هل يستطيع نموذج صغير أن يتفوق على عمالقة الذكاء الاصطناعي في البحث العلمي؟

تقول شركة Inherent، وهي مختبر للذكاء الاصطناعي في لندن أسسه باحثون سابقون في Google DeepMind، إن وكيلها البحثي الجديد Faraday تفوق على Claude Opus 4.8 من Anthropic وGPT-5.5 من OpenAI في مهمة محددة: إعادة إنتاج نتائج أوراق علمية منشورة بشكل مستقل، من دون تزويده بالإجابة مسبقاً. 25

اللافت أن Faraday لا يعتمد على نموذج ضخم من فئة النماذج الرائدة، بل يعمل فوق Qwen 3.6 الذي يضم 27 مليار مُعامل فقط، وهو حجم أصغر بكثير من الأنظمة التي قورن بها. 15

لكن هناك قيد مهم: هذا ادعاء من Inherent يتعلق بتقييم متخصص لإعادة إنتاج الأبحاث، وليس دليلاً مستقلاً على أن Faraday أصبح عموماً أكثر قدرة من Claude أو GPT-5.5.

ما المهمة التي تفوق فيها Faraday؟

لم تكن المقارنة اختباراً عاماً للكتابة أو البرمجة أو الاستدلال. فقد طُلب من الوكيل التعامل مع دراسة منشورة، وفهم منهجيتها، ثم إعادة بناء ما يكفي من العمل للوصول إلى نتائج مماثلة، بدلاً من تلخيص الورقة أو تخمين إجابة معروفة سلفاً. وتقول Inherent إن Faraday حقق أداءً أفضل من Claude Opus 4.8 وGPT-5.5 في هذا السياق. 5

ويصف تقرير تقني تقييماً باسم Replica يضم 310 مهام تركز على إعادة إنتاج الأشكال والنتائج العلمية. 8 وتكمن أهمية هذا التفصيل في أن النجاح ضمن مسار بحثي محدد قد يكشف عن قدرات مفيدة، لكنه لا يثبت التفوق في كل مجالات التفكير أو البرمجة أو الكتابة أو الاكتشاف العلمي.

لماذا يلفت نموذج 27 مليار مُعامل الانتباه؟

يعتمد Faraday على Qwen 3.6 ذي 27 مليار مُعامل، وقد قدمت Inherent هذا الرقم بوصفه فارقاً كبيراً في الحجم مقارنة بالأنظمة الأكبر المستخدمة في المقارنة. 15

غير أن الرسالة ليست أن Qwen 3.6 وحده حل محل النماذج العامة الرائدة. فـFaraday منظومة وكيل متكاملة؛ وتعتمد نتائجها على النموذج الأساسي، والتدريب اللاحق، وطريقة تنظيم العمل البحثي، واستخدام الأدوات، وتقسيم المسؤوليات بين التخطيط والتنفيذ.

بعبارة أخرى، يمكن لنموذج أصغر أن ينافس في مهمة متخصصة إذا أُحيط بمنظومة محسّنة بعناية لهذه المهمة. وهذه هي المراهنة الأساسية لـInherent: بدلاً من تدريب أكبر نموذج عام، تريد الشركة استخدام نموذج مدمج قادر على توجيه أدوات متخصصة واتخاذ قرارات تجريبية أكثر فائدة.

تدريب «الذائقة البحثية» بدلاً من مطاردة الدرجات

تصف Inherent القدرة التي تستهدفها باسم «الذائقة البحثية» (research taste)، أي امتلاك الحكم العملي لتحديد التجارب التي تستحق التنفيذ، وكيفية تصميمها، ومتى تكون النتائج غير حاسمة، ومتى ينبغي تغيير المسار. 4

وتقول الشركة إنها استخدمت التعلم المعزز لتطوير هذا السلوك. فبدلاً من فرض كل خطوة على النظام، تكافئ منهجية البحث ونتيجتها النهائية. ويختلف ذلك عن تحسين الأداء في اختبار قصير تكون إجابته الصحيحة محددة سلفاً.

كما لا يُطلب من Faraday تنفيذ كل التفاصيل بنفسه. إذ يمكنه استخدام وكلاء للبرمجة، من بينهم GPT-5.5 Codex من OpenAI، كأدوات مساعدة. ووفق هذا الترتيب، يعمل Faraday أشبه بمدير بحث: يحدد الخطة العلمية والحكم البحثي، بينما يساعد نظام برمجي متخصص في تحويل الخطة إلى تجارب قابلة للتنفيذ. 6

لذلك فإن التفوق المعلن يخص سير العمل الكامل للوكيل، وليس بالضرورة نموذج Qwen ذي 27 مليار مُعامل إذا عُزل عن بقية المنظومة.

