وكيل ذكاء اصطناعي أصغر يدّعي التفوق على Claude وGPT-5.5 في تكرار نتائج الأبحاث

يقول مختبر الذكاء الاصطناعي اللندني Inherent، الذي أسسه خريجو Google DeepMind، إن وكيله Faraday القائم على نموذج يضم 27 مليار مَعلمة يستطيع إعادة إنتاج نتائج واردة في أوراق علمية منشورة من دون تزويده بالإجابات مسبقًا. كما تقول الشركة إن Faraday تفوق على Claude Opus 4.8 من Anthropic وGPT-5.5 من OpenAI في مهمة إعادة تنفيذ الأبحاث تحديدًا. 259

إذا تأكدت النتيجة عبر اختبارات أوسع ومستقلة، فستكون لافتة، لكنها أضيق من العنوان المتداول. فما جرى تقييمه هو قدرة Faraday على تكرار نتائج معروفة، لا اكتشاف معرفة علمية جديدة بصورة مستقلة.

كيف اختُبر Faraday؟

طورت Inherent معيارًا باسم Replica يضم 100 ورقة في تعلّم الآلة والذكاء الاصطناعي المطبق على العلوم، وحولتها إلى 310 مهام لإعادة التنفيذ. في كل مهمة، يُطلب من الوكيل إعادة إنشاء شكل أو رسم بياني محدد من ورقة علمية، ضمن وقت وقدرة حوسبية محدودين، ومن دون الاطلاع على الرسم الأصلي. 34

وهذا أصعب من مطالبة نموذج بتلخيص ورقة أو إعادة رسم مخطط منشور. فعلى الوكيل فهم البحث، وكتابة التجارب اللازمة، وتحديد أفضل طريقة لاستغلال موارده، ثم إنتاج نتيجة تقترب بما يكفي من النتيجة المعلنة حتى تُعد تكرارًا ناجحًا.

وتقول Inherent إن Faraday تجاوز أداء Claude Opus 4.8 وGPT-5.5 في هذا المعيار، رغم اعتماده على نموذج أصغر بكثير، يضم 27 مليار مَعلمة. 158 لكن المقارنة تظل ادعاءً مرتبطًا بمعيار Replica ومهمته المحددة، وليست ترتيبًا عامًا لقدرات هذه الأنظمة في كل أعمال البحث العلمي أو البرمجة.

ما المقصود بـ«الذائقة البحثية»؟

ترى Inherent أن إنجاز البحث العلمي لا يتوقف عند الوصول إلى نتيجة نهائية. فالباحث الجيد يحتاج إلى معرفة أي التجارب تستحق التنفيذ، وكيفية تصميمها، وطريقة تفسير النتائج الملتبسة، ومتى يتعين عليه تغيير المسار إذا فشلت المقاربة الأولى. وتطلق الشركة على هذه المجموعة من الأحكام اسم «الذائقة البحثية». 47

وتكمن أهمية هذا التمييز في أن النموذج قد ينتج مخرجًا يبدو مقنعًا من دون أن يتبع منهجًا علميًا موثوقًا. وتقول Inherent إن Faraday دُرّب على تطوير سلوك بحثي طويل الأمد: صياغة الفرضيات، واختبارها، والتعلم من الإخفاقات، ثم اختيار الخطوة التالية الأكثر فائدة. 4

وتستخدم الشركة إعادة تنفيذ الأبحاث كساحة تدريب لهذا السلوك. فإعادة نتيجة منشورة تتطلب غالبًا استعادة قدر كبير من التجربة والخطأ العملي الذي قد لا تفصّله الورقة العلمية. وتتمثل أطروحة Inherent الأوسع في أن تعلم هذا المسار قد يساعد الوكلاء لاحقًا على الانتقال من التحقق من نتائج معروفة إلى أبحاث أكثر انفتاحًا. 49

