Large Language Models and their Awareness of Mechanics and Spatial Geometry
تقدم هذه الورقة MecEng، وهو معيار مؤتمت بالكامل يقيم الوعي بالهندسة الميكانيكية لـ 34 نموذجاً من النماذج اللغوية الكبيرة عبر اختبار قدرتها على توليد نماذج أنظمة متعددة الأجسام جاهزة للمحاكاة من أوصاف نصية، مما يكشف أنه بينما تظهر النماذج الحالية تحسناً سريعاً ومعدلات نجاح عالية في مهام الأجسام الصلبة، إلا أنها لا تزال تواجه صعوبة في الأنظمة متعددة الأجسام المرنة والمعقدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً لا تُبنى فيه الآلات فقط بواسطة مهندسين يمتلكون المخططات والمفاتيح، بل تُصمم أيضاً بواسطة حواسيب يمكنها قراءة جملة وفهم كيفية عمل العالم المادي. لعقود من الزمن، كانت الحواسيب بارعة في معالجة اللغة، أو ترجمة النصوص، أو كتابة أكواد برمجية بسيطة. ومع ذلك، ظهرت حدود جديدة: هل يمكن لأنظمة الذكاء الاصطناعي هذه أن تستوعب حقاً قوانين الفيزياء؟ وتحديداً، هل يمكنها فهم الميكانيكا — دراسة كيفية تحرك الأجسام الصلبة وانحنائها وتفاعلها — والهندسة المعقدة المطلوبة لبنائها؟ هذا هو السؤال الذي سعى الباحثون في جامعة إنسبورك وجامعة أوغسبورغ للإجابة عليه. لقد أرادوا معرفة ما إذا كان بإمكان الذكاء الاصطناعي الحديث أن يأخذ وصفاً مكتوباً لآلة، مثل رافعة أو ذراع روبوت، ويحولها إلى محاكاة رقمية تعمل وتلتزم بنفس قواعد الحركة والقوة التي يلتزم بها جسم في العالم الحقيقي.
ولمعرفة ذلك، أنشأ الفريق اختباراً صارماً يسمى MecEng، وهو معيار مؤتمت بالكامل صُمم لتحدي الذكاء الاصطناعي في مهام الهندسة الميكانيكية. قام الباحثون بتغذية النماذج اللغوية الكبيرة، وهي أنظمة الذكاء الاصطناعي القوية التي تقف وراء العديد من برامج الدردشة الحديثة، بسلسلة من الأوصاف النصية تتراوح من الإعدادات البسيطة إلى الآلات المعقدة. تضمنت هذه الأوصاف تفاصيل حول الكتلة، والحجم، والمفاصل، وكيفية اتصال الأجزاء المختلفة ببعضها البعض. كانت مهمة الذكاء الاصطناعي هي كتابة الكود البرمجي المحدد اللازم لبناء نموذج رقمي لتلك الآلة. وكان التحدي هو ضرورة أن يكون النموذج مثالياً؛ فلم يكن كافياً أن ينتج الذكاء الاصطناعي رسماً تخطيطياً تقريبياً أو صورة جذابة بصرياً، بل كان عليه توليد محاكاة دقيقة رياضياً يمكنها العمل دون تعطل وإنتاج السلوك الفيزيائي الصحيح. ثم قارن الباحثون عمل الذكاء الاصطناعي بالنماذج "الحقيقية" التي بناها الخبراء، حيث فحصوا كل شيء بدءاً من شكل الأجزاء وصولاً إلى طريقة حركتها بمرور الوقت.
كشفت النتائج عن مشهد من التقدم السريع الممزوج بالقيود المستمرة. فعندما تضمنت المهام آلات صلبة بسيطة — وهي الأجسام التي لا تنحني أو تتمدد، مثل بندول متأرجح أو مجموعة من القضبان المتصلة — أظهرت أفضل نماذج الذكاء الاصطناعي أداءً ملحوظاً. حقق أقوى نموذج تجاري، Claude-Opus-4.8، معدل نجاح بلغ 91.4%، بينما وصل أفضل نموذج مفتوح الأوزان، qwen3.6:27b، إلى 82.1%. يشير هذا إلى أن هذه الأنظمة قد طورت حدساً قوياً للمفاهيم الميكانيكية الأساسية؛ إذ يمكنها تحديد الأجزاء المطلوبة بشكل صحيح، وكيفية ربطها، وكيفية تعيين الخصائص الفيزيائية مثل الوزن والصلابة.
