غالباً ما يبدو الحوار العالمي حول الذكاء الاصطناعي (AI) مركزاً على سباق تسلح لا هوادة فيه – من يستطيع بناء أكبر وأقوى نموذج لغوي كبير (LLM)؟ إن التطورات الأخيرة، مثل القدرات المثيرة للإعجاب التي أظهرتها نماذج مثل DeepSeek في الصين، تغذي بالتأكيد هذه الرواية. وفي خضم مشهد اقتصادي مليء بالتحديات، عالمياً ومحلياً، تقدم مثل هذه القفزات التكنولوجية لمحة مغرية عن الإمكانات المستقبلية وربما حافزاً تشتد الحاجة إليه للنمو. ومع ذلك، فإن التركيز فقط على هذه النماذج اللغوية الكبيرة التي تتصدر العناوين يعني إغفال الصورة الأكبر. فالذكاء الاصطناعي، بطرق أقل تباهياً ولكنها مؤثرة بعمق، كان متشابكاً بعمق في نسيج حياتنا الرقمية لسنوات.
لننظر إلى المنصات المنتشرة في كل مكان والتي تهيمن على التفاعل والتجارة عبر الإنترنت. هل كان بإمكان TikTok، أو نظيره الصيني Douyin، تحقيق هذا الانتشار العالمي المذهل بدون خوارزميات التوصية المتطورة التي تصمم باستمرار خلاصات المحتوى؟ وبالمثل، فإن نجاحات عمالقة التجارة الإلكترونية، سواء كانوا لاعبين دوليين مثل Amazon و Shein و Temu، أو قوى محلية مثل Taobao و JD.com، مبنية على أكثر بكثير من مجرد المصادر الفعالة والخدمات اللوجستية. يعمل الذكاء الاصطناعي كاليد الخفية، ويوجه خياراتنا بمهارة. من الكتب التي نفكر في شرائها إلى اتجاهات الموضة التي نتبناها، تتشكل عاداتنا الاستهلاكية بشكل متزايد بواسطة أنظمة تحلل مشترياتنا السابقة، وتاريخ التصفح، وأنماط النقر. قبل وقت طويل من قدرة الذكاء الاصطناعي الحواري على صياغة شعر أنيق عند الطلب، كانت شركات مثل Amazon و Google رائدة في استخدام الذكاء الاصطناعي لفهم سلوك المستهلك والتنبؤ به، مما أدى إلى تغيير جذري في السوق. هذا الشكل الأكثر هدوءاً وانتشاراً من الذكاء الاصطناعي يعيد تشكيل التجارة واستهلاك الوسائط لعقود، وغالباً ما يعمل تحت عتبة الوعي.
السيف ذو الحدين للنماذج اللغوية الكبيرة
يمