يجب أن تصبح معايير الذكاء الاصطناعي علماً لا لوحة نتائج

تهدف معايير الذكاء الاصطناعي إلى جعل التقدم قابلاً للقياس. ينجز النموذج اختباراً موحداً ويحصل على نتيجة، فتتمكن الشركات والباحثون والعملاء من المقارنة. لكن هذه البساطة قد تخفي مشكلة: المعيار قد يعيد تشكيل المجال الذي يفترض أن يقيسه.

يقول موريتز هاردت، مدير في Max Planck Institute for Intelligent Systems، إن تقييم الذكاء الاصطناعي الحديث معيب جوهرياً، رغم أنه ساعد أيضاً على دفع التعلم الآلي. فالنتائج تُعامل بسهولة كدليل على الذكاء أو القدرة أو الموثوقية الواقعية.

عندما تصبح النتيجة هي الهدف

عندما يتحول المقياس إلى هدف، يتعلم الناس تحسين المقياس نفسه. وقد تبني أنظمة التعلم الآلي أداءً ممتازاً على مجموعة بيانات أو لوحة نتائج ثابتة من دون اكتساب القدرة الأوسع المقصودة.

حذر هاردت من أن الأنظمة قد تحسن ترتيبها “من دون أن تفعل شيئاً ذكياً”. وقد تعكس النتيجة العالية تقدماً حقيقياً، أو مجرد ملاءمة النموذج لخصائص الاختبار.

جعل انتشار اختبارات النماذج اللغوية الكبيرة المشكلة أكثر وضوحاً. فدورة إنشاء المعايير وحلها تشجع سباقاً ضيقاً: العثور على الاختبار، التدريب عليه، تجاوز النتيجة السابقة ثم الانتقال إلى اختبار آخر.

تاريخ من النفوذ الكبير

غيّرت المعايير مسار أبحاث الذكاء الاصطناعي مراراً. ففي عام 1987 أظهر معيار لـDARPA أن الأنظمة الرائدة لتحويل الكلام إلى نص لم تتفوق على أساليب إحصائية أبسط، ما ساهم في تراجع الاهتمام والتمويل.

أما ImageNet عام 2012 فأبرز أداء شبكة عصبية من ثماني طبقات وساعد على إطلاق ثورة التعلم العميق. فالمعايير لا تلخص العمل التقني فحسب، بل قد تحدد معنى التقدم.

في كتابه لعام 2026، The Emerging Science of Machine Learning Benchmarks، يسمي هاردت المعايير “الخطأ الذي صنع التعلم الآلي”، مع اعترافه بأنها ساهمت أيضاً في تقدم حقيقي، جزئياً بفعل الحظ.

ما الذي يتطلبه تقييم أفضل

تحويل التقييم إلى علم أكثر صرامة يعني اعتباره مشكلة بحث مستمرة. يجب تحديد ما يقيسه الاختبار، ومدى تشابهه مع الاستخدام المقصود، واحتمال تكيف النماذج معه تحديداً.

ينبغي أيضاً مقاومة اختزال القدرات المعقدة في رقم واحد. قد ينجح النموذج في نوع من الأسئلة ويفشل في آخر، أو يفشل عند تغيير المهمة قليلاً. المهم عملياً هو معرفة هذه الحدود، لا الأداء الأقصى فقط.

الهدف ليس التخلي عن التقييم الموحد، بل جعله أكثر شفافية وأقل عرضة للتحسين السطحي.

تزداد المخاطر مع انتشار الذكاء الاصطناعي

تؤثر نتائج المعايير في قرارات الشراء والاستثمار والحكم على جاهزية النظام لمهمة ما. لذلك قد تحمل النتيجة عواقب اقتصادية واجتماعية.

تقدم انتقادات هاردت تصحيحاً لفكرة أن صعود لوحة النتائج يعني بالضرورة ذكاءً أعمق. النتائج أدلة وليست أحكاماً نهائية.

يستند هذا المقال إلى تقرير Quanta Magazine. اقرأ المقال الأصلي.