لماذا تبدأ Inherent بإعادة إنتاج الأوراق العلمية؟

تمنح إعادة الإنتاج الوكيلَ طريقة عملية لتعلم خطوات البحث العلمي. فعليه تفسير الورقة، وتكوين فرضيات حول الطريقة المستخدمة، واختيار التجارب، والتعامل مع المحاولات الفاشلة، ثم مقارنة نتائجه بالنتائج المنشورة.

وترى Inherent أن الورقة النهائية لا تُظهر إلا جزءاً صغيراً من العمل الذي أدى إلى النتيجة. أما التجربة والخطأ، والخيارات التي جرى التخلي عنها، والقرارات العملية أثناء البحث، فغالباً ما تبقى خارج النص المنشور. ويمكن لإعادة بناء هذه العملية الخفية أن توفر بيئة تدريب مضبوطة للتفكير العلمي. 5

كما أن إعادة الإنتاج أسهل في التقييم من الاكتشاف الأصلي؛ إذ يوجد هدف خارجي واضح يمكن القياس عليه: هل نجح الوكيل في الوصول إلى النتيجة المنشورة؟ وهل كانت قراراته التجريبية قابلة للدفاع علمياً؟ وهذا يجعلها خطوة وسطى منطقية قبل تكليف نظام ذكاء اصطناعي بالبحث في أسئلة لا تزال إجاباتها مجهولة.

الطموح الأكبر: علماء ذكاء اصطناعي

لا تتعامل Inherent مع إعادة إنتاج الأوراق باعتبارها نقطة النهاية. بل تقدم Faraday كخطوة أولى نحو بناء أنظمة قادرة على العمل عبر مجالات علمية متعددة، والمساعدة في إنتاج معرفة جديدة فعلاً. 13

لكن هذا الطموح أكبر بكثير من الفوز في اختبار معياري. فإعادة إنتاج نتيجة منشورة يبرهن على جزء من السلوك البحثي، بينما يتطلب الاكتشاف الأصلي تحديد أسئلة مهمة لم تُجب بعد، وصياغة فرضيات جديدة، وتصميم اختبارات موثوقة، ثم إنتاج نتائج تصمد أمام التدقيق العلمي.

لذلك من الأدق النظر إلى تقييم Faraday باعتباره دليلاً على تقدم في مرحلة واحدة من هذا المسار، لا برهاناً على أن هدف الاكتشاف العلمي المستقل قد تحقق بالفعل.

لماذا ترتبط لندن بالتوظيف والاستراتيجية؟

خرجت Inherent من وضع التخفي بعد جمع جولة تمويل تأسيسية بقيمة 50 مليون دولار، وتبني فريقها في لندن، بالقرب من البيئة التي خرج منها مؤسسوها. 5 وتشير خطتها المعلنة للنمو من نحو 12 موظفاً إلى ما بين 20 و25 موظفاً إلى نهج بحثي صغير ومكثف، لا إلى سباق لمضاهاة أعداد الموظفين أو ميزانيات تدريب النماذج لدى أكبر المختبرات.

وانتقد إدوارد هيوز، الشريك المؤسس وكبير العلماء في الشركة، قيود «الإجازة الإلزامية قبل الانتقال» (garden leave) في المملكة المتحدة، إذ قد تحد من سرعة انتقال الباحثين بين الشركات أو انضمامهم إلى الشركات الناشئة. وترى Inherent أن هذه القيود تمثل تحدياً عند استقطاب باحثي الذكاء الاصطناعي ذوي الخبرة، بمن فيهم المواهب القادمة من DeepMind، في مواجهة شركات تمتلك تمويلاً أكبر. 6

وتقوم الاستراتيجية الناتجة على التركيز بدلاً من التوسع: فريق صغير، واستثمار في التعلم المعزز والحكم العلمي، ونموذج أساسي أصغر يجمعه النظام بأدوات خارجية أكثر قدرة. وإذا تجاوز هذا النهج التقييم الأولي إلى مهام بحثية أخرى، فقد يمنح الشركات الناشئة مساراً للمنافسة في أبحاث الذكاء الاصطناعي من دون تدريب أكبر نموذج في السوق.

الخلاصة

تقول Inherent إن Faraday تفوق على GPT-5.5 وClaude Opus 4.8 في إعادة إنتاج نتائج علمية منشورة بشكل مستقل، رغم اعتماده على نموذج Qwen 3.6 ذي 27 مليار مُعامل. والأهم من فارق الحجم أن التخطيط البحثي، والتعلم المعزز طويل الأمد، وتنسيق الأدوات قد تكون عوامل لا تقل أهمية عن الحجم الخام للنموذج عند استخدام الذكاء الاصطناعي في العمل العلمي.

لكن الأدلة المتاحة تدعم استنتاجاً أضيق: Faraday منظومة واعدة لوكلاء البحث في المهمة التي قيّمتها Inherent. ولا تثبت بعد تفوقه العام على نماذج Anthropic أو OpenAI، كما أن إعادة إنتاج النتائج المنشورة لا تعني وحدها القدرة على اكتشاف علمي مستقل.