور على الحقائق في المستندات، فإنه لا يزال يواجه بعض الصعوبات عند سؤاله عن مقارنة المعلومات عبر مصادر عديدة مختلفة، أو عندما تصبح "الذاكرة" ممتلئة جداً. هم لم يثبتوا بعد أنه مثالي؛ لقد أظهروا فقط أنه خطوة واعدة نحو ذكاء اصطناعي يحترم الخصوصية ويحافظ على الحكمة الجماعية لفرق العمل.

الترقية الكبرى: من روبوت متثاقل إلى شريك مختبر ذكي

إذاً، ماذا فعل الفريق بـ AquiLLM بالضبط؟ فكر في النظام الأصلي كأنه روبوت مفيد ولكنه خرق للغاية. كان بإمكانه التحدث، لكنه كان بطيئاً، ولا يستطيع رؤية الصور، وأحياناً ينسى ما قلته له قبل خمس دقائق. النسخة الجديدة تشبه إعطاء ذلك الروبوت عملية زرع دماغ، وعينين جديدتين، ودفتر ملاحظات شخصي.

1. "الدماغ المحلي" و"المكتبة المحلية"
التغيير الأكبر هو أن كل شيء يحدث مباشرة على أجهزة الكمبيوتر الخاصة بالمجموعة. استبدل الفريق الحاجة إلى الخدمات التجارية الخارجية المكلفة بـ نماذج ذات أوزان مفتوحة (open-weight models). تخيل بدلاً من استدعاء مستشار خارجي مشهور ومكلف لحل مشكلة ما، أن لديك مدرساً محلياً بارعاً يعيش في منزلك. هذا المدرس (نموذج الذكاء الاصطناعي) مجاني الاستخدام، وأنت تملك كل الملاحظات التي يدونها. اختار الفريق تحديداً نماذج مثل Qwen3.6-27B للدردشة و Qwen3-VL لرؤية الصور. كما استبدلوا أدوات البحث الخارجية بأدوات محلية، مما يعني أن جزء "محرك البحث" الخاص بالذكاء الاصطناعي يعيش أيضاً في قبو المجموعة، وليس في سحابة شركة. هذا يبقي البيانات الحساسة، مثل الأبحاث غير المنشورة أو الملاحظات الخاصة، بعيدة تماماً عن الإنترنت.

2. منح الذكاء الاصطناعي "عيوناً" (القدرات متعددة الوسائط)
العلم ليس مجرد كلمات؛ بل يتعلق بالرسوم البيانية، وصور النجوم، والمخططات. النظام القديم كان يعاني مع هذه الأمور. أما AquiLLM الجديد فيمكنه الآن "الرؤية". فهو يستخدم نموذجاً متعدد الوسائط يمكنه النظر إلى صورة رسم بياني، وفهم معنى الخطوط، والتحدث عنها تماماً كما يفعل البشر. الأمر يشبه الترقية من روبوت يمكنه فقط قراءة قائمة الطعام إلى روبوت يمكنه النظر إلى الطعام الموجود في الطبق وإخبارك بمذاقه. هذا أمر ضخم للباحثين الذين يحتاجون لمناقشة الأشكال التوضيحية في أوراقهم البحثية دون الحاجة لوصف كل بكسل نصياً.

3. "الذاكرة الشخصية" مقابل "الدفتر المشترك"
أحد أروع الميزات الجديدة هو طبقة الذاكرة. تخيل أنك تجري محادثة مع صديق؛ فأنت لا تريد إعادة شرح قصة حياتك في كل مرة تقول فيها "مرحباً". النظام الجديد يحتوي على نوعين من الذاكرة:

• الحقائق المستقرة: هذه تشبه بطاقة الهوية الدائمة. فهي تتذكر اسمك، وموضوع بحثك المفضل، ونبرة صوتك.
• الذاكرة العرضية (Episodic Memory): هذه تشبه مذكرات دردشاتك الأخيرة. إذا سألت عن تجمع نجمي معين بالأمس، فسيتذكر الذكاء الاصطناعي هذا السياق اليوم.
  ومن المهم ملاحظة أن هذه الذاكرة خاصة بالمستخدم وبالمشروع. وهي لا تختلط مع بيانات الآخرين. يشير البحث إلى أن هذه الذاكرة اختيارية ويجب تفعيلها، لأن تخزين الكثير من المعلومات قد يصبح فوضوياً. وإذا فشلت الذاكرة، يعود النظام ببساطة إلى المستندات، لذا لا يتعطل النظام بالكامل.

