ذكاء اصطناعي فائق يستكشف العالم بعمق مع تقنيات النمذجة الفورية

أعلنت جوجل عبر مدونتها البحثية عن إطار جديد للباحثين يعتمد على الذكاء الاصطناعي تحت اسم "Test-Time Diffusion Deep Researcher" أو اختصارًا TTD-DR، وذلك بتاريخ 19 سبتمبر 2025. يأتي هذا الإعلان ليشكّل محطة مهمة في تطوير وكلاء الذكاء الاصطناعي القادرين على إنتاج تقارير بحثية طويلة ومعقدة بجودة عالية، عبر محاكاة الطريقة البشرية في التخطيط والكتابة وإعادة الصياغة على مراحل متكررة.

تعتمد معظم الوكلاء البحثية الحالية على تقنيات مثل السلاسل المنطقية (Chain-of-Thought) أو تقديم عدة إجابات ثم اختيار الأفضل. غير أن منهجية TTD-DR تضيف البعد المفقود في هذه التجارب، إذ تنظر إلى عملية إنتاج التقرير البحثي باعتبارها "عملية انتشار" (Diffusion) تبدأ بمسودة أولية مليئة بالثغرات، ثم تُنقّى تدريجيًا بالبحث والاستدلال، تمامًا كما يفعل الباحث البشري عند مراجعة ورقة علمية.

الفريق أوضح أن النموذج يعمل بثلاث مراحل أساسية:

ولزيادة الفاعلية، أضافت جوجل خوارزمية "تطور ذاتي" تساعد كل مرحلة على تحسين مخرجاتها عبر تكرار التقييم والتغذية الراجعة. إلى جانب ذلك، تلعب مرحلة "إزالة الضوضاء عبر البحث" دورًا محوريًا في تحويل المسودة الأولية إلى تقرير ثري بالمصادر والمعلومات الدقيقة.

اختُبر TTD-DR على عدة مجموعات بيانات معيارية مثل DeepConsult الخاصة بالتقارير الطويلة، ومجموعتي Humanity’s Last Exam وGAIA التي تتطلب استدلالًا متعدد الخطوات. وفي كل التجارب، حقق النظام نتائج أفضل من أنظمة بحث متقدمة أخرى، أبرزها OpenAI Deep Research، إذ سجل معدل تفوق بلغ 74.5% في مهام كتابة التقارير طويلة الأمد مقابل منافسه الرئيسي.

اللافت أن النموذج أظهر كذلك قدرة أعلى على الكفاءة الزمنية مقارنة بالبدائل، حيث بيّنت رسوم الأداء أن الجودة تتحسن بوتيرة أسرع عند نفس مستويات التأخير (Latency). وبحسب الورقة العلمية المنشورة رسميًا، فإن هذه المزايا تجعل TTD-DR أقرب إلى مساعد بحثي عملي يمكن الاعتماد عليه في البيئات المعقدة.

إطلاق TTD-DR لا يمكن قراءته بمعزل عن السياق التنافسي بين كبار الشركات في بناء وكلاء بحثية متقدمة. فمن ناحية، يعكس هذا التوجه إدراكًا بأن تقديم إجابة سريعة لم يعد كافيًا، بل المطلوب هو إنتاج تقارير مطوّلة متماسكة تصلح كوثائق بحثية حقيقية. ومن ناحية أخرى، يوضح أن الاستثمار في آليات التطوير الذاتي (Self-evolution) وإزالة الضوضاء بالاسترجاع (Denoising with Retrieval) قد يصبح معيارًا أساسيًا في تصميم وكلاء البحث المقبلة.

بالنسبة للأكاديميين والممارسين في مجالات متعددة، فإن هذا التطور قد يعني توفر أدوات مساعدة قادرة على تسريع إنجاز البحوث دون التضحية بالدقة أو الترابط المفاهيمي. إلا أن ذلك يطرح تحديات أخلاقية وأسئلة عن حدود الاعتماد على أنظمة آلية في إنتاج المحتوى العلمي، خصوصًا مع الزيادة المتسارعة في أتمتة الكتابة والبحث. ومن المرجّح أن نشهد في المرحلة القادمة سباقًا جديدًا بين الشركات لتقديم منصات بحثية أكثر تكاملاً، على غرار ما رأيناه سابقًا مع دخول نماذج اللغة الكبيرة في مجالات أخرى مثل نماذج الاستدلال المتقدمة من OpenAI.

في النهاية، يبدو أن الرهان الحقيقي لا يقتصر على رفع الدقة أو السرعة فحسب، بل على إعادة تشكيل الطريقة التي يفكر بها الذكاء الاصطناعي في عملية البحث نفسها. وإذا أثبتت هذه المقاربة نجاحها الواسع، فقد نكون أمام نقلة نوعية تعيد تعريف العلاقة بين الإنسان والمعرفة في عصر الوكلاء الذكيين.