تخيل أنك تحاول حل أحجية صور مقطوعة (jigsaw puzzle) ضخمة، ولكن بدلاً من وجود طاولة، كانت القطع مبعثرة في مكتبة بحجم مدينة. الآن، تخيل أن لديك مساعداً آلياً ذكياً جداً لمساعدتك. في الأيام الخوالي، كان هذا الروبوت يحاول النظر إلى المكتبة بأكملها في وقت واحد، فيضغط عينيه بقوة لدرجة أنه يصاب بالصداع، ويفقد التفاصيل الصغيرة، وفي النهاية يستسلم أمام الأحجية. هذه هي المشكلة التي تواجه الذكاء الاصطناعي الحالي عندما يحاول قراءة المستندات الطويلة: فإنه يشعر بالارتباك بسبب الكم الهائل من المعلومات، ويفقد تركيزه، ويبدأ في اختلاق أشياء من خياله (وهو خلل يُعرف باسم "الهلوسة") لمجرد ملء الفراغات.

لإصلاح ذلك، يعلم العلماء الذكاء الاصطناعي أن يكون أشبه بمحقق بشري. فبدلاً من التحديق بجمود في صفحة كاملة، يقوم المحقق البشري بالتركيز على دليل محدد، ويقرأ الخط الدقيق، ثم ينتقل إلى الموقع التالي. تقدم هذه الورقة نظام ذكاء اصطناعي جديد يسمى InSight-doc يفعل ذلك بالضبط. فهو لا يتعامل مع عملية "التقريب" (zooming in) كإعداد ثابت، بل كقوة خارقة يمكنه استخدامها كلما احتاج إلى ذلك. يبدأ بالنظر إلى المستند بأكمله من بعيد (بدقة منخفضة)، وفقط عندما يلمح شيئاً مثيراً للاهتمام، يخرج عدسة مكبرة للحصول على رؤية واضحة تماماً وعالية الدقة لذلك الجزء الصغير فقط. بهذه الطريقة، يوفر الطاقة، ويتجنب الارتباك، ويجد الحقيقة دون تخمين.

المحقق مع عدسة مكبرة سحرية

تعرف على InSight-doc، وهو نوع جديد من محققي الذكاء الاصطناعي المصممين لمواجهة كابوس قراءة المستندات الطويلة والمعقدة مثل الأوراق البحثية، أو التقارير المالية، أو العقود القانونية. معظم نماذج الذكاء الاصطناعي اليوم تشبه الطلاب الذين يحاولون قراءة كتاب من 100 صفحة عبر التحديق في نسخة مصورة صغيرة جداً للكل في آن واحد. إنهم يحاولون معالجة كل كلمة وصورة في وقت واحد. وهذا وصفة للكارثة: حيث يصبح الكمبيوتر بطيئاً، وينفد منه الذاكرة، ولأنه يحاول استيعاب الكثير في رأسه في وقت واحد، يبدأ في "التعفن" (وهو مصطلح تقني يعني الارتباك ونسيان ما قرأه للتو). والأسوأ من ذلك، عندما يتعثر، فإنه غالباً ما يخترع إجابة ليبدو ذكياً، وهو سلوك نسميه "الهلوسة".

يقوم InSight-doc بقلب السيناريو. فبدلاً من محاولة ابتلاع الكتاب كله في قضمة واحدة، يتصرف كشاب مراهق يتصفح مجلة. يبدأ بتصفح الصفحات بسرعة بدقة منخفضة—يكفي فقط لرؤية الصور الكبيرة والعناوين. ثم، عندما يلمح فقرة أو رسماً بيانياً يبدو أنه قد يحمل الإجابة، فإنه لا يخمن فحسب؛ بل يستخدم أداة "التقريب" للحصول على قصّة (crop) عالية الدقة وواضحة تماماً لتلك المنطقة المحددة فقط. الأمر يشبه امتلاك عدسة مكبرة سحرية تستخدمها فقط عندما تحتاج حقاً لقراءة الخط الدقيق.

تظهر الورقة أن هذا النهج "من العام إلى الخاص" (coarse-to-fine) هو تغيير جذري لقواعد اللعبة. فمن خلال البدء صغيراً والتقريب فقط عند الضرورة، لا يوفر InSight-doc الوقت فحسب، بل يصبح أكثر ذكاءً بالفعل. في الاختبارات على المستندات الطويلة، قلل من عدد الإجابات "المختلقة" (الهلوسة) بنسبة تزيد عن 40% مقارنة بالنماذج القياسية. كما أصبح أسرع بكثير، حيث قلص الوقت الذي يستغرقه في التفكير والإجابة بنسبة تتراوح بين 41% إلى 68%، كل ذلك مع الحصول على الإجابة الصحيحة بشكل متكرر أكثر.

