تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث في مسرح جريمة، أنت تنظر إلى شارع مزدحم في مدينة، أو مدينة ملاهٍ صاخبة، أو لوحة دوائر إلكترونية دقيقة. لفترة طويلة، علم علماء الكمبيوتر الروبوتات كيف تكون محققين بارعين باستخدام التقارير المكتوبة فقط. كانوا يقدمون للروبوت وصفاً مثل "منتزه مزدحم بالناس يركضون"، ويحاول الروبوت تخمين نوع العمل التجاري الذي يمكن البداً به هناك. ولكن تكمن المشكلة هنا: الوصف المكتب يشبه رسماً تخطيطياً باهتاً باللونين الأبيض والأسود؛ فهو يفتقر إلى لون السماء، أو الدوامة الفوضوية للحشود، أو الملمس المحدد للمواد. في العالم الحقيقي، غالباً ما تكون أهم الأدلة هي الأشياء التي يمكنك رؤيتها ولكن لا يمكنك التعبير عنها بسهولة بالكلمات. يغوص هذا البحث في الزاوية المثيرة من الذكاء الاصطناعي حيث تتعلم الحواسيب كيفية النظر إلى الصور والنصوص معاً لتخيل أفكار تجارية جديدة، متجاوزةً مجرد قراءة قائمة من الحقائق.

أدرك الباحثون وراء هذه الدراسة، MBA، أنه بينما يتحسن الذكاء الاصطناعي في الكتابة، إلا أنه لا يزال "أخرق" قليلاً في "رؤية" الفرص التجارية. لقد بنوا ساحة تدريب ضخمة تسمى MBA-Bench، وهي تشبه مكتبة عملاقة تضم 30,000 لقطة من العالم الحقيقي. كل لقطة ليست مجرد صورة؛ بل هي قطعة أحجية كاملة تحتوي على الصورة، والوصف، وسؤال تجاري محدد (مثل "كيف يمكننا توفير المال هنا؟")، وبيانات السوق الواقعية. اختبروا وكلاء الذكاء الاصطناعي الجدد لديهم، والذين أطلقوا عليهم اسم MBA-b و MBA-k، مقابل النماذج الأقدم التي تقرأ الأوصاف النصية فقط. كانت النتائج نقطة تحول جذري: فمن خلال السماح للذكاء الاصطناعي بـ النظر فعلياً إلى الصورة، أنتج الوكلاء الجدد أفكاراً تجارية أكثر إبداعاً وعملية بشكل ملحوظ. في الواقع، تفوقوا على النماذج التي تعتمد على النصوص بفارق هائل — أحياناً بأكثر من 70% — بل ونافسوا بعض الحواسيب الخارقة "مغلقة المصدر" والأكثر تكلفة.

المشكلة: المستشار التجاري "الأعمى"

تخيل أنك استأجرت مستشاراً تجارياً لمساعدتك في بدء شركة. إذا أعطيته فقط ملاحظة مكتوبة تقول: "هناك حشد من الناس"، فقد يقترح عليك بيع عصير ليمون تقليدي. ولكن إذا عرضت عليه صورة لذلك الحشد نفسه، فقد يلاحظ أن الجميع يرتدون معاطف شتوية ثقيلة، ويرتجفون، وينظرون إلى نافورة مغلقة وجليدية. فجأة، تتغير الفكرة: ربما عربة الشوكولاتة الساخنة أو المأوى المدفأ هو الرابح الحقيقي.

هذه هي الفجوة التي يعالجها البحث تماماً. كانت أنظمة الذكاء الاصطساي السابقة مثل ذلك المستشار الأعمى. لقد اعتمدوا على "التسميات التوضيحية" (Captions) — وهي أوصاف نصية للصور. ولكن كما وجد المؤلفون، فإن التسميات التوضيحية سيئة جداً في التقاط التفاصيل المعقدة والفوضوية للعالم الحقيقي. قد تقول التسمية "حشد"، لكنها تغفل عن كثافة الحشد، أو اتجاه سير الناس، أو الملمس الغريب لمادة ما. يجادل البحث بأنه إذا كنت تريد توليد أفكار تجارية مبتكرة حقاً، فلا يمكنك الاكتفاء بقراءة القائمة؛ بل يجب عليك رؤية المطبخ.

