اختبار تورينغ وما حلّ محله

ما اقترحه تورينغ فعليًا

في عام 1950، تساءل ألان تورينغ عمّا إذا كانت الآلات تستطيع التفكير، واستبدل بسرعة ذلك السؤال المتشابك فلسفيًا بسؤال إجرائي. ففي “لعبة التقليد” التي ابتكرها، يتواصل محاور بشري كتابيًا مع شخص وآلة ويحاول تحديد أيهما أيّهما. وقد طرح تورينغ هذا كطريقة لمناقشة ذكاء الآلات عبر السلوك القابل للملاحظة بدلًا من جوهر داخلي يتعذر الوصول إليه (Turing، “Computing Machinery and Intelligence”).

كانت الفكرة عميقة، لكن العبارة المألوفة “يجتاز اختبار تورينغ” تخفي خيارات كثيرة. كم تستغرق المحادثة؟ ماذا يعرف الحكم؟ ما الموضوعات المسموح بها؟ كم عدد الحكام المشاركين، وما معدل الخطأ الذي يُعَدّ نجاحًا؟ لم يضع تورينغ برنامج اعتماد حديثًا بعتبة رسمية واحدة. فالاختبار تجربة فكرية ومَعلَم بحثي، لا أداة قياس لجهة تنظيمية للذكاء العام الاصطناعي.

لماذا أصبحت المحادثة سهلة الاستغلال أكثر مما ينبغي

تكافئ لعبة التقليد نظامًا لبدوّه إنسانًا في تفاعل معين. ويمكن تحقيق ذلك عبر اتساع حقيقي، لكن أيضًا عبر المراوغة، أو تمثيل الأدوار، أو الفكاهة، أو أخطاء متعمدة، أو استغلال توقعات الحكم. وقد أظهر روبوت الدردشة المبكر ELIZA في ستينيات القرن الماضي أن الناس يسقطون بسهولة فهمًا على أنماط محادثة سطحية. وتُولّد النماذج اللغوية اليوم حوارًا أكثر ترابطًا بكثير، ما يجعل الأنسنة أسهل حتى.

اجتياز محادثة نصية قصيرة لن يُثبت تخطيطًا موثوقًا، أو دقة رياضية، أو حكمًا علميًا، أو كفاءة في العالم المادي، أو القدرة على التعافي من الأخطاء. ولن يُظهر أن النموذج يستطيع تعلّم عمل جديد، أو الحفاظ على أهداف عبر مشروع طويل، أو إدراك متى ينبغي أن يتنازل لإنسان. وعلى العكس، قد يحوّل نظام غير لفظي قوي العلم أو اللوجستيات بينما يفشل في تقليد متحدث عادي. فالتشابه البشري ليس ضروريًا ولا كافيًا لقدرة آلية ذات عواقب.

كما يخلط الاختبار بين الذكاء والخداع. فقد يُعاقَب نظام لتعريفه بنفسه بصدق كآلة ويُكافأ للتلاعب بحكم ليصدق العكس. وهذا لا يناسب تقييم السلامة، حيث تكون الثقة المعايَرة، وإمكانية التتبع، والإفصاح الصادق غالبًا أكثر أهمية من المعقولية الاجتماعية.

من اختبار واحد إلى حافظة تقييمات

يستخدم التقييم الحديث مجموعات مهام كثيرة لأن الذكاء متعدد الأبعاد. تختبر معايير المعرفة والاستدلال المرجعية أسئلة عبر مواضيع؛ وتُشغِّل تقييمات البرمجة برامج مُولَّدة مقابل حالات اختبار؛ وتجمع الاختبارات متعددة الوسائط بين النص، والرسوم البيانية، والصور، والصوت، والفيديو؛ وتضع معايير الوكلاء المرجعية النماذج في بيئات تفاعلية يجب عليها فيها التنقل، واستخدام البرمجيات، وإنجاز أهداف.

تجيب كل عائلة عن سؤال ضيق. فـMMLU، على سبيل المثال، يأخذ عينات من معرفة أكاديمية ومهنية متعددة الخيارات، لكن الدرجات المرتفعة لا تُثبت أن نموذجًا يستطيع ممارسة تلك المهن. ويختبر GAIA المساعدين على أسئلة من العالم الحقيقي قد تتطلب استدلالًا، وأدوات، وخطوات متعددة (ورقة GAIA). ويُقيِّم OSWorld وكلاء استخدام الحاسوب عبر تطبيقات نظام تشغيل حقيقية (ورقة OSWorld). ويُركِّز ARC-AGI على التكيّف مع مهام استدلال بصري جديدة بدلًا من إعادة إنتاج معرفة مخزَّنة (معيار ARC Prize المرجعي). وتكشف هذه التقييمات عن نقاط قوة وأنماط إخفاق مختلفة؛ ولا يُعَدّ أي منها كاشفًا للذكاء العام الاصطناعي.

وتضيف دراسات إنجاز المهام بُعد الوقت والتعقيد. تُقدِّر METR مدة مهمة خبير بشري التي يحقق فيها وكيل احتمال نجاح معينًا. وتغطي مجموعتها الحالية أساسًا هندسة البرمجيات، وتعلّم الآلة، والأمن السيبراني، وتُحذِّر المنظمة صراحة من أن “أفق الزمن” هو صعوبة المهمة مقيسة بزمن بشري — لا المدة التي يستطيع الذكاء الاصطناعي فيها العمل بشكل مستقل (منهجية METR). كما تُحذِّر من أن مهام المعايير المرجعية جيدة المواصفات أنظف من معظم الوظائف وأن الأداء يختلف بشدة حسب المجال.

