Beyond Task Intelligence: Artificial Intelligence, Embodied Robotics, and the Epistemic Limits of Machine Cultural Understanding

تخيل عالماً تستطيع فيه الآلات الركض بسرعة تفوق أسرع عداء بشري، ومع ذلك لا تزال تكافح لالتقاط كابل بسيط دون إسقاطه. هذه ليست قصة عن فشل الروبوتات، بل عن لغز أعمق في كيفية قياسنا للذكاء. اليوم، تستطيع أنظمة الذكاء الاصطناعي كتابة مقالات بليغة، وترجمة اللغات، واسترجاع الحقائق من مكتبات ضخمة من النصوص بسرعة مذهلة. يتم اختبارها في مهام محددة، مثل حل المسائل الرياضية أو تحديد الأشياء في الصور، وغالباً ما تفوز في هذه الاختبارات. لكن الفوز باختبار محدد لا يعني أن الآلة تفهم حقاً العالم الذي تعمل فيه. السؤال الذي يواجه العلماء والباحثين لم يعد هل تستطيع الآلة أداء مهمة ما، بل هل يمكنها فهم السياق، والتاريخ، والعلاقات الإنسانية التي تمنح تلك المهمة معناها. هذا هو الفرق بين اتباع مجموعة من التعليمات بدقة، وبين معرفة متى لم تعد تلك التعليمات منطقية.

تستكشف مراجعة منهجية جديدة أعدها برودهفي كومار كانيداري من جامعة لوفبرا (Loughborough University) هذه الفجوة بين "الأداء" و"الفهم". تجادل الورقة بأنه بينما تصبح الآلات بارعة للغاية في وظائف محددة وقابلة للقياس، فإنها غالباً ما تفتقر إلى نوع أعمق من المعرفة التي يعتبرها البشر أمراً بديهياً. هذه المعرفة الأعمق لا تتعلق فقط بامتلاك المعلومات؛ بل تتعلق بمعرفة كيف تتناسب تلك المعلومات مع زمن ومكان وثقافة محددة. يقترح المؤلف أننا بحاجة إلى التوقف عن الحكم على الذكاء الاصطناعي فقط بناءً على مدى جودة تسجيله في الاختبارات القياسية، والبدء في التساؤل عما إذا كان بإمكانه التعامل مع الطبيعة الفوضوية، وغير اليقينية، والمتناقضة في كثير من الأحيان للحياة البشرية.

تبدأ الورقة بالنظر في مثال صارخ من "ألعاب الروبوتات البشرية العالمية لعام 2026". في هذه الفعاليات، ركضت روبوتات مثل "تيانغونغ ألترا" (Tiangong Ultra) مسافة 100 متر في 8.64 ثانية، متفوقة على الرقم القياسي العالمي للبشر البالغ 9.58 ثانية والذي يحمله يوسين بولت. هذه الآلات سريعة وفعالة للغاية في الجري، ومع ذلك، غالباً ما تكافح نفس هذه الروبوتات في مهام يومية أبسط بك mucho، مثل توصيل كابل أو التعامل مع طرد في بيئة متغيرة. يشير المؤلف إلى أن الجري هو "مسألة مغلقة": المضمار مسطح، والمسافة ثابتة، والهدف واضح. أما توصيل الكابل، فبالمقابل، هو "مسألة مفتوحة"؛ إذ يجب على الروبوت أن يشعر بشكل القابس، ويستشعر مقاومة المقبس، ويعدل قبضته إذا تحرك الكابل. يجب عليه أن يتكيف مع عالم ليس مصمماً له بدقة. يمكن للروبوت أن يفوز بالسباق، لكنه لا يعرف بعد كيف يتنقل في العالم.

