في عالم الذكاء الاصطنا Evaluated المتطور بسرعة، يواجه الباحثون تحديًا مستمرًا: كيف نقيس ما إذا كان برنامج كمبيوتر يفهم حقًا مهمة معقدة، أم أنه يكتفي فقط بتخمين الإجابة الصحيحة. لسنوات، كانت الطريقة القياسية هي أن تطلب من نموذج لغوي واحد تقييم عمل نموذج آخر، أو الاعتماد على حكام بشريين لاختيار أفضل استجابة من قائمة. هذا النهج يعاني من خلل جوهري؛ فهو يشبه أن تطلب من طالب تقييم واجبه المنزلي بنفسه، أو الاعتماد على ذوق شخص واحد للحكم على طبق لمدينة بأكملها. قد يكون المقيم منحازًا، أو متعبًا، أو ببساطة مخطئًا، وغالبًا ما تعتمد النتائج على من يقوم بالتقييم. ولحل هذه المشكلة، بدأ العلماء في بناء معايسات "قابلة للتنفيذ"، حيث لا تكون الإجابة مسألة رأي بل حقيقة يمكن التحقق منها، تمامًا مثل برنامج كمبيوتر يعمل بشكل صحيح أو يتوقف عن العمل. وفي مجال الطهي، يعني هذا الابتعاد عن النقاشات الذاتية حول النكهة والتوجه نحو نظام يمكن فيه حساب جودة مزيج من المكونات بدقة رياضية.

هذا هو أساس "FlavourBench"، وهي دراسة جديدة تعامل التفكير المتعلق بفنون الطهي ليس كفن للنقاش، بل كلغز منطقي يجب حله. لقد بنى الباحثون بيئة مطبخ رقمية متخصصة تسمى "Epicure"، تحتوي على ما يقرب من 1800 مكون، يمثل كل منها مجموعة فريدة من نقاط البيانات التي تصف نكهتها، وقوامها، ومدى توافقها مع غيرها. يعمل هذا النظام كحكم محايد؛ فهو لا يمتلك آراءً، بل يقوم ببساطة بحساب درجة أي مزيج من المكونات بناءً على قواعد صارمة تتعلق بالاحتياجات الغذائية، والتقاليد الإقليمية، وتناغم النكهات. وباستخدام هذا النظام، أنشأ الباحثون معيارًا حيث لا تكون الإجابة "الصحيحة" طبقًا مثاليًا واحدًا، بل مجموعة محددة من ثلاثة مكونات تحقق أعلى درجة ممكنة ضمن سيناريو معين.

وضعت الدراسة 27 من أكثر النماذج اللغوية تقدمًا في العالم تحت الاختبار. حيث قُدم لكل نموذج 534 تحديًا متميزًا. وفي كل تحدٍ، يتلقى النموذج قائمة من ثمانية مكونات ويُطلب منه اختيار أفضل ثلاثة لتشكيل مجموعة متماسكة. تباينت المهام من حيث الصعوبة: بعضها طلب من النماذج إيجاد بدائل لمكون مفقود، وبعضها الآخر طلب إيجاد أفضل رفقاء لمكون غذائي معين، بينما تطلبت مجموعة ثالثة من المهام الالتزام بقيود غذائية صارمة، مثل تجنب المواد شديدة المعالجة. وقبل أن ترى النماذج الأسئلة، قام نظام "Epicure" بحساب الدرجة لكل تركيبة محتملة من ثلاثة مكونات من بين الثمانية الخيارات. وهذا يعني أن هناك 56 إجابة محتملة لكل سؤال، لكل منها درجة محددة مسبقة تتراوح من صفر إلى مائة. لم تكن النماذج تعرف هذه الدرجات؛ بل كان عليها الاعتماد على فهمها الخاص للطعام لاتخاذ الخيار الأفضل.

كشفت النتائج عن تسلسل هرمي واضح بين أشكال الذكاء الاصطناعي. حقق أحد النماذج، واسمه "Grok 4.6"، أعلى متوسط درجات، حيث حصل على 65.1 نقطة من أصل 100. وتبعه عن كثب نماذج من "Google" و"OpenAI"، بدارجات تتراوح بين 65.0 و64.2. وفي الطرف الآخر من الطيف، سجل نموذج يسمى "+Command R" 47.9 نقطة. وقد لاحظ الباحثون بعناية أنه رغم وجود تصنيف، إلا أن الفروق بين العديد من النماذج العليا كانت صغيرة وغير قابلة للتمييز إحصائيًا. في الواقع، من بين جميع الأزواج الممكنة للنماذج الـ 27، أظهر 101 نموذجًا فقط فرقًا واضحًا وجوهريًا في الأداء. وهذا يشير إلى أنه بينما قد تكون بعض النماذج أفضل في هذا النوع المحدد من المنطق المتعلق بالطهي من غيرها، فإن الفجوة بين الأفضل والنموذج الجيد ضيقة جدًا.

ما يجعل هذه الدراسة مهمة بشكل خاص هو كيفية تعاملها مع عدم اليقين. فبدلاً من تقديم قائمة بسيطة من الرابحين والخاسرين، استخدم الباحثون أساليب إحصائية صارمة لإظهار أي الفروق كانت حقيقية وأيها كانت مجرد ضجيج عشوائي. ووجدوا أن النماذج الأعلى أداءً تشكل مجموعة متقاربة حيث لا يمكن تحديد ترتيبها النسبي بشكل قاطع. فعلى سبيل المثال، رغم أن "Grok 4.6" حقق أعلى درجة، إلا أن التحليل الإحصائي أظهر أن أداءه الحقيقي يمكن أن يتداخل مع عدة نماذج أخرى رائدة. هذا النهج يمنع الدقة الزائفة في ادعاء أن أحد النماذج هو "الرقم واحد" مطلقًا بينما تشير البيانات إلى أنها جميعًا تعمل بمستوى متشابه وعالٍ. كما أكدت الدراسة أن النتائج كانت متسقة؛ فعندما قام الباحثون بتشغيل نفس النماذج على لوحة مهام ثانية باستخدام معرفات مهام مختلفة (89 مهمة لكل فئة من مجموعة أخرى)، حافظت التصنيفات على ثباتها، مع وجود ارتباط قوي بين مجموعتي النتائج.

كما سلطت الدراسة الضوء على أن الحصول على درجة إجمالية عالية لا يروي القصة كاملة. فبعض النماذج برعت في إيجاد المكونات التي تتناسب جيدًا مع بعضها البعض، بينما كانت نماذج أخرى أفضل في اتباع القواعد الغذائية الصارمة. قد يكون النموذج خبيرًا في دمج النكهات ولكنه يعاني عندما يُطلب منه تجنب أنواع معينة من الأطعمة المصنعة. هذه التفاصيل الدقيقة تضيع في لوحات الصدارة البسيطة التي تعرض رقمًا واحدًا فقط. ومن خلال تقسيم الأداء إلى فئات مختلفة، أظهر الباحثون أن هذه النماذج تمتلك نقاط قوة مختلفة، تمامًا مثل الطهاة البشر الذين قد يكونون خبراء في الخبز ولكن أقل مهارة في الشواء. كما كشفت البيانات أن النماذج لم تكن تقوم بمجرد حفظ الإجابات؛ بل كانت تتخذ قرارات حقيقية بناءً على المعلومات المقدمة، كما يتضح من حقيقة أنها غالبًا ما اختارت مجموعات مختلفة من المكونات التي لا تزال تحقق درجات عالية.

لقد جعل الباحثون جميع بياناتهم، ومطالباتهم (prompts)، وأدوات التقييم الخاصة بهم متاحة للجمهور، مما يسمح لأي شخص بالتحقق من النتائج أو استخدام النظام لتدريب نماذج جديدة. وتعد هذه الشفافية جزءًا رئيسيًا من مساهمة هذه الدراسة. فمن خلال توفير نظام تكون فيه "الحقيقة الأرضية" ثابتة وقابلة للتنفيذ، فقد خلقوا أداة يمكن استخدامها لتحسين الذكاء الاصطناعي دون الاعتماد على الرأي البشري. وتخلص الدراسة إلى أنه بينما تتحسن هذه النماذج في مهام التفكير المعقدة، إلا أنه لا تزال هناك مساحة للنمو. فحقيقة أن أفضل نموذج سجل 65 من أصل 100 تشير إلى وجود فجوة كبيرة بين الذكاء الاصطناعي الحالي والمثالية في التفكير المتعلق بفنون الطهي. وتمثل هذه الفجوة فرصة للأبحاث المستقبلية لتعليم هذه الأنظمة كيفية اتخاذ قرارات أكثر تطورًا ودقة.

في نهاية المطاف، يقدم "FlavourBench" طريقة جديدة للنظر في قدرات الذكاء الاصطناعي. فهو ينقل النقاش من الجدالات الذاتية حول أي النماذج يبدو أكثر بشرية إلى القياسات الموضوعية لمدى قدرة النموذج على حل مشكلة محددة. ومن خلال استخدام مطبخ رقمي كساحة اختبار، أظهر الباحثون أنه من الممكن تقييم التفكير المعقد بطريقة عادلة وشفافة وقابلة لإعادة الإنتاج. لا تدعي الدراسة أنها حلت مشكلة الذكاء الاصطناعي، لكنها تقدم خطوة واضحة وقابلة للقياس نحو فهم ما يمكن لهذه الأنظمة فعله وما لا يمكنها فعله. ومع استمرار تقدم التكنولوجيا، ستكون معايسات كهذه ضرورية لتتبع التقدم وضمان أن الجيل القادم من النماذج قادر حقًا على التعامل مع تعقيدات العالم الحقيقي.