الحل: ساحة تدريب جديدة ووكيلان جديدان

لإصلاح ذلك، بنى الفريق MBA-Bench. فكر في هذا كأنه مستوى لعبة فيديو ضخم وعالي التقنية مصمم خصيصاً لتدريب الذكاء الاصطناعي على الأعمال. لم يكتفوا بجلب صور عشوائية؛ بل قاموا بتنسيق 2,000 صورة عبر ستة "عوالم" أو مجالات محددة حيث تهم التفاصيل البصرية:

1. عام: مشاهد يومية مثل المتنزهات أو المكاتب.
2. التخطيط المكاني: شاشات تطبيقات الهاتف المحمول المزدحمة حيث يهم مكان وضع الأزرار.
3. الازدحام: مشاهد بها الكثير من الناس يتحركون.
4. الحالة البصرية: صور تظهر عيوباً صغيرة أو عيوباً في السطح.
5. الشكل والملمس: لقطات قريبة لمواد مثل الصوف أو القماش.
6. الميزات التقنية: لقطات تفصيلية للوحات الدوائر الكهربائية والأسلاك.

لكل صورة، لم يكتفوا بكتابة تسمية توضيحية. بل استخدموا ذكاءً اصطناعياً ذكياً (GPT-4o) ليعمل كباحث سوق. نظر الذكاء الاصطناعي إلى الصورة، وسأل الإنترنت عن بيانات حقيقية (باستخدام محرك بحث يسمى DuckDuckGo)، ثم ولد خمس "أفكار مرجعية" لثلاث زوايا تجارية مختلفة: توفير المال، استخدام تقنيات جديدة، أو تحسين تجربة المستخدم. خلق هذا مجموعة بيانات مكونة من 30,000 مثال عالي الجودة ليتعلم منها الذكاء الاصطناعي.

بعد ذلك، بنوا وكيلين خاصين للذكاء الاصطناعي للعب هذه اللعبة:

• MBA-b (الوكيل الأعمى): تم تدريب هذا الوكيل للمواقف التي لا يعرف فيها معايير التقييم الدقيقة. ويركز على هدفين كبيرين: الإبداع (هل الفكرة جديدة ومختلفة؟) و الجدوى (هل هي ممكنة فعلياً ومبنية على الواقع؟).
• MBA-k (الوكيل العارف): تم تدريب هذا الوكيل عندما يعرف المعايير المحددة التي سيتم تقييمه بناءً عليها. وهو يعمل على تحسين ثمانية مقاييس مختلفة، بما في ذلك المعياران المذكوران أعلاه بالإضافة إلى ستة أبعاد تجارية أخرى مثل "الميزة التنافسية" و "حجم السوق".

كيف تعلموا: "المدرب" و "القاضي"

كانت عملية التدريب تشبه فريق رياضي يستعد للأولمبياد. أولاً، استخدموا طريقة تسمى SFT (الضبط الدقيق الخاضع للإشراف). تخيل مدرباً يري اللاعب (الذكاء الاصطناعي) فيديو لحركة مثالية (الأفكار المرجعية) ويقول له: "افعل هذا بالضبط". تدرب الذكاء الاصطناعي على تقليد هذه الحركات حتى أتقن الأساسيات.

