تخيل أنك تسير داخل مكتبة ضخمة وصاخبة حيث تُكتب ملايين الكتب في كل ثانية. بعضها يُخط بـأيدٍ بشرية، مليئة بالسمات الشخصية، والأخطاء المطبعية، والقصص الذاتية. والبعض الآخر يتم إنتاجه بواسطة روبوتات فائقة الذكاء تُسمى "نماذج اللغات الكبيرة" (LLMs)، والتي تعلمت محاكاة الكتابة البشرية ببراعة تجعلها تبدو تماماً مثلنا. المشكلة؟ أصبح من الصعب أكثر فأكثر التمييز بينهما. في عالم علوم الحاسوب، هذه هي المعركة من أجل "كشف الذكاء الاصطناائي". لفترة طويلة، حاول العلماء حل هذه المشكلة عبر بناء كواشف بسيطة تعمل بنظام "نعم أو لا"، مثل حارس ملهى ليلي يكتفي بمراجعة قائمة ويقول "بشري" أو "روبوت". لكن هذا النهج فج للغاية؛ فالبشر ليسوا جميعاً متشابهين؛ فالشاعر يكتب بشكل مختلف عن مراسل الأخبار، والروبوت أيضاً يمكنه الكتابة بأساليب متنوعة. إذا حاولت حشر كل تلك الأساليب المختلفة في مجرد سلتين، فستفقد التفاصيل التي تهم حقاً.

هنا يأتي دور فريق جديد من الباحثين من جامعة سيول الوطنية، الذين قرروا التوقف عن استخدام حارس واحد وبناء "فرقة" كاملة من الخبراء. لقد أنشأوا نظاماً يسمى MD-ProTector. فكر في الأمر كوكالة تحريات لا تملك فقط "محققاً بشرياً" واحداً و"محققاً آلياً" واحداً، بل لديها فريق كامل من المتخصصين. هناك محقق بشري خبير في مراجعات المطاعم، وآخر في الأوراق الأكاديمية، وثالث في الدردشة العفوية. وبالمثل، لدى فريق الروبوتات متخصصون يعرفون كيفية رصد الكتابة الناتجة عن الذكاء الاصطناعي التي تشبه المقالات العلمية، أو القصص الإخبارية، أو روايات الفانتازيا. ومن خلال تدريب هؤلاء المتخصصين على التعرف على أنواع محددة من الكتابة بدلاً من مجرد "بشري" أو "روبوت" بشكل عام، يصبح النظام أكثر دقة. وتُظهر الورقة البحثية أن نهج "الفرقة" هذا يعمل بشكل أفضل من نهج "الحارس المنفرد" القديم، خاصة عندما تكون أساليب الكتابة غريبة، أو المواضيع جديدة، أو عندما تحاول الروبوتات خداع النظام.

المشكلة في حارس "النموذج الواحد الذي يناسب الجميع"

لفترة من الوقت، كانت الطريقة القياسية لكشف نصوص الذكاء الاصطناعي هي استخدام مصنف ثنائي بسيط. تخيل أن لديك كيساً ضخماً من الكرات الزجاجية؛ بعضها أحمر (كتبها بشر) وبعضها أزرق (أنتجها الذكاء الاصطناعي). حاولت الطريقة القديمة إيجاد خط واحد في منتصف الكيس للفصل بين الأحمر والأزرق. نجح الأمر بشكل جيد عندما كانت جميع الكرات الحمراء والزرقاء من نفس الدرجة. لكن في الواقع، تأتي الكرات "الحمراء" بدرجات النيون، والباستيل، والقرمزي الداكن، وتأتي الكرات "الزرقاء" بدرجات السماء، والكحلي، والكهربائي. عندما تجبر كل هذه الدرجات المختلفة على الانضواء تحت مجموعتين فقط، يصبح الخط مشوشاً. قد يرتبك الكاشف بسبب كاتب بشري يكتب بأسلوب آلي، أو ذكاء اصطناعي يكتب بأسلوب بشري، لأنه ينظر فقط إلى الفئة العامة، وليس إلى الأسلوب المحدد.

أدرك الباحثون أنه لكي تمسك بالمزيفين، عليك فهم التنوع داخل المجموعات. لا يمكنك الاكتفاء بالقول "هذا بشري"؛ بل يجب أن تعرف أي نوع من الكتابة البشرية هو. ولكن إليك الجزء الصعب: إذا قلت للحاسوب فقط، "هيا، اصنع 8 كواشف بشرية مختلفة"، فقد يتجه الحاسوب نحو حلول متشابهة. قد يصنع 8 كواشف تبدو جميعها متطابقة تماماً، أو قد يحاول جميعها رصد نفس الأنواع القليلة من الكتابة، مما يترك البقية دون حماية. يحتاج الحاسوب إلى طريقة لإجبار كل كاشف على إيجاد وظيفة فريدة له.

الحل: فرقة من المحققين المتخصصين

هنا يأتي دور MD-ProTector. قام الفريق ببناء نظام ينشئ "بنكاً" من النماذج الأولية (Prototypes) لكل من البشر والآلات. "النموذج الأولي" هو مجرد كلمة منمقة لمثال مثالي ومتوسط لأسلوب معين. فبدلاً من نموذج "بشري" واحد ضخم، لديهم بنك يحتوي على 8 نماذج بشرية مختلفة. وبدلاً من نموذج "روبوت" واحد، لديهم 8 نماماذج روبوتية مختلفة.