Faraday لا يعمل وحده: إنه يوجّه GPT-5.5 Codex

لا تقدّم Inherent Faraday بوصفه بديلًا مستقلًا عن وكيل برمجة قوي، بل كطبقة إشراف علمي توجّه GPT-5.5 Codex من OpenAI أثناء مهام إعادة التنفيذ. وتشبه الشركة هذا الترتيب بعالِم يستخدم مساعدًا للبرمجة: يتولى Faraday التخطيط والحكم العلمي، بينما ينفذ Codex جزءًا كبيرًا من العمل البرمجي. 39

وهذا يحوّل التركيز من حجم النموذج وحده إلى طريقة تنسيق الأدوات. فقد يضيف نموذج أصغر قيمة كبيرة عبر تحديد ما ينبغي أن تفعله الأداة الأكبر، ومتى يجب تغيير الاستراتيجية، وكيفية تقييم النتائج. لذلك فإن التفوق المعلن لـFaraday قد يكون، جزئيًا، تفوقًا في التنسيق والإدارة—أي الجمع بين التخطيط العلمي والقدرة البرمجية المتقدمة—وليس دليلًا على أن نموذجه ذي الـ27 مليار مَعلمة يتفوق عمومًا على الأنظمة الأكبر.

الهدف: زميل علمي للباحثين، لا عالم مستقل

تقول Inherent إنها تريد بناء وكلاء ذكاء اصطناعي يتعاونون مع الباحثين بوصفهم زملاء في الفريق. وسيكون دور النظام المأمول هو المساعدة في تخطيط التجارب وتنفيذها ونقدها وتكرارها، مع احتفاظ البشر بالتوجيه والإشراف. 45

ومن الأفضل فهم Faraday باعتباره نسخة مبكرة من هذه الفكرة: نموذجًا يضيف حدسًا علميًا وإدارة للبحث فوق أدوات برمجة عامة. أما الطموح الطويل الأمد المعلن للشركة فهو تطوير وكلاء قادرين على المساهمة في اكتشاف معرفة جديدة، في حين أن النتيجة الحالية تُظهر قدرة على إعادة التنفيذ، لا على الاكتشاف. 34

وهذا الحد الفاصل مهم. فإعادة إنتاج نتيجة معروفة اختبار قيّم للموثوقية العلمية، لكنها لا تثبت وحدها أن الوكيل يستطيع طرح أسئلة أصلية مهمة، أو توليد فرضيات جديدة فعلًا، أو التحقق من اكتشافات في العالم الواقعي.

ماذا تكشف هذه الخطوة عن استراتيجية Inherent؟

خرجت Inherent من وضع التخفي بوصفها مختبرًا بريطانيًا مركزه لندن، أسسه خريجو Google DeepMind، مع جولة تمويل تأسيسية معلنة بقيمة 50 مليون دولار. 25 وتركّز الشركة على جوانب من البحث العلمي بمساعدة الذكاء الاصطناعي قد لا تتعلمها النماذج العامة تلقائيًا، مثل الحكم التجريبي، واتخاذ القرارات على مدى طويل، والتقييم، والتنسيق بين الباحثين والأدوات البرمجية.

كما يفسر هذا النهج استعانة Faraday بنظام برمجة خارجي. فبدل محاولة جمع كل القدرات في نموذج واحد، تسعى Inherent إلى تدريب طبقة متخصصة تجعل أدوات الذكاء الاصطناعي المتقدمة أكثر فاعلية في العمل العلمي. 39

الخلاصة الأكثر دقة هي أن Inherent تقول إن نموذجًا إشرافيًا صغيرًا نسبيًا، ومدرّبًا بالتعلم المعزز، يستطيع التفوق على أنظمة أكبر في معيار محدد لإعادة تنفيذ الأبحاث. أما السؤال الأهم—وهو ما إذا كان هذا النهج سيقود إلى مساهمات علمية أصلية وموثوقة—فلا يزال مفتوحًا.