يظهر هذا النمط نفسه في عالم اللغة والثقافة. فنماذج اللغات الكبيرة، وهي الأنظمة التي تقف وراء العديد من برامج الدردشة الآلية الحديثة، يمكنها استرجاع الاقتباسات الأدبية أو تلخيص الأحداث التاريخية بسرعة تفوق أي باحث بشري. ومع ذلك، عندما تُسأل عن تفسير طقس ثقافي أو شرح عرف اجتماعي، غالباً ما ترتكب هذه الأنظمة أخطاءً تكشف عن نقص في الفهم الحقيقي. قد تقدم شرحاً مكتوباً بجمال لتقليد ما، لكنه خاطئ من الناحية الواقعية، أو قد تكرر صوراً نمطية ضارة عن مجموعة من الناس لأن تلك الصور النمطية شائعة في البيانات التي تدربت عليها. تشير الورقة إلى أن هذه الأنظمة يمكنها استرجاع المعلومات، لكنها غالباً ما تفشل في فهم "الوصف الكثيف" للثقافة (thick description)—وهي الفكرة القائلة بأن الفعل نفسه يمكن أن يعني أشياء مختلفة اعتماداً على من يقوم به، وأين يحدث، وما هو التاريخ الذي يحمله.

يقدم المؤلف ثلاثة طرق متميزة لقياس الذكاء لتوضيح هذه المشكلة. الأول هو "الكفاءة في المهمة" (task competence)، والتي تسأل عما إذا كانت الآلة تستطيع أداء عملية محددة، مثل الجري في سباق أو إيجاد كلمة. والثاني هو "الكفاءة السياقية" (contextual competence)، والتي تسأل عما إذا كانت الآلة لا تزال قادرة على الأداء الجيد عندما يتغير الموقف، مثل عندما تختلف اللغة، أو يصبح التاريخ معقداً، أو تكون البيئة الفيزيائية غير متوقعة. والثالث وهو الأكثر صعوبة هو "الكفاءة الإبستيمية" (epistemic competence)؛ وهذا يسأل عما إذا كانت الآلة تعرف متى لا تملك معلومات كافية لتقديم إجابة، أو إذا كان بإمكانها إدراك متى يكون السؤال نفسه معيباً. الذكاء الاصطناعي الحالي جيد جداً في النوع الأول من الكفاءة، لكنه غالباً ما يفشل في النوعين الثاني والثالث. يمكنه تقديم إجابة واثقة حتى عندما تكون الأدلة مفقودة، أو عندما يكون الموضوع معقداً للغاية بالنسبة لتفسير واحد بسيط.

إحدى القضايا الأكثر خطورة التي سلطت الورقة الضوء عليها هي مشكلة "الاستشهادات المهلوسة" (hallucinated citations). في البحث الأكاديمي، الاستشهاد هو مرجع لمصدر يثبت نقطة ما. ومع ذلك، تقوم هذه الأنظمة أحياناً باختراع مصادر تبدو حقيقية ولكنها غير موجودة، أو تستشهد بكتب حقيقية لكنها تدعي أن تلك الكتب تقول أشياء لم تقلها أبداً. هذا أمر خطير لأنه يكسر سلسلة الأدلة. في العلوم الإنسانية، تُبنى المعرفة على سلسلة من الوثائق والأرشيفات والتفسيرات. وإذا وضعت الآلة رابطاً مزيفاً في تلك السلسلة، فإن الهيكل بأكمله يمكن أن ينهار. تجادل الورقة بأن هذا ليس مجرد "خطأ برمجياً" (bug) يمكن إصلاحه ببيانات أفضل؛ بل هو اختلاف جوهري بين كيفية معالجة الآلات للمعلومات وكيفية بناء البشر للمعرفة. البشر يعرفون متى يتوقفون ويقولون: "أنا لا أعرف"، أو "هذا المصدر غير موثوق". أما الآلات، المدفوعة لإكمال المهمة، فغالباً ما تمضي قدماً بإجابة واثقة ولكن خاطئة.

كما تفحص المراجعة كيفية تعامل هذه الأنظمة مع الثقافة والتمثيل. فعندما يُطلب منها توليد صور لأشخاص من ثقافات محددة، تعتمد هذه الأنظمة غالباً على الصور النمطية. على سبيل المثال، عند توليد صور لأشخاص من الهند، قد يظهر النظام باستمرار أفراداً من الطبقات العليا في بيئات حديثة، بينما يصور أفراد الطبقات الدنيا فقط في مشاهد الفقر أو الاحتجاج. يحدث هذا لأن النظام يتعلم من الأنماط الموجودة في البيانات، وتلك الأنماط غالباً ما تعكس انحيازات تاريخية. والنتيجة هي صورة تبدو معقولة ولكنها في الواقع تشويه للواقع. تشير الورقة إلى أن الصورة المقنعة ثقافياً يمكن أن تكون "فشلاً إبستيمياً"، مما يعني أنها تفشل في تمثيل حقيقة الثقافة التي تدعي تمثيلها.

