المساعدة، والأتمتة، والتحسّن التكراري ادعاءات مختلفة
تساعد أنظمة الذكاء الاصطناعي بالفعل في عمل البرمجيات وتعلّم الآلة. فهي تولّد الشيفرة، وتبحث في الأدبيات، وتحلّل التجارب، وتقترح الاختبارات، وتساعد في تصحيح الأخطاء. ويمكن لأتمتة أجزاء من أبحاث الذكاء الاصطناعي أن تختصر دورات التطوير. لا شيء من ذلك، في حد ذاته، يثبت التحسّن الذاتي التكراري: حلقة يُحسِّن فيها نظام ذكاء اصطناعي بشكل جوهري العملية التي تُنتج خلفاءه، ثم يُحسِّن هؤلاء الخلفاء النظام أكثر، فيتسارع نمو القدرات إلى ما وراء السيطرة البشرية.
يفصل التحليل الواضح بين ثلاثة مستويات:
- المساعدة البحثية: يستخدم الأشخاص أدوات الذكاء الاصطناعي بينما يحتفظون بالخطة والحكم وعمل الدمج.
- أتمتة سير العمل: يُنجز وكيل مهمة بحثية أو هندسية محدودة النطاق بتدخل محدود.
- أتمتة البحث والتطوير في الذكاء الاصطناعي من طرف إلى طرف: تؤدي الأنظمة معظم العمل اللازم لإنتاج تقدم خوارزمي مهم ودمجه في أنظمة مُحسَّنة.
المستوى الثالث فقط هو من يُنشئ أقوى حجة لحلقة التغذية الراجعة، وحتى عندئذ قد يحدّ العتاد والتجارب والمؤسسات وقرارات النشر من السرعة.
القدرة البرمجية المُلاحَظة
البرمجة أحد أقوى المجالات الحالية. يمكن للوكلاء العامّين إصلاح مشكلات مختارة في المستودعات وتوليد برامج عاملة. غير أن المعايير المرجعية كثيرًا ما توفّر مشكلة نظيفة، واختبارات، وأدوات، ونقطة نهاية قابلة للتقييم آليًا. أما التطوير الناضج فيتضمن سياقًا غير موثَّق، وتنسيقًا، وحكمًا على المنتج، وأمانًا، وصيانة.
وجدت دراسة METR العشوائية على 16 مطورًا ذوي خبرة في المصادر المفتوحة أنجزوا 246 مهمة في مستودعات يعرفونها جيدًا أن أدوات الذكاء الاصطناعي في أوائل عام 2025 زادت وقت الإنجاز بنسبة 19 بالمئة، رغم اعتقاد المطورين بأن الأدوات جعلتهم أسرع (دراسة METR لإنتاجية المطورين). هذه نتيجة ضيقة النطاق ومؤرَّخة — لا دليل على أن الأدوات اللاحقة أو مطورين آخرين أبطأ. وهي تُظهر لماذا لا يمكن تحويل مكاسب المعايير المرجعية مباشرة إلى تسارع اقتصادي.
بدأت METR متابعة أوسع نطاقًا وغيّرت تصميمها في عام 2026 مع تطور الأدوات والاستخدام (تحديث METR للرفع الإنتاجي). تعتمد الإنتاجية الفعلية على عبء المراجعة، واختيار المهام، وإلمام المطور، وواجهات الوكيل، والأخطاء التي تجتاز الاختبارات.
أدلة من معايير أبحاث الذكاء الاصطناعي المرجعية
يضع RE-Bench الوكلاء والخبراء البشريين في سبع بيئات مفتوحة لهندسة أبحاث تعلّم الآلة. في دراسته الأصلية، سجّل أفضل الوكلاء نحو أربعة أضعاف أداء البشر بميزانية زمنية قدرها ساعتان. تحسّن البشر أكثر مع الوقت الإضافي، وتفوقوا بفارق ضئيل على الوكلاء عند ثماني ساعات، وحققوا نحو ضعف درجة الوكيل على مدى 32 ساعة (ورقة RE-Bench).
تُظهر هذه النتيجة تجريبًا قويًا قصير الأفق: يستطيع الوكلاء توليد واختبار حلول مرشحة كثيرة بسرعة، وينتجون أحيانًا عملًا ممتازًا في التحسين. كما تُظهر قيدًا: يعلق الوكلاء، أو يفشلون في إعادة التوجّه، أو يستفيدون أقل من ميزانية زمنية أطول. لا يمكن لسبع مهام أن تمثّل التوزيع الكامل للبحث العلمي، والمعاينة المتكررة ليست كالعالِم الدؤوب المستمر.
