كيف تُقرأ هذه اللقطة
تسجّل هذه اللوحة الأدلة العامة المتاحة في 13 سبتمبر 2026. وهي ليست لوحة ترتيب حية ولا ينبغي تحديثها بصمت. تتغير منتجات الذكاء الاصطناعي، وهياكله، ومجموعات التقييم، والأسعار بسرعة تفوق قدرة صفحة “حالية” غير مؤرَّخة على البقاء صادقة.
القدرة متعددة الأبعاد. فقد يحل نظام ما مسألة أولمبية بينما يفشل في قراءة ساعة تناظرية، أو يجيب عن أسئلة خبيرة في علم الأحياء بينما يفشل في إتمام سير عمل مخبري، أو يجتاز مُقيِّم برمجة بينما ينتج تصحيحًا سيرفضه أحد المشرفين على الصيانة. ويسمي مؤشر ستانفورد للذكاء الاصطناعي لعام 2026 هذا النمط الذكاء المتفاوت ويوثّق فجوات كبيرة بين البيئات المضبوطة والبيئات الواقعية (مؤشر ستانفورد للذكاء الاصطناعي، الأداء التقني).
تصف التقييمات أدناه الأدلة، لا نموذجًا عالميًا. و“قوي” تعني أن الأنظمة الرائدة تؤدي أداءً مبهرًا في التقييمات العامة ذات الصلة. ولا تعني أنها آمنة، أو معادلة للبشر، أو موثوقة بما يكفي لاستخدام مستقل عالي المخاطر.
| البُعد | أدلة سبتمبر 2026 | القيد المهم |
|---|---|---|
| اللغة والمعرفة | قوي عبر اختبارات واسعة للأسئلة والأجوبة ومتعددة الوسائط | تستمر الهلوسة، والتلوث، والموثوقية الواقعية المتفاوتة |
| الرياضيات والاستدلال البنيوي | حققت الأنظمة الرائدة نتائج على مستوى المسابقات العليا في مسائل مختارة | يظل الأداء متفاوتًا وحساسًا للأدوات وميزانية الاستدلال |
| البرمجة واستخدام الحاسوب | مكاسب سريعة في معايير البرمجة ووكلاء سطح المكتب البنيويين المرجعية | اجتياز المُقيِّمات لا يضمن عملًا إنتاجيًا قابلًا للصيانة |
| الاستقلالية في المهام الطويلة | ازدادت آفاق زمن مهام البرمجيات المقيسة بسرعة | مهام برمجية/تعلّم آلي/سيبرانية نظيفة في الغالب؛ وليست مدة تشغيل مستقل |
| المساعدة العلمية | معرفة قوية بالمجال وتحسّن في أداء البروتوكولات واستكشاف الأعطال | لا تُثبت درجات المعرفة كفاءة تجريبية من طرف إلى طرف |
| القدرة السيبرانية | يستطيع الوكلاء إيجاد ثغرات حقيقية وإتمام مهام خبيرة مختارة | الهجمات المستقلة من طرف إلى طرف غير مُثبَتة علنًا |
| الإقناع | تحوّلات رأي قابلة للقياس في تجارب مضبوطة | لم يُثبَت أثر خبيث على نطاق سكاني |
| الروبوتات والتجسيد | تقدم قوي في بيئات مضبوطة | تظل الموثوقية المنزلية وفي العالم المفتوح أقل بكثير |
| السلامة والموثوقية | الضمانات والتقييمات في تحسّن | التبليغ غير متسق ولا توجد طريقة تضمن السيطرة |
الاستدلال مبهر ومتفاوت
يذكر مؤشر الذكاء الاصطناعي 2026 أن نظامًا من Google DeepMind حقق درجة على مستوى الميدالية الذهبية في الأولمبياد الدولي للرياضيات لعام 2025 ضمن الحد الزمني للمسابقة. ويذكر الفصل نفسه أن أفضل نموذج اختُبر على ClockBench قرأ الساعات التناظرية بشكل صحيح في نحو نصف المحاولات فقط، مقابل نحو 90 بالمئة للبشر. هذان الاختباران ليسا متساويين في الأهمية، لكن التباين بينهما يدحض فكرة وجود “مستوى ذكاء” عددي واحد.
قد تعكس مكاسب المعايير المرجعية نموذجًا أساسيًا أفضل، أو مزيدًا من حوسبة وقت الاستدلال، أو استخدام الأدوات، أو أخذ عينات من عدة حلول، أو هياكل متخصصة. وتنتمي النتيجة إلى النظام الكامل المُختبَر ضمن الشروط المُعلَنة. ولا ينبغي نقلها بلا مبالاة إلى فئة منتج أرخص أو نشر مقيَّد زمنيًا.