يقترح المؤلف أننا بحاجة إلى طريقة جديدة لاختبار الذكاء الاصطناعي، واحدة تتجاوز الدرجات البسيطة. فبدلاً من مجرد السؤال عما إذا كانت الآلة تجيب على سؤال ما بشكل صحيح، ينبغي لنا أن نسأل عما إذا كان بإمكانها التعامل مع تغيرات السياق. هل يمكنها لا تزال فهم قصة إذا تغير العصر التاريخي؟ هل يمكنها إدراك متى لا يوجد ترجمة مباشرة لمصطلح ثقافي؟ هل يمكنها الاعتراف بأن سؤالاً ما مبني على افتراض خاطئ؟ تقترح الورقة أن الاختبارات المرجعية المستقبلية يجب أن تتضمن اختبارات "الاضطراب" (perturbation tests)، حيث يقوم الباحثون بتغيير ظروف المهمة عمداً لمعرفة ما إذا كان النظام سينهار. كما يجب عليهم اختبار "الامتناع الإبستيمي" (epistemic abstention)، أي مكافأة النظام على معرفة متى لا يملك معلومات كافية للإجابة.

يتطلب هذا النهج الجديد شراكة بين علماء الحاسوب وعلماء العلوم الإنسانية، مثل المؤرخين والأنثروبولوجيين ونقاد الأدب. لقد قضت هذه المجالات قروناً في دراسة كيفية إنشاء المعرفة، وكيفية تشكل الفئات، وكيف تؤثر السلطة على ما نعتبره حقيقة. تجادل الورقة بأن هؤلاء العلماء لا ينبغي أن يكونوا مجرد نقاد للتكنولوجيا، بل مشاركين نشطين في تصميمها. يمكنهم المساعدة في تحديد ما يعنيه أن تكون الآلة "كفؤة ثقافياً"، ويمكنهم المساعدة في بناء اختبارات تكشف الانحيازات والقيود الخفية للأنظمة الحالية.

تخلص الورقة إلى أن مستقبل الذكاء الاصطناعي لا يتعلق ببناء آلات أسرع أو أقوى، بل ببناء أنظمة أكثر قدرة على المساءلة. إن النظام الذكي حقاً لا ينبغي أن يكون قادراً فقط على حل مشكلة ما؛ بل يجب أن يكون قادراً على فهم المشكلة نفسها. يجب أن يعرف متى يكون السؤال غير عادل، أو متى تكون الفئة عتيقة، أو متى يكون التمثيل ضاراً. يجب أن يكون قادراً على إدراك حدود معرفته. تقترح الورقة أن العلوم الإنسانية هي المكان الأمثل لاختبار هذه القدرات، لأنها تتعامل مع الأشياء التي تكافح الآلات معها: الغموض، والتاريخ، والشبكة المعقدة للعلاقات البشرية.

في نهاية المطاف، الهدف ليس جعل الآلات تتصرف تماماً مثل البشر، بل خلق أنظمة يمكنها العمل بمسؤولية إلى جانبنا. وهذا يعني تطوير آلات يمكنها التمييز بين الحقيقة والرأي، وبين الصورة النمطية والواقع، وبين التخمين الواثق والحقيقة المدعومة بالأدلة. تقترح الورقة أنه إذا تمكنا من تحقيق ذلك، فسنكون قد انتقلنا من مجرد أداء المهام إلى شكل من أشكال الذكاء العام والمفيد حقاً. إن الرحلة القادمة لا تتعلق فقط بهندسة روبوتات أفضل أو برمجيات أذكى؛ بل تتعلق بإعادة التفكير فيما يعنيه أن تعرف شيئاً ما في عالم يتغير باستمرار. الخطوة الأكثر أهمية هي ضمان أنه بينما تزداد هذه الأنظمة قدرة، فإنها تصبح أيضاً أكثر تواضعاً، مدركة أن بعض الأسئلة تتطلب ما هو أكثر من مجرد إجابة.