ولكن كيف يضمنون ألا يقوم هؤلاء الثمانية بنفس الشيء؟ لقد ابتكروا قاعدة تدريب خاصة تسمى تحديد موقع النموذج الأولي (Prototype Positioning).

تخيل أنك تنظم مجموعة من الأصدقاء في رحلة بحث عن الكنز. أنت لا تقول لهم فقط "اذهبوا وابحثوا عن الأشياء"، بل تقول: "أليس، ابحثي عن الأشياء الحمراء؛ وبوب، ابحث عن الأشياء الزرقاء؛ وتشارلي، ابحث عن الأشياء الثقيلة". أنت تعطيهم توجيهات محددة بناءً على ما يجيدونه. في عقل الحاسوب، يحدد الباحثون أولاً ما يشترك فيه جميع النصوص "البشرية" (مركز الفئة أو الـ class hub). ثم ينظرون إلى ما يجعل كل نص محدد مختلفاً عن ذلك المتوسط. هم يخبرون كل نموذج أولي: "لا تقلق بشأن الأشياء المشتركة؛ اذهب وابحث عن التفاصيل الفريدة والمتبقية التي تجعل مجموعتك مميزة".

هذه العملية تجبر النماذج الأولية على الانتشار. قد يتعلم أحد النماذج رصد "الكتابة الأكاديمية التي تحتوي على الكثير من الاستشهادات"، بينما يتعلم نموذج آخر رصد "منشورات المدونات العفوية التي تستخدم اللغة العامية". يصبحون فريقاً متنوعاً، يغطي كل منهم زاوية مختلفة من عالم الكتابة.

ما وجدوه: الفرقة هي المنتصرة

اختبر الباحثون فرقتهم الجديدة ضد طرق "الحارس المنفرد" القديمة باستخدام بعض أصعب الاختبارات المتاحة. لقد ألقوا بكل شيء في وجهها: لغات مختلفة، مواضيع مختلفة، وحتى روبوتات تحاول تحديداً خداع الكواشف عبر تغيير أسلوب كتابتها.

كانت النتائج مبهرة. في اختبار يسمى MAGE CDCM (الذي يخلط بين المجالات والنماذج)، حقق MD-ProTector درجة AvgRec (وهي درجة توازن بين رصد البشر والروبوتات) بلغت 95.14%. وكانت هذه أعلى درجة بين جميع الطرق التي اختبروها. وللمقارنة، فإن طريقة "الحارس المنفرد" القياسية (Binary CE) حققت 90.79% فقط، وطريقة أخرى متقدمة تسمى DeTeCtive حققت 94.84%.

كما اختبروه على RAID، وهو معيار مصمم لمعرفة ما إذا كانت الكواشف يمكنها التعامل مع الهجمات العدائية المعقدة حيث يتم التلاعب بالنص عمداً لإخفاء أصله. وهنا، تصدر MD-ProTector المشهد مرة أخرى بـ AvgRec بلغت 88.18%، متفوقاً على أقرب منافس له بفارق واضح. كما نجح في الحفاظ على "معدل الإيجاب الكاذب" (الخطأ في اعتبار إنسان روبوتاً) منخفضاً للغاية، عند 27.78% فقط، وهو أمر بالغ الأهمية لأنك لا تريد اتهام أشخاص حقيقيين بأنهم روبوتات.

وحتى عندما اختبروه على لغات لم يسبق له رؤيتها (معيار M4)، فقد كان أداؤه جيداً جداً، رغم أنه وجد هذا التحدي تحديداً أصعب من غيره. وهذا يشير إلى أنه بينما تعد "الفرقة" رائعة، إلا أنها لا تزال بحاجة إلى بعض العمل على اللغات الأكثر صعوبة وغير المرئية.

لماذا يهم هذا؟

تشير الورقة البحثية إلى أن مستقبل كشف الذكاء الاصطناعي لا يتعلق ببناء جدار أكبر وأكثر رعباً، بل ببناء فريق أكثر ذكاءً وتنوعاً. من خلال الإقرار بأن "الكتابة البشرية" و"كتابة الذكاء الاصطناعي" ليست مجرد كتل موحدة، بل هي مجموعات من العديد من الأساليب المختلفة، يتمكن MD-ProTector من رؤية التفاصيل التي تفوت الآخرين.

ويلاحظ الباحثون بحذر أن هذا ليس عصا سحرية تحل كل شيء للأبد. فهم يعترفون بأنه إذا أصبحت الروبوتات أكثر ذكاءً أو إذا تغيرت أساليب الكتابة بشكل جذري بمرور الوقت، فقد يحتاج النظام إلى تحديث. ولكن في الوقت الحالي، يبدو أن نهج "فرقة المتخصصين" هذا هو الطريقة الأكثر فعالية التي نمتلكها للحفاظ على نزاهة مكتبتنا الرقمية، وضمان معرفة من كتب القصة حقاً عندما نقرأها.