ومع ذلك، زادت الصعوبة بشكل حاد عندما أدخل الباحثون عامل المرونة. ففي العالم الحقيقي، تنحني العديد من أجزاء الآلات وتلتوي وتتشوه تحت الضغط، مثل شفرة توربينات الرياح أو ذراع الروبوت المرنة. ولمحاكاة هذه الأجزاء، لم يكن على الذكاء الاصطناعي وصف الشكل فحسب، بل كان عليه أيضاً توليد شبكة ثلاثية الأبعاد مفصلة — وهي عبارة عن شبكة رقمية من المثلثات الصغيرة التي تحدد حجم الجسم — ثم حساب كيفية اهتزاز هذا الشكل وحركته. وهنا، انخفض الأداء بشكل كبير؛ فبينما تمكنت أفضل النماذج التجارية من إنشاء أجزاء صحيحة في حوالي 82% من الحالات، انخفض معدل النجاح في تجميع هذه الأجزاء المرنة في محاكاة كاملة لآلة عاملة إلى حوالي 65% لأفضل النماذج. أما النماذج مفتوحة الأوزان فقد عانت أكثر، حيث اقترب متوسط معدل النجاح للمجموعة من 25% في التجميعات الأكثر تعقيداً، رغم أن نماذج فردية مثل gemma4:26b كان أداؤها أسوأ بكثير بنسبة 5% فقط.
وقد حددت الدراسة بدقة المواضع التي يميل الذكاء الاصطناعي فيها إلى الفشل. فالأمر لا يتعلق عادةً بنقص في فهم الصورة الكبيرة؛ إذ تعرف النماذج بشكل عام كيف ينبغي أن يبدو شكل الآلة. بدلاً من ذلك، غالباً ما تكمن الأخطاء في التفاصيل الدقيقة. قد يحصل الذكاء الاصطناست على الشكل العام للجزء بشكل صحيح، لكنه قد يغفل عن شطفة (chamfer) معينة، أو قد يخصص كثافة مادية خاطئة، مما يؤدي إلى حسابات وزن غير صحيحة. وفي بعض الحالات، قد يولد الذكاء الاصطناعي نموذجاً يبدو صحيحاً ولكنه يحتوي على خطأ هندسي طفيف يتسبب في تعطل المحاكاة أو إنتاج فيزياء مستحيلة. ووجد الباحثون أن هذه الأخطاء لم تكن عشوائية، بل كانت تنبع غالباً من فشل الذكاء الاصطناعي في اتباع تعليمات محددة حول كيفية ترتيب الأجزاء أو كيفية تعريف الاتصالات بينها.
ومن المثير للاهتمام، اكتشف الباحثون أن الطريقة التي يتم بها توجيه الذكاء الاصطناعي (prompting) كانت أقل أهمية من القدرات الجوهرية للنموذج. إن تغيير صياغة التعليمات أو مطالبة الذكاء الاصطناعي بـ "التفكير" في المشكلة خطوة بخطوة ساعد في بعض الحالات، ولكنه أدى أيضاً إلى زيادة هائلة في الوقت وقوة الحوسبة المطلوبة للحصول على إجابة. وبالنسبة للمهام الأكثر تعقيداً، أدت عملية "التفكير" أحياناً إلى جعل الذكاء الاصطناعي أبطأ دون ضمان نتيجة أفضل. كما أظهرت الدراسة اتجاهاً واضحاً بمرور الوقت: فالنماذج الأحدث، الصادرة في عامي 2025 و2026، تفوقت باستمرار على النماذج الأقدم، مما يشير إلى أن القدرة على فهم الهندسة الميكانيكية تتحسن بسرعة مع تدريب هذه الأنظمة على المزيد من البيانات.
وعلى الرغم من الخطوات المثيرة للإعجاب، خلص الباحثون إلى أن الذكاء الاصطناعي الحالي ليس جاهزاً بعد لاستبدال المهندسين البشر في أعمال التصميم المعقدة. فبينما يمكن لهذه الأنظمة التعامل مع الآلات البسيطة بموثوقية عالية، إلا أنها تظل عرضة لأخطاء دقيقة وصعبة الكشف عند مواجهة الهندسة المعقدة وفيزياء الأنظمة المرنة. تسلط الدراسة الضوء على أنه بينما تعلم الذكاء الاصطناعي محاكاة لغة الهندسة، فإنه لم يستوعب تماماً بعد القوانين الفيزيائية التي تحكم العالم الحقيقي. إن الطريق إلى الأمام يتطلب صقل هذه النماذج لتقليل تلك الأخطاء الصغيرة ولكن الحرجة، ونقلها من كونها مساعدين قادرين إلى شركاء موثوقين في تصميم الآلات التي ستشكل مستقبلنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.