4. "المهارات" و"حزم المهارات"
هذه طريقة ذكية لتعليم الذكاء الاصطناعي كيفية عمل فريق محدد. تخيل انضمام متدرب جديد إلى مختبر؛ سيحتاج لمعرفة القواعد المحددة: "دائماً ارسم البيانات باللون الأزرق"، أو "تحقق من هذه القائمة قبل إجراء التجربة". في النظام الجديد، يتم تجميع هذه القواعد في مهارات (Skills). عندما يبدأ باحث دردشة حول مشروع معين، يقوم الذكاء الاصطناعي تلقائياً بتحميل "حزمة المهارات" الخاصة بهذا المشروع. الأمر يشبه ارتداء الذكاء الاصطناعي لقبعة مختلفة اعتماداً على الفريق الذي يتحدث إليه. فريق التحليل الطيفي يحصل على مجموعة تعليمات، وفريق القياس الضوئي يحصل على أخرى، وكل ذلك دون أن يرتبك الذكاء الاصطناعي.

5. "أمين المكتبة الذكي" (تعبئة السياق)
للذكاء الاصطناعي حد في كمية المعلومات التي يمكنه قراءتها في وقت واحد (نافذة السياق). إذا أعطيته مكتبة كاملة، فقد يصاب بالارتباك. أضاف الفريق نظام تعبئة السياق المدرك للأهمية (salience-aware context packing). فكر في هذا كأمين مكتبة فائق الكفاءة يعرف بالضبط أي صفحات من الكتاب هي الأكثر أهمية للسؤال الذي تطرحه. بدلاً من مجرد قص نهاية الكتاب عشوائياً، يقوم النظام بترتيب المعلومات: "هذه الجملة حاسمة"، "هذه الصورة ذات صلة"، "رسالة الدردشة القديمة هذه يمكن تلخيصها". يستخدم النظام أداة تسمى LLMLingua-2 لتقليص النص دون فقدان المعنى، مما يسمح للذكاء الاصطناعي باستيعاب المزيد من المعلومات المهمة في "دماغه" دون أن ينهار.

الواقع المرير: ما الذي لا يزال صعباً؟

المؤلفون صريحون جداً بشأن ما لا يستطيع هذا النظام فعله بعد. هم لا يدعون أنه عصا سحرية.

• إنه نظام هجين: لا يزال النظام مزيجاً من الكود القديم والجديد. بعض الأجزاء تعمل بشكل مثالي على أجهزة الكمبيوتر المحلية، بينما لا تزال أجزاء أخرى معدة للسحابة. هذا يمكن أن يسبب بعض الأعطال الغريبة، مثل تصرف النظام بشكل مختلف اعتماداً على "الوضع" الذي يتواجد فيه.
• تأخر الذاكرة: بما أن تحديثات الذاكرة تتم في الخلفية (للحفاظ على سرعة الدردشة)، فهناك تأخير بسيط. إذا طرحت سؤالاً فور إخبار الذكاء الاصطناعي بشيء جديد، فقد لا يكون قد "سمعك" بعد.
• اختبار "المعرفة الضمنية": اختبر الفريق النظام على وثائق رسمية مثل أوراق علم الفلك، وقد أدى عملاً جيداً. لكنهم يعترفون بأنهم لم يختبروه بالكامل على الأشياء الأكثر فوضوية بعد، مثل رسائل "Slack"، أو محاضر الاجتماعات، أو تعليقات الكود البرمجي. ويقترحون أن التقاط هذا النوع من المعرفة غير الرسمية و"الضمنية" هو التحدي الكبير القادم.
• السرعة مقابل الذكاء: النظام سريع، لكنه أحياناً يضطر للاختيار بين السرعة والدقة. إذا نفدت ذاكرة الكمبيوتر (VRAM)، فعليه إما الإبطاء أو إسقاط بعض المعلومات.

الخلاصة

يعد AquiLLM خطوة كبيرة للأمام في البحث العلمي. إنه يبتعد عن فكرة أن الذكاء الاصطناعي يجب أن يكون "صندوقاً أسود" تملكه الشركات، ويعيد التحكم إلى أيدي الباحثين. من خلال جعل النظام محلياً، ومتعدد الوسائط، وواعياً بالذاكرة، فإنه يحترم خصوصية وسير عمل العلم. يشير البحث إلى أنه رغم عدم كماله، إلا أنه أداة قوية للحفاظ على "الدماغ الجماعي" لمجموعات البحث سليماً، حتى مع رحيل الأعضاء وانضمام آخرين. إنه ليس مشكلة تم حلها نهائياً، ولكنه نموذج أولي واعد جداً لمستقبل العلم التعاوني.