ابتكار أول جدول دوري خاص بالذكاء الاصطناعي يغيّر قواعد اللعبة

تُعَدّ فكرة وجود جدول دوريّ للذكاء الاصطناعي ضربًا من الخيال العلمي للوهلة الأولى، لكن مجموعة من الفيزيائيين من جامعة إيموري الأميركية حوّلوها إلى إطار علمي عملي. تخيّل أن بإمكانك تنظيم طرائق الذكاء الاصطناعي كما تُنظَّم العناصر الكيميائية، وفق خصائصها ووظائفها. هذا ما سعى إليه فريق البحث، في محاولة لتبسيط الفوضى المتصاعدة في عالم النماذج متعددة الوسائط، حيث تتزاحم الخوارزميات والأدوات بلا نظام واضح.

نُشر هذا المشروع في The Journal of Machine Learning Research، ويقوده البروفيسور إيليا نيمنمان مع فريقه البحثي. جوهر الفكرة بسيط لكنه عميق: جميع أنظمة الذكاء الاصطناعي الناجحة، رغم اختلافها، تقوم على مبدأ واحد وهو ضغط البيانات من مصادر متعددة—نصوص، صور، أصوات، أو فيديوهات—بشكل يحافظ فقط على المعلومات الضرورية للتنبؤ الصحيح. من هذا المبدأ اشتُق ما يشبه “الجدول الدوري”، حيث يقع كل نموذج أو أسلوب في “خلية” محددة وفق نوع المعلومات التي يحتفظ بها أو يتخلى عنها أثناء التعلم.

أطلق الفريق على النموذج الجديد اسم "إطار عنق الزجاجة المتعدد المتغيرات" Variational Multivariate Information Bottleneck. يمكن اعتباره مفتاح تحكم يضبط مقدار المعلومات التي ينبغي أن يحتفظ بها النظام أثناء التعلم. بمعنى آخر، هو يتيح للمبرمج أو الباحث “تدوير المقبض” لاختيار التوازن الأمثل بين ضغط البيانات ودقة التنبؤ. هذا المنطق يُعيد تعريف وظيفة "دالة الخسارة" في النماذج، إذ لم تعد مجرد وسيلة لتقليل الخطأ، بل أداة موجهة لتحديد ما يهم فعلاً من البيانات.

ما يميز هذا البحث ليس فقط النتيجة، بل المنهج الذي جاء منه. فالفريق مؤلف من فيزيائيين أكثر منهم مهندسين برمجيين. بينما يسعى علماء الحوسبة عادة إلى تحسين دقة النماذج، أراد هؤلاء أن يفهموا الأسباب العميقة خلف نجاحها. قضوا سنوات في صياغة المعادلات يدويًا، يراجعونها على اللوح الأبيض، ويختبرونها على بيانات تجريبية، حتى توصّلوا إلى مبدأ يصف بدقة المقايضة بين ضغط المعلومات وإعادة بنائها. النتيجة كانت إطارًا نظريًا عامًا يُمكن تطبيقه على معظم خوارزميات الذكاء الاصطناعي متعددة الوسائط.

يرى الباحثون أن الاعتماد على هذا الإطار سيساعد مطوري الأنظمة على اختيار أفضل الخوارزميات لحالة معينة دون الحاجة إلى التجريب العشوائي، ما يقلل من استهلاك الطاقة الحاسوبية ويحد من التحيزات الناتجة عن التصميم غير الموجَّه. فكل ما يحتاجه النظام يمكن حسابه مسبقًا داخل الإطار: حجم البيانات المثالي، مدى تعقيد النموذج، واحتمال فشله في ظروف معينة. هذه المقاربة تجعل الذكاء الاصطناعي أكثر كفاءةً ووعيًا بحدوده، وهو ما تطمح إليه المؤسسات التقنية والبحثية اليوم.

يتطلع الفريق إلى استخدام نفس الإطار في دراسة الأنماط البيولوجية، خصوصًا في فهم كيفية ضغط الدماغ البشري وتكامله بين مصادر المعلومات المتنوعة. إذا أمكن مقارنة طريقة عمل الخلايا العصبية بآليات النماذج الحسابية، فقد نقترب خطوة من تفسير الإدراك نفسه. بذلك يتحول المشروع من أداة لتنظيم الخوارزميات إلى مرآة تعكس تشابه التفكير الإنساني والاصطناعي.

ربما يكون هذا “الجدول الدوري للذكاء الاصطناعي” أكثر من مجرد تشبيه أكاديمي؛ إنه محاولة لإضفاء روح النظام على عالم يتوسع بوتيرة غير مسبوقة. فحين نفهم العلاقات بين طرائق الذكاء الاصطناعي كما نفهم ارتباط العناصر الكيميائية، قد نصنع يومًا ذكاءً أكثر اتزانًا وإنسانية.