لكن التقليد وحده لا يكفي للابتكار الحقيقي. لذا، انتقلوا إلى المرحلة الثانية: GRPO (تحسين السياسة النسبي للمجموعات). وهنا تصبح الأمور ممتعة. فبدلاً من مجرد التقليد، طُلب من الذككاء الاصطناعي توليد مجموعة من أربع أفكار مختلفة في آن واحد. بعد ذلك، قام "قاضٍ" (ذكاء اصطناعي شديد الذكاء) بالنظر في الأفكار الأربعة جميعها وقارن بينها. إذا كانت إحدى الأفكار أكثر إبداعاً أو أكثر واقعية من غيرها، فإنها تحصل على "مكافأة". تعلم الذكاء الاصطناعي تعديل استراتيجيته للحصول على المزيد من المكافآت، مما علمه أساساً كيف يكون أكثر إبداعاً وعملية دون الحاجة إلى إنسان ليقيم كل إجابة.

النتائج: الرؤية هي التصديق

عندما وضع الفريق وكلاءهم الجدد تحت الاختبار، كانت النتائج واضحة. عانت النماذج "النصية فقط" (التي تقرأ التسميات التوضيحية فقط) بشدة، خاصة في المجالات المعقدة مثل "الازدحام" أو "الميزات التقنية"؛ فقد فاتتها الإشارات البصرية التي تجعل الفكرة التجارية قابلة للتطبيق.

أما النماذج متعددة الوسائط (التي تستطيع رؤية الصورة) فقد كان أداؤها أفضل بكثير، لكن وكلاء المؤلفين الجدد، MBA-b و MBA-k، كانوا هم الأبطال.

• تفوق MBA-b على النموذج النصي المرجعي بنسبة 63.9% وعلى النموذج متعدد الوسائط المرجعي بنسبة 25.6%.
• كان MBA-k أقوى، حيث تفوق على النموذج النصي المرجعي بنسبة 77.1% وعلى النموذج متعدد الوسائط المرجعي بنسبة 35.8%.

ولعل الأمر الأكثر إثارة للإعجاب هو أن MBA-k قدم أداءً يقارب أداء أكثر النماذج "مغلقة المصدر" قوة وتكلفة (مثل GPT-5 أو Gemini) التي تحتفظ بها شركات التكنولوجيا الكبرى كأسرار. وهذا يشير إلى أنه مع التدريب والبيانات الصحيحة، يمكن للنماذج مفتوحة المصدر أن تنافس العمالقة.

ما لم يجدوه (وما هو قادم)

يشير البحث بحذر إلى ما لم يحلونه. لا يزال الذكاء الاصطناعي لا يستطيع "سماع" ضجيج شارع مزدحم أو "شم" رائحة مخبز؛ فهو يرى ويقرأ فقط. كما أشار المؤلفون إلى أن الذكاء الاصطناعي لا يعرف من هو رائد الأعمال. فالفكرة العظلة لملياردير قد تكون مستحيلة لطالب جامعي، لكن النظام الحالي يعامل الجميع بالتساوي.

علاوة على ذلك، تظهر الدراسة أنه بينما يتحسن الذكاء الاصطناعي في رصد الفرص التجارية، فإنه لا يزال يواجه صعوبة أحياناً في "الصلاحية التقنية" (التفاصيل الدقيقة حول ما إذا كانت التقنية تعمل بالفعل) مقارنة بإبداعه. يقترح المؤلفون أن العمل المستقبلي يجب أن يتضمن الفيديو (لرؤية الحركة) وملفات تعريف المستخدم الشخصية لجعل هذه الأفكار جاهزة حقاً للعالم الواقعي.

باختصار، يثبت هذا البحث أنه إذا كنت تريد للذكاء الاصطناعي أن يكون مفكراً تجارياً عظيماً، فعليك أن تجعله يرى العالم، لا أن يكتفي بالقراءة عنه فقط. من خلال منح الذكاء الاصطناعي عيوناً وعقلاً يمكنه ربط الصور ببيانات السوق، نحن نقترب خطوة من الآلات التي يمكنها مساعدتنا في تخيل الشيء الكبير القادم.