تحديد العتبة: مقاييس تشغيلية للتمييز بين الذكاء الاصطناعي العام (AGI) والذكاء الاصطناعي الضيق المتقدم

انتقل النقاش حول الذكاء الاصطناعي العام (AGI) من تأملات فلسفية إلى تحدٍ هندسي. ومع اقتراب نماذج اللغة الكبيرة (LLMs) والأنظمة متعددة الوسائط من الأداء البشري في المهام المعزولة، يصبح الخط الفاصل بين "الذكاء الاصطناعي الضيق المتقدم" و"الذكاء العام" أكثر ضبابية. بالنسبة للمطورين والباحثين، لم تعد المسألة الحرجة مجرد ما يمكن للذكاء الاصطناعي فعله، بل بأي مدى من الاتساق وبأي مدى من المرونة يمكنه فعله عبر مجالات غير منظمة. يحدد هذا المنشور إطاراً لمقاييس تشغيلية تساعد على التمييز بين التعميم الحقيقي ومطابقة الأنماط المتطورة.

المشكلة مع المعايير الثابتة

المعايير التقليدية مثل MMLU أو HumanEval ثابتة. بمجرد ضبط النموذج بناءً عليها، تفقد قدرتها التمييزية. يمكن للذكاء الاصطناعي الضيق المتقدم حفظ تفاصيل مجال معين. لاكتشاف السلوك الشبيه بـ AGI، يجب أن ننظر إلى التعميم خارج التوزيع (OOD) والاستدلال التركيبي. يتميز AGI بقدرة نقل المعرفة من المجال أ إلى المجال ب غير المرتبط على الإطلاق دون إعادة تدريب صريحة.

المقياس 1: كفاءة النقل عبر المجالات

مقياس تشغيلي رئيسي هو نسبة النقل. يقيس هذا المقياس انخفاض الأداء (أو زيادته) عند تطبيق مهارة متعلمة في سياق واحد على سياق آخر. إذا برع النظام في الشطرنج لكنه فشل في مفارقات منطقية أساسية باللغة الطبيعية، فهو ضيق. يجب أن يُظهر AGI تدهوراً طفيفاً عبر مهام متنوعة من حيث البنية النحوية لكنها مرتبطة من حيث المعنى.

def calculate_transfer_ratio(performance_task_a, performance_task_b):
    """
    يحسب كفاءة نقل مهارات الاستدلال
    من المهمة أ (المعروفة) إلى المهمة ب (الجديدة لكن المرتبطة).
    
    يعيد درجة بين 0 و 1. كلما زادت كانت أفضل.
    """
    if performance_task_a == 0:
        return 0.0
    
    # تطبيع الأداء إلى مقياس 0-1
    norm_a = performance_task_a / 100.0
    norm_b = performance_task_b / 100.0
    
    # النسبة تشير إلى مقدار الاحتفاظ بالقاعدة الأساسية للقدرة
    transfer_efficiency = norm_b / norm_a
    
    # تحديد الحد الأقصى عند 1.0 لمنع كفاءة >100% التي تعني ملاءمة زائدة للمهمة ب
    return min(transfer_efficiency, 1.0)

# مثال: يتعلم النظام تصحيح أخطاء بايثون (المهمة أ)
# ثم يحاول تحليل العقود القانونية (المهمة ب)
perf_debugging = 95.0
perf_legal = 40.0

print(f"نسبة النقل: {calculate_transfer_ratio(perf_debugging, perf_legal):.2f}")
# المخرجات: 0.42 -> يشير إلى تخصص ضيق

المقياس 2: حل الجدة بدون تدريب مسبق (Zero-Shot)

يتطلب الذكاء الاصطناعي الضيق أمثلة تعلم سياقية (in-context learning) لأداء جيد في مهام جديدة. يجب أن يحل AGI المشكلات الجديدة دون أي تعرض مسبق لبنية المشكلة المحددة. نقيس ذلك باستخدام معدل النجاح في المحاولة الأولى على مجموعات مشكلات ديناميكية التوليد وغير متكررة.

• الإدخال: مجموعة قواعد جديدة تماماً معرّفة باللغة الطبيعية.
• المهمة: تطبيق القواعد على مجموعة من نقاط البيانات غير المرئية.
• العتبة: إذا احتاج النظام إلى أكثر من 3 أمثلة للوصول إلى دقة 90%، فمن المرجح أنه يعتمد على مطابقة الأنماط السياقية الضيقة. إذا حقق دقة 90% مع 0 أمثلة، فهو يُظهر استقراء القواعد المجردة.

المقياس 3: استقرار الحمل المعرفي

غالباً ما تتدهور النماذج الضيقة المتقدمة تحت الحمل المعرفي (سياقات طويلة، قيود متعددة). يجب أن يحافظ AGI على استقرار الأداء مع زيادة تعقيد مجموعة القيود. نتتبع منحنى التلاشي التعقيد:

import numpy as np

def plot_complexity_decay(accuracy_scores, constraint_counts):
    """
    يوضح كيف تنخفض الدقة مع زيادة عدد القيود المتزامنة.
    """
    # ملاءمة انحدار خطي لرؤية معدل التلاشي
    coeffs = np.polyfit(constraint_counts, accuracy_scores, 1)
    decay_rate = coeffs[0]
    
    # يجب أن يكون لدى وكيل AGI السليم معدل تلاشي > -0.05 لكل قيد
    # الذكاء الاصطناعي الضيق غالباً ما ينخفض > 0.1 لكل قيد
    if decay_rate > -0.05:
        status = "استقرار عالٍ (شبيه بـ AGI)"
    else:
        status = "هش (ذكاء اصطناعي ضيق)"
        
    return f"معدل التلاشي: {decay_rate:.4f} | الحالة: {status}"

# بيانات محاكاة
accuracies = [98, 95, 92, 88, 85]
constraints = [1, 2, 3, 4, 5]
print(plot_complexity_decay(accuracies, constraints))

التطبيق العملي: مجموعة المعايير الديناميكية

لتشغيل هذه المقاييس، نوصي ببناء مجموعة معايير ديناميكية تستخدم الذكاء الاصطناعي التوليدي لإنشاء مشكلات جديدة في الوقت الفعلي. يمنع هذا الملاءمة الزائدة لمجموعات بيانات ثابتة. يجب أن يقوم النظام بما يلي:

1. توليد لغز منطقي جديد أو مهمة برمجة.
2. امتنع عن الحل وأي أمثلة مشابهة.
3. قياس دقة الاستجابة الأولى للذكاء الاصطناعي.
4. كرر العملية 100 مرة عبر مجالات عشوائية.
5. احسب نسبة النقل المجمعة ومعدل التلاشي.

الخاتمة: من الدرجات إلى السلوك

التمييز بين AGI والذكاء الاصطناعي الضيق المتقدم لا يتعلق بالعثور على رقم سحري واحد. يتعلق الأمر بمراقبة المتانة السلوكية تحت الجدة، والقيود عبر المجالات، والتعقيد المتزايد. من خلال تحويل التركيز من الدرجات الثابتة إلى المقاييس التشغيلية الديناميكية مثل نسب النقل وتلاشي التعقيد، يمكننا البدء في بناء عتبات أكثر صرامة وصحة علمية لما يشكل الذكاء العام. الهدف ليس مجرد قياس ما يعرفه الذكاء الاصطناعي، بل كيف يتعلم ويتكيف في مواجهة المجهول.