الموثوقية تغيّر معنى الدرجة

الأداء المتوسط لا يكفي للاستخدام عالي المخاطر. فقد يكون نظام ينجح نصف الوقت مبهرًا للبحث لكنه غير قابل للاستخدام في الطب، أو الطيران، أو البنية التحتية. لذا يحتاج المُقيِّمون إلى معدلات نجاح، ومحاولات متكررة، وسلوك أسوأ الحالات، وفواصل عدم يقين، واختبارات تحت تحوّل التوزيع. وينبغي لهم قياس ما إذا كان النموذج يعرف متى يكون غير متيقن، ويسعى إلى توضيح، ويعيد التحكم بأمان.

وإعداد التقييم مهم بقدر أهمية النموذج الكامن. فوصول الأدوات، وصياغة التوجيه، والذاكرة، وإعدادات أخذ العينات، وحوسبة وقت الاستدلال، وبرمجيات الوكيل المحيطة يمكنها تغيير النتائج جوهريًا. وتنتمي الدرجة إلى تهيئة نظام مُختبَر في تاريخ مُعلَن. ومعاملتها كخاصية أزلية لاسم نموذج يُشجِّع على مقارنات كاذبة.

وتلوث البيانات مشكلة أخرى. فقد تظهر أسئلة معايير مرجعية عامة وحلولها في بيانات التدريب. وحتى دون حفظ حرفي، يمكن للضبط المُركَّز على المعيار المرجعي أن يُحسِّن درجة دون تعميم معادل. وتستخدم التقييمات الأفضل مهامًا خاصة أو مُنشَأة حديثًا، وتوثّق التعرّض المحتمل، وتُجدَّد بتواتر. ويقلل الاختبار المستقل — لكن لا يُزيل — مخاطرة انتقاء مطوِّر النتائج المواتية فقط.

يطرح تقييم السلامة أسئلة مختلفة

يقيس تقييم القدرة ما يستطيع نظام فعله تحت ظروف مواتية. ويسأل تقييم السلامة عمّا قد يفعله عند إساءة استخدامه، أو تعريضه للضغط، أو خداعه، أو إعطائه تعليمات متضاربة، أو وضعه في بيئة ذات عواقب. وتشمل الاختبارات ذات الصلة المساعدة في إساءة الاستخدام البيولوجي أو السيبراني، والتلاعب، والاستقلالية، والتهرب من الضمانات، والخداع، والقدرة على الحصول على الموارد. ويشدد التقرير الدولي لسلامة الذكاء الاصطناعي 2026 على أن التقييمات تواجه صلاحية خارجية محدودة، وتقادمًا سريعًا، ووصولًا غير كامل إلى الأنظمة الرائدة (التقرير الدولي لسلامة الذكاء الاصطناعي 2026).

تبحث الفرق الحمراء عن إخفاقات بشكل خلّاق، بينما تتيح المعايير المرجعية المُهيكَلة المقارنة. ثم تختبر المراقبة الواقعية ما إذا كانت نتائج ما قبل النشر قد تنبأت بالاستخدام الفعلي. والإبلاغ عن الحوادث ضروري لأنه لا يمكن لأي مجموعة مخبرية أن تُعدِّد كل سياق. وينبغي لنظام تقييم أن يربط النتائج بالقرارات: ضمانات إضافية، أو وصول مقيَّد للأدوات، أو إصدار مرحلي، أو مراجعة خارجية، أو إيقاف نشر عند تجاوز عتبة محددة.

ما يتطلبه تقييم موثوق للذكاء العام الاصطناعي

يجادل إطار “مستويات الذكاء العام الاصطناعي” لدى Google DeepMind بأن التقييمات ينبغي أن تغطي الأداء والعمومية معًا وينبغي أن تراعي التفاعل بين الإنسان والذكاء الاصطناعي الذي تُعبَّر من خلاله القدرة (إطار DeepMind). وسيحتاج تقييم موثوق إلى مجالات واسعة، ومهام جديدة حقًا، ومستويات أداء متعددة، وإبلاغ واضح عن الاستقلالية. وسيختبر النقل، وكفاءة التعلّم، والمتانة، والتفاعل الاجتماعي، والعمل مفتوح النهاية — لا أسئلة امتحان فحسب.

كما سيحتاج إلى تكرار مستقل وتدقيق خصامي. وينبغي للمطورين نشر منهجية كافية لتفسير الادعاءات دون كشف تفاصيل خطرة أو المساس باختبارات خاصة. وينبغي أن تفصل النتائج بين النموذج الأساسي والأدوات والهيكل، وتضمّن أمثلة على الإخفاق، وتتجنب تحويل رقم مُركَّب واحد إلى حكم ميتافيزيقي.

الخلَف لوحة قيادة، لا خط نهاية

لم “يحل” أي اختبار حديث محل لعبة تورينغ بمعنى أن يصبح البوابة المتفق عليها عالميًا نحو الذكاء العام الاصطناعي. ما حلّ محلها حافظة: اختبارات معرفة، ومهام استدلال جديدة، وبيئات تفاعلية، وقياسات أفق المهام، ومراجعة خبراء خاصة بالمجال، وتقييمات قدرة خطرة، وأدلة من النشر الفعلي.

هذه الإجابة أقل مسرحية من آلة تخدع حكمًا، لكنها أكثر فائدة. والسؤال الصحيح لم يعد “هل اجتاز الاختبار؟”. بل: ماذا يستطيع هذا النظام فعله بشكل موثوق، تحت أي شروط، بأي مساعدة، وماذا يحدث عندما تتغير الشروط؟ فلوحة قيادة شفافة من أدلة مؤرَّخة تقدّم دليلًا أفضل للقدرة والمخاطر من أي خط نهاية واحد.