يقول الباحثون إن على الذكاء الاصطناعي أن يُنجز المهام، لا أن يجيب عن المطالبات فقط

من روبوت محادثة إلى “زميل رقمي”

تطرح ورقة مراجعة جديدة من مختبر Youtu التابع لـTencent وعدة جامعات صينية حجة واضحة بشأن المرحلة التالية من الذكاء الاصطناعي: الإجابات الأفضل ليست كافية. إذا كانت أنظمة الذكاء الاصطناعي ستعمل كزملاء حقيقيين في العمل، كما يقول الباحثون، فعليها أن تتجاوز مجرد توليد الردود وأن تُنجز المهام كاملة بشكل موثوق داخل بيئات عمل دائمة.

هذا التحول، الذي وصفه تقرير في 28 يونيو من The Decoder، يعيد صياغة أحد الأسئلة المركزية في تطوير الذكاء الاصطناعي. لم تعد المسألة فقط ما إذا كان النموذج قادرًا على إنتاج رد أكثر سلاسة أو دقة. بل ما إذا كان بإمكانه فهم نية المستخدم، والتفاعل مع الأدوات والملفات، والتكيف مع الظروف غير المتوقعة، والاستمرار حتى يكتمل العمل فعليًا.

وبحسب مصطلحات الورقة، فإن الوجهة هي “زميل رقمي” لا روبوت محادثة. قد يبدو ذلك للوهلة الأولى كلغة تسويقية، لكن الفرق الأساسي عملي. روبوت المحادثة يجيب. أما الزميل فيُنفذ.

حدود الذكاء أحادي المحاولة

تتتبع المراجعة تطور نماذج اللغة الكبيرة عبر مراحل متعددة. في المرحلة الأولى، كانت الأنظمة تولد النص بسرعة عبر التنبؤ بأكثر الرمز التالي احتمالاً. وكانت قدراتها تعتمد بدرجة كبيرة على الأنماط والمعلومات المضغوطة داخل معلمات النموذج. وقد جعلها ذلك مفيدة في الصياغة والتلخيص والإجابة العامة عن الأسئلة، لكنه فرض أيضًا حدودًا واضحة.

وفقًا لملخص The Decoder للورقة، لم تكن تلك الأنظمة عادةً تبحث على نطاق واسع عن الحلول، ولا تتحقق من الخطوات الوسيطة، ولا تحتفظ بإحساس دائم بالحالة أثناء حل المشكلات. كانت تُنتج المخرجات دفعة واحدة، وهذا يعني أن موثوقيتها كانت تنهار غالبًا عندما تتطلب المهمة عدة إجراءات مترابطة أو تحققًا عبر الزمن.

ويصف الباحثون مرحلة لاحقة من “LLM المفكر” حيث تنفق النماذج قدرًا أكبر من الحوسبة أثناء الاستدلال لاستكشاف مسارات الحل، وفحص التفكير الوسيط، وتصحيح الأخطاء. ويربط التقرير هذه المرحلة بأنظمة مثل o1 من OpenAI وDeepSeek-R1، والتي تُعرض على أنها انتقال من السلوك السريع والحدسي إلى استدلال أبطأ وأكثر تعمدًا.

هذا التغيير مهم، لكن الورقة ترى أنه لا يزال غير كافٍ. فالتفكير الأفضل يحسن جودة الإجابة، لكنه لا يخلق تلقائيًا وكيلاً موثوقًا قادرًا على العمل داخل سير عمل حقيقي.

لماذا ما زالت الوكلاء تتعطل

تحدد المراجعة أربع نقاط ضعف هيكلية في الجيل الأول من وكلاء الذكاء الاصطناعي. وكما لخص The Decoder، فإن هؤلاء الوكلاء يدركون بيئتهم على نحو مجزأ فقط، ولا يحافظون على حالة دائمة عبر استدعاءات الأدوات، وينهارون عندما يحدث أمر غير متوقع، وغالبًا لا يُنهون المهام.

هذه المشكلات مألوفة لكل من حاول استخدام نموذج لغة كبير كمساعد مستقل للبرمجة أو البحث أو عمليات الملفات أو العمل الإداري. قد يستدعي النموذج واجهة برمجة تطبيقات، أو يفتح متصفحًا، أو يكتب كودًا، ومع ذلك يظل متوقفًا لأنه يفقد تتبع ما تغيّر، أو لا يستطيع التعافي من خطأ صغير، أو يفتقر إلى مساحة عمل مستقرة تبقى فيها الأفعال السابقة متاحة.

ويتمثل جواب الورقة بقدر ما هو بيئي بقدر ما هو معرفي. فهي تشير إلى مساحات عمل دائمة وآمنة تبقى فيها الملفات والجلسات والسجلات والأذونات وحالة المتصفح والمهارات القابلة لإعادة الاستخدام متاحة طوال المهمة. وفي هذا الإعداد، لا يكون النموذج مجرد منتج لاستدعاءات أدوات منفصلة، بل يعمل ضمن استمرارية في السياق.