تغطّي تقييمات أخرى أجزاء من سلسلة العمل. يطلب PaperBench التابع لـ OpenAI من الوكلاء إعادة إنتاج نتائج 20 ورقة بحثية من مؤتمر ICML انطلاقًا من الأوصاف وتنفيذ التجارب (PaperBench). ويقيّم MLE-bench هندسة تعلّم الآلة عبر مسابقات على طراز Kaggle (MLE-bench). تقيس هذه المعايير المرجعية مهارات مهمة لكنها لا تُثبت تكوين نظرية أصلية، أو تحديد أجندة، أو إدارة مختبر، أو مراجعة أقران، أو نشرًا آمنًا.
ما يُبلّغ عنه المطورون
تتعامل المختبرات الرائدة الآن مع البحث والتطوير المؤتمت كعتبة خطر. وذكر تقرير المخاطر الصادر عن Anthropic في فبراير 2026 أن Claude Opus 4.6 لم يكن عند الأتمتة الكاملة لأنشطة البحث والتطوير اللازمة في المجالات الرئيسية أو قريبًا جدًا منها، مع التحذير من أن الأتمتة الجزئية قد تُسرّع التقدم مع ذلك (تقرير مخاطر Anthropic). هذا تقييم ذاتي من جهة مطوِّرة، يتضمن حذفًا لأجزاء منه وتضاربًا في المصالح.
راجعت Anthropic عتبتها للبحث والتطوير المؤتمت مجددًا في الإصدار 3.4 من سياسة التوسع المسؤول في يوليو 2026، ما يوضّح أن الشيء المُقاس نفسه غير مستقر (أرشيف سياسة التوسع المسؤول لـ Anthropic). يمكن لعتبات الشركات أن توجّه العمل الداخلي، لكن لا ينبغي التعامل معها كإجماع علمي.
وفي أغسطس 2026، أفاد باحثو Anthropic بتجارب وجد فيها وكلاء بحث مؤتمتون تخفيفات لإخفاقات مواءمة مختارة (تقرير Anthropic عن الباحثين المؤتمتين). هذا دليل مشجّع على أن البحث المُسرَّع بالذكاء الاصطناعي يمكن أن يعزّز السلامة. كما أنه بحث من جهة أولى على مهام مصمَّمة خصيصًا، لا إثبات لعلم مواءمة مؤتمت شامل.
حجة حلقة التغذية الراجعة
للحلقة البسيطة أربع خطوات: نشر ذكاء اصطناعي للبحث في الذكاء الاصطناعي؛ الحصول على تحسين خوارزمي أو هندسي؛ تدريب نظام أفضل أو ضبط إعداداته؛ استخدام ذلك النظام لإنتاج مزيد من التحسينات. يعتمد التسارع على حاصل ضرب عدة عوامل، لا على مجرد وجود الحلقة.
تغطية البحث: ما مقدار العمل ذي الصلة الذي يستطيع الوكلاء أداءه؟ للمساعدة البرمجية قيمة، لكن قد يظل البشر عنق الزجاجة في اختيار المشكلات، والتقييم، والعتاد، والبيانات، والإدارة، والسلامة.
حجم التحسين: تفشل معظم التجارب أو تحقق مكاسب صغيرة. يجب على الوكيل أن ينتج ابتكارات تُحسّن النظام التالي تحسينًا جوهريًا لا أن يُحسّن أداءه في معيار مرجعي فحسب.
زمن الدورة: يمكن أن يستغرق التدريب، وتصنيع الرقائق، وبناء مراكز البيانات، والتقييمات، والنشر وقتًا أطول بكثير من كتابة الشيفرة. لا يمكن لبحث أفضل أن يصنع حوسبة فورًا.
إعادة الاستثمار: يجب على المؤسسات أن تختار توجيه المكاسب نحو قدرات إضافية. وقد تخصصها بدلًا من ذلك للتكلفة، أو الموثوقية، أو المنتجات، أو السلامة.
العوائد المتناقصة: قد تصبح الاكتشافات أصعب مع نفاد التحسينات السهلة. يمكن للحلقة أن تستمر دون أن تتسارع انفجاريًا.
التحقق: يخلق البحث غير الموثوق تكاليف مراجعة وتكرار. وإذا استطاعت الأنظمة التلاعب بالتقييمات، فقد يُبطئ الناتج الأسرع التقدم الموثوق.
لذا فإن التحسّن التكراري سيناريو مشروط. وليس استقراءً مباشرًا من معدلات توليد الشيفرة.
يمكن للبرمجيات أن تتحرك أسرع من العتاد
يمكن للكفاءة الخوارزمية، ووصفات التدريب، وتنقية البيانات، وطرق الاستدلال، والمترجمات، وهياكل الوكلاء أن تتحسن ضمن العتاد القائم. وقد تنتشر مكاسب “البرمجيات” هذه بسرعة وتزيد القدرة لكل رقاقة. ويمكن للذكاء الاصطناعي أن يساعد في البحث ضمن هذه المساحات، ما يخلق قناة تغذية راجعة إيجابية حقيقية.
لكن النماذج الرائدة لا تزال تعتمد على الطاقة، والرقائق، والشبكات، والذاكرة، والمرافق، وسلاسل التوريد. لا يستطيع أي نظام أن يحرّر نفسه تحريريًا وبشكل تكراري من كل قيد مادي. وقد يُحسّن كيفية استخدام الموارد أو يساعد في تصميم العتاد، بينما يحتفظ التصنيع والبناء بمهل زمنية حقيقية.
لذا قد يكون المسار الأسرع طفرة من تحسين البرمجيات والعمليات تليها قيود مادية أو تنظيمية — لا منحنى أسّيًا سلسًا إلى الأبد. وتبقى مسارات أخرى ممكنة؛ فالأدلة المتاحة لا تستطيع اختيار واحد منها بثقة.
لماذا قد تزيد الحلقة من المخاطر
يمكن لدورات القدرات السريعة أن تتجاوز التقييم والتنظيم والتعلّم المؤسسي. فإذا استطاع وكلاء البحث الداخليون الوصول إلى أوزان النموذج، وبنية التدريب التحتية، ونشر الشيفرة، والتقييمات الحساسة، يصبح لأي خطأ أو استخدام خبيث نطاق أوسع. وقد يشجّع الضغط التنافسي المطورين على استخدام الأتمتة قبل نضج المراقبة.
يمكن للحلقة أيضًا أن تُركّز السلطة. فقد تتقدم المؤسسات التي تملك حوسبة وأنظمة بحث مؤتمتة، فتجتذب مزيدًا من رأس المال والمواهب. وبدلًا من ذلك، قد تنتشر الخوارزميات الفعّالة وتقلّل التركّز. ينبغي نمذجة هذين الأثرين المتعارضين لا افتراض أحدهما.
لماذا قد تُحسّن الحلقة السلامة
يمكن للذكاء الاصطناعي أن يبحث عن الثغرات، ويولّد الاختبارات، ويحلّل الحوادث، ويحسّن أدوات قابلية التفسير، ويؤتمت التحقق الروتيني. ويمكن لأبحاث السلامة أن تستفيد من النطاق والتكرار نفسيهما. والسؤال الحوكمي الحاسم هو هل تنمو قدرة السلامة قبل نمو القدرات وبالتوازي معها — لا هل مساعدة الذكاء الاصطناعي في البحث خطرة بطبيعتها.
تشمل الضوابط بيئات بحث معزولة (sandbox)، ومجموعات تقييم محمية، ووصولًا بأقل الامتيازات، ومراقبة مستقلة، ودمجًا مرحليًا، وتجارب قابلة للتكرار، وموافقة بشرية قبل وصول التغييرات إلى التدريب أو النشر. ولا ينبغي أن يستطيع وكلاء البحث تعديل مُقيِّمهم الخاص، أو بيانات اعتمادهم، أو أنظمة الإنتاج.
يمكن للمؤسسات قياس تسارع القدرات والسلامة معًا: ساعات الباحثين الموفَّرة، والاكتشافات المُتحقَّق منها، والتجارب الفاشلة التي أُمسك بها، وعبء المراجعة، ومعدل الحوادث، والوقت اللازم للتكرار المستقل.
أدلة قد تغيّر التقييم
تتضمن الأدلة الأقوى على حلقة تغذية راجعة سريعة وكلاءً يولّدون تقدمًا خوارزميًا جديدًا ومهمًا عبر مجالات متعددة؛ وتكرارًا مستقلًا؛ ونجاحًا مستدامًا عبر مشاريع طويلة؛ وزمن دورة أقصر من طرف إلى طرف؛ وأنظمة متعاقبة تُحسّن وكيل البحث بشكل قابل للقياس دون نمو معادل في العمل البشري.
أما الأدلة ضد تسارع انفجاري وشيك فتشمل استمرار الاعتماد على تحديد الأجندة البشرية، وعوائد متناقصة سريعًا، وتكاليف تحقق مرتفعة، وعجزًا عن تشغيل مشاريع طويلة، وعوائق صلبة في الحوسبة أو التجريب.
الخلاصة العملية
أبحاث الذكاء الاصطناعي المُسرَّعة بالذكاء الاصطناعي حقيقية بالفعل على مستوى المساعدة والأتمتة المحدودة المختارة. تُظهر المعايير المرجعية هندسة بحثية قصيرة الأفق لافتة، بينما تكشف دراسات الإنتاجية في العالم الحقيقي والميزانيات الزمنية الأطول عن ثغرات مهمة. لا يُظهر أي دليل عام حتى 13 سبتمبر 2026 بحثًا وتطويرًا مؤتمتًا للذكاء الاصطناعي من طرف إلى طرف أو حلقة تحسّن ذاتي تكراري خارجة عن السيطرة.
الاستجابة الصحيحة ليست الرفض ولا الحتمية. تتبّع كل عنق زجاجة، واختبر نظام البحث المنشور، واحمِ أدواته ومُقيِّميه، واجعل الافتراضات حول التغطية، وحجم التحسين، وزمن الدورة، وإعادة الاستثمار صريحة.