كيف تعلم التقريب

قد تتساءل، كيف يتعلم الروبوت معرفة متى يقرب وأين ينظر؟ لم يكتفِ الباحثون بإخبار الذكاء الاصطناعي بأن "يكون ذكياً"، بل بنوا له ساحة تدريب ضخمة. لقد أنشأوا مجموعة بيانات خاصة مكونة من 17,900 مثال حيث تم تعليم الذكاء الاصطناعي كيفية التقريب خطوة بخطوة للعثور على الإجابة، تماماً مثل معلم يوضح لطالب كيفية استخدام المجهر. كما أضافوا 19,200 مثالاً صعباً حيث كان على الذكاء الاصطناعي أن يتعلم من خلال التجربة والخطأ (وهي طريقة تسمى التعلم المعزز - Reinforcement Learning) ليعرف أفضل طريقة للبحث عن الأدلة.

من خلال هذا التدريب، تعلم الذكاء الاصطناعي "سلسلة تفكير متعددة الوسائط" (multimodal chain of thought). وهذه طريقة تقنية تعني أنه تعلم التحدث مع نفسه: "همم، الإجابة ليست في الصفحة 1. دعني أقرب على الرسم البياني في الصفحة 5. أوه، ليس هذا أيضاً. دعني أفحص الجدول في الصفحة 12". إنه يبني مساراً من الأدلة، حيث يقرب على أجزاء مختلفة من المستند حتى يمتلك ما يكفي من الإثبات لتقديم إجابة واثقة. وإذا لم يكن لدى المستند الإجابة، فإنه يتعلم أن يقول: "لا أعرف"، بدلاً من اختلاق شيء ما.

النتائج: أسرع، أذكى، وأقل استهلاكاً

اختبرت هذه الورقة هذا المحقق الجديد مقابل بعض أذكى نماذج الذكاء الاصطناعي المتاحة، بما في ذلك النماذج المملوكة لشركات تقنية كبرى. كانت النتائج مبهرة. في اختبارات المستندات القياسية، حسّن InSight-doc الدقة بفارق هائل—يصل إلى 16.4 نقطة مئوية أفضل من النموذج الأساسي عند البدء برؤية منخفضة الدقة.

لكن السحر الحقيقي حدث مع المستندات الأطول والأكثر تعقيداً. فعندما تصبح المستندات طويلة جداً (مئات الصفحات)، تبدأ النماذج القديمة في التعثر وارتكاب الأخطاء. ومع ذلك، ظل InSight-doc هادئاً؛ فقد تمكن من إيجاد الإجابات الصحيحة بينما استخدم 58% أقل من "التوكنز" (tokens) (وهي الوحدات الرقمية لبناء النصوص والصور التي يجب على الكمبيوتر معالجتها). وهذا يعني أنه لم يحصل على الإجابة الصحيحة فحسب، بل فعل ذلك بجزء بسيط من قوة الحوسبة والوقت.

تحقق الباحثون أيضاً مما إذا كان يمكن استخدام هذه المهارة في أشياء أخرى غير المستندات، مثل النظر في الخرط أو المخططات المعقدة. ورغم أنه تم تدريبه في الغالب على المستندات، إلا أن الذكاء الاصطناعي أظهر قدرة على التعميم، حيث حسن أداءه في هذه الألغاز البصرية أيضاً.

ما ليس عليه (وما لا يفعله)

من المهم معرفة ما ليس عليه InSight-doc. فهو ليس عصا سحرية تقرأ عقلك، ولا يعتمد على محرك بحث خارجي ليجد له الصفحات. تحاول بعض أنظمة الذكاء الاصطناعي الأخرى "البحث" عن الصفحة الصحيحة أولاً، مثل استخدام جوجل للعثور على ملف PDF قبل قراءته. أما InSight-doc فيقوم بذلك بالكامل بمفرده، داخل عقله الخاص، دون الحاجة إلى استدعاء مساعد خارجي. وهذا يجعله أسرع وأقل عرضة للضياع إذا اختار محرك البحث الصفحة الخطأ.

كما توضح الورقة أن هذه ليست مشكلة محلولة لكل المواقف. فقد اختبره الباحثون على أنواع محددة من المستندات والأسئلة. لم يدّعوا أنه يعمل بشكل مثالي على كل نوع من الصور أو النصوص في الكون، واعترفوا بأن هناك مجالاً لجعل الأمر أفضل. لم يستخدموا أي حيل رياضية معقدة أو مكونات سرية؛ بل أظهروا فقط أن منح الذكاء الاصطناعي القدرة على "النظر عن قرب" عندما يحتاج إلى ذلك هو فكرة قوية وبسيطة وتعمل بشكل جيد بشكل مدهش.

باختصار، يعلمنا InSight-doc أن الطريقة المثلى أحياناً لرؤية الصورة الكاملة هي التوقف عن محاولة رؤية كل شيء في وقت واحد. فمن خلال تعلم كيفية التقريب على التفاصيل فقط عندما تهم، يمكن للذكاء الاصطناعي أن يصبح شريكاً أكثر موثوقية وكفاءة وأمانة في حل ألغاز المستندات الأكثر تعقيداً في العالم.