دور المهارات القابلة لإعادة الاستخدام

تتمثل إحدى أقوى أفكار الورقة في أن التقدم نحو زملاء ذكاء اصطناعي موثوقين يعتمد على “مهارات” قابلة لإعادة الاستخدام. ويعرضها The Decoder بوصفها شرطًا أساسيًا لتحويل النية إلى عمل منجز. وفي هذا التصور، ليست المهارات قدرات غامضة، بل إجراءات مهام قابلة للنقل يمكن للنظام تطبيقها مرارًا داخل بيئة مستقرة.

هذا التركيز مهم لأنه ينقل معيار فائدة الذكاء الاصطناعي. فقد كافأت الصناعة غالبًا الأداء المذهل في مرة واحدة: ملخص أفضل، إجابة أدق، أو كتلة كود أكثر صقلاً. وتجادل المراجعة بأن القيمة الحقيقية تكمن في مكان آخر. فالنظام القيّم هو الذي يستطيع تنفيذ سلسلة من الإجراءات مرارًا وباتساق كافٍ ليُعتمد عليه.

تجعل البيئات الدائمة تلك المهارات ممكنة. فإذا اختفت الملفات والسجلات والأذونات وسياق المهمة بعد كل إجراء، فعلى النموذج أن يعيد بناء العالم من جديد مرارًا. وإذا بقيت هذه الحالة، يمكن للنظام أن يبني روتينات، ويتحقق من النتائج، ويتعافى من الفشل دون البدء من الصفر.

تغيير في طريقة قياس تقدم الذكاء الاصطناعي

يشير التقرير إلى أن هذا يمثل تحولًا أعمق في تقييم الذكاء الاصطناعي. ففي نموذج روبوت المحادثة الأقدم، كان يمكن قياس التقدم بجودة الإجابة: الطلاقة، والدقة الواقعية، وصحة الكود، أو درجات المقارنة على مسائل منفصلة. أما في نموذج “الزميل الرقمي”، فيجب قياس النجاح مقابل المهام المكتملة.

وهذا معيار أصعب. فالعمل المنجز يتطلب من النموذج فهم الهدف، واختيار الأدوات، والمحافظة على الحالة، واكتشاف الأخطاء، والتحقق من المخرجات، والتوقف فقط عند استيفاء معايير الإكمال. كما يتطلب قدرًا من المتانة في ظروف واقعية فوضوية يمكن أن تتغير فيها البيئة تحت أقدام النموذج.

وتقول المراجعة إنها تستشهد بأنظمة مثل OpenHands وSWE-agent بوصفها أمثلة مرتبطة بهذه الحقبة الجديدة، التي يسميها The Decoder “عصر OpenClaw”. الاسم أقل أهمية من النقطة المعمارية: تصبح أنظمة الذكاء الاصطناعي أكثر قدرة عندما تُدمج في بيئات مصممة للتنفيذ المستمر بدلًا من توليد النص المعزول.

لماذا يهم هذا الآن

تأتي الورقة في منتصف تحول أوسع في الصناعة. تواصل شركات الذكاء الاصطناعي تحسين قدرات النماذج على الاستدلال والتعددية النمطية، لكن المشترين في المؤسسات والفرق التقنية يهتمون بشكل متزايد باستبدال العمل في سير عمل ضيق: هل يستطيع النظام حل تذكرة دعم، وتحديث قاعدة كود، وجمع المستندات، وتشغيل الفحوصات، وإنتاج نتيجة قابلة للتحقق دون إشراف دائم؟

ويتمثل جواب المراجعة في أن ذلك لن يحدث بمجرد توسيع النمط نفسه لروبوت المحادثة. فالمزيد من الذكاء عند نقطة الإجابة يساعد، لكنه لا يلغي الحاجة إلى سياق دائم، وحالة مستقرة، وإسناد إلى الأدوات، وأنماط تنفيذ قابلة لإعادة الاستخدام.

كما يوضح هذا الموقف سبب شعور بعض العروض بأنها أكثر إبهارًا من المنتجات التي يُفترض أن تمثلها. قد يبدو النموذج شديد القدرة عندما يُعرض وهو يحل مطالبة واحدة مصقولة. لكنه يصبح أقل إقناعًا بكثير عندما يُطلب منه التنقل في عملية عمل كاملة مع انقطاعات وغموض والحاجة إلى التحقق.

الخلاصة العملية

قد تكون أكثر مساهمة مفيدة في المراجعة هي الانضباط المفاهيمي. فهي تمنح لغة لمشكلة يراها كثير من المستخدمين بالفعل: فالذكاء الاصطناعي غالبًا ما يؤدي دور المستجيب اللامع والمنهي غير الموثوق. ومن خلال الفصل بين توليد الإجابات وإكمال المهام، توجه الورقة المطورين نحو قرارات البنية التحتية وتصميم المنتج التي تهم لإغلاق هذه الفجوة.

إذا كان الباحثون محقين، فإن القفزة الكبرى التالية في الذكاء الاصطناعي لن تُعرَّف فقط بالنماذج الأذكى. بل ستُعرَّف بالأنظمة القادرة على الاستمرار، والفعل، والتذكر، والتحقق بما يكفي لتحويل التعليمات إلى عمل منجز. وبعبارة أخرى، سيحتاج الزميل المستقبلي إلى أكثر من مجرد أن يتحدث مثل الزميل.

هذه المقالة تستند إلى تغطية The Decoder. اقرأ المقال الأصلي.