كما تتشبّع اختبارات كثيرة بسرعة. ويذكر تقرير ستانفورد مكاسب حادة في Humanity’s Last Exam وشبه تشبّع في SWE-bench Verified، مع الإشارة إلى أسئلة غير صالحة واحتمال تكيّف مع لوحة الترتيب. والتشبّع يعني أن التقييم فقد قدرته على التمييز بين الأنظمة الرائدة؛ لا أن المجال الكامن قد حُلّ.
البرمجة واستخدام الحاسوب
يستطيع الوكلاء الرائدون إصلاح مشكلات مختارة في المستودعات، وكتابة شيفرة كبيرة، وتشغيل تطبيقات رسومية. ويذكر تقرير ستانفورد ارتفاع أداء OSWorld من نحو 12 بالمئة إلى 66.3 بالمئة، مع فشل في نحو مهمة واحدة من كل ثلاث مهام بنيوية. ويضيف استخدام الحاسوب الفعلي واجهات متغيرة، وأهدافًا غير واضحة، وبيانات اعتماد، ومحتوى خصاميًا، وعواقب قد يغفلها المعيار المرجعي.
والتصحيح الآلي حد آخر. فقد وجدت دراسة METR لعام 2026 حول تصحيحات SWE-bench أن اجتياز اختبارات المعيار المرجعي لا يعني أن المشرفين على الصيانة سيدمجون التغييرات، ما يُبرز أبعاد جودة تتجاوز حالات الاختبار الوظيفي (دراسة METR لمراجعة المشرفين على الصيانة). وتتطلب البرمجة الإنتاجية بنية معمارية، وتواصلًا، وأمانًا، وصيانة، ومسؤولية عن الإخفاقات.
تدعم هذه الأدلة مساعدة وأتمتة كبيرتين لعمل مختار. ولا تدعم فكرة أن “هندسة البرمجيات قد حُلّت”.
الاستقلالية في المهام الطويلة
تُقدِّر لوحة METR لمايو 2026 مدة المهمة لخبير بشري التي يحقق فيها الوكيل معدل نجاح متوقعًا يبلغ 50 أو 80 بالمئة. وتتعلق المهام أساسًا بهندسة البرمجيات، وتعلّم الآلة، والأمن السيبراني. وتذكر METR أن القياسات فوق ست عشرة ساعة غير موثوقة مع المجموعة الحالية (آفاق مهام METR).
وكثيرًا ما يُساء تفسير هذا المقياس. فأفق زمني قدره أربع ساعات لا يعني أن الوكيل يعمل بشكل مستقل لمدة أربع ساعات؛ بل يعني أن خبيرًا بشريًا يحتاج عادةً نحو أربع ساعات لمهام بالصعوبة المقيسة. وقد ينهي الوكلاء الناجحون العمل أسرع بكثير. والمجموعة مكتفية ذاتيًا وقابلة للتقييم موضوعيًا، بخلاف كثير من العمل المؤسسي.
وتُحذّر METR كذلك من أن المجالات تختلف بمرات مضاعفة، وأن أشرطة الخطأ قد تكون واسعة، وأن أفقًا بنسبة 50 بالمئة غير كافٍ حيث تُطلَب موثوقية 98 بالمئة (قيود METR). والاتجاه دليل ذو دلالة على تقدم سريع في مهام رقمية مختارة — لا ساعة عدّ تنازلي نحو أتمتة الوظائف أو الذكاء العام الاصطناعي.
العلوم، والأحياء، والأمن السيبراني
يذكر معهد أمن الذكاء الاصطناعي البريطاني (AISI) أن الأنظمة المُختبَرة حتى أكتوبر 2025 تجاوزت خطوط أساسه لخبراء الدكتوراه في أسئلة مختارة في الكيمياء والأحياء، وتحسّنت في توليد البروتوكولات واستكشاف الأعطال المخبرية. كما يذكر صعوبة مستمرة في تصميم البلازميدات من طرف إلى طرف (تقرير اتجاهات الذكاء الاصطناعي الرائد لـAISI). هذه نتائج تقييم حكومية، لكن خطوط أساس الخبراء وبناء المهام لا تزال تحدد المعنى.
وتقدّمت القدرة السيبرانية من الإجابة على الأسئلة نحو وكلاء يكتشفون ثغرات ويحلّون تحديات متعددة الخطوات. وأفادت AISI بنمو أسرع في مقاييسها للمهام السيبرانية في فبراير 2026 (اتجاهات AISI السيبرانية). ويميّز التقرير الدولي لسلامة الذكاء الاصطناعي هذا الدليل عن النشر الفعلي: يستخدم المهاجمون الذكاء الاصطناعي، لكن الهجمات المستقلة تمامًا من طرف إلى طرف لم يُبلَّغ عنها علنًا، ويبقى غير مؤكد ما إذا كان الهجوم أم الدفاع يكسب أكثر (التقرير الدولي لسلامة الذكاء الاصطناعي 2026).
الإقناع والقدرة الاجتماعية
يمكن للذكاء الاصطناعي المحادثي أن يغيّر المواقف في التجارب. ووجدت دراسة عام 2026 بقيادة AISI شملت 76,977 مشاركًا آثارًا إقناعية أكبر ناتجة عن التوجيه والتدريب اللاحق المُركَّز على الإقناع مقارنة بالتوسع أو التخصيص الأساسي؛ وكانت آثار التخصيص أقل من نقطة مئوية واحدة. وارتبط الإقناع المتزايد بانخفاض الدقة الواقعية (دراسة الإقناع لـAISI).
تُثبت هذه النتيجة قدرة مقيسة ضمن ظروف تجريبية. ولا تُثبت تغيّرًا سلوكيًا دائمًا، أو آثارًا انتخابية، أو سيطرة سكانية. ويظل الوصول، وتوزيع المنصات، والرسائل المنافسة، وثقة المستخدم، والاستمرارية متغيرات منفصلة.
التجسيد لا يزال فجوة كبرى
تُظهر الروبوتات أوضح فرق بين البيئات المضبوطة والبيئات المفتوحة. ويذكر تقرير ستانفورد نجاحًا عاليًا في معيار محاكاة لكن 12 بالمئة فقط في مهام منزلية واقعية مختبَرة. وتعمل المركبات ذاتية القيادة على نطاق مؤثر في مناطق خدمة مقيَّدة، مع نطاقات تصميم تشغيلي ودعم بشري خارج الموقع مهمة للتفسير.
ولا ينبغي الخلط بين الواجهة الرقمية الواسعة لنموذج لغوي وعمومية العالم المادي. فالاستشعار، والتحكم اليدوي، والسلامة حول الأشخاص، والتعافي من أخطاء جديدة، وصيانة العتاد، والتكلفة، كلها تقيّد النشر. ويتتبّع فصل الروبوتات الشبيهة بالبشر في هذا الدليل تلك الفجوة بين عروض المعايير المرجعية وأداء الروبوت الفعلي بمزيد من التفصيل، شركةً شركةً.
الموثوقية جزء من القدرة
قد يكون وكيل ينجح في 66 بالمئة من الحالات مفيدًا مع المراجعة وغير مقبول بدونها. وتتطلب الأنظمة عالية المخاطر عدم يقين معايَر، وكشف إخفاقات، وإمكانية استئناف، وسجلات تدقيق، وإمكانية تراجع، وأمانًا، ودعمًا بشريًا احتياطيًا. وتخفي درجات المعايير المرجعية المتوسطة أخطاء نادرة لكنها ذات عواقب.
ويجد مؤشر الذكاء الاصطناعي 2026 أن المطورين يبلّغون عن معايير القدرة الرئيسية باتساق أكبر بكثير من تقييمات الذكاء الاصطناعي المسؤول (فصل الذكاء الاصطناعي المسؤول في مؤشر الذكاء الاصطناعي). وغياب النتائج العامة لا يُثبت غياب الاختبار الداخلي، لكنه يحدّ من المقارنة والضمان العام.
ما لا تُثبته هذه اللوحة
لا تُثبت هذه اللوحة وعيًا، ولا نوايا، ولا قيمة اقتصادية عبر كل الوظائف، ولا عتبة ذكاء عام اصطناعي متفق عليها. ولا تُظهر أن نتيجة معيار مرجعي تنتقل إلى لغة، أو فئة سكانية، أو مجموعة أدوات، أو حد تكلفة، أو بيئة خصامية مختلفة. ولا تحسم ما إذا كانت البُنى الحالية يمكن أن تصبح عامة بمتانة.
واعتبارًا من هذه اللقطة، فإن أقوى استنتاج هو أن الأنظمة الرائدة تُظهر اتساعًا استثنائيًا وتحسنًا سريعًا إلى جانب هشاشة مستمرة، وفجوات في المجالات، وأدلة سلامة غير مكتملة. وهذا أكثر دلالة — وأكثر دقة — من كل من “مجرد إكمال تلقائي” أو “لقد وصل الذكاء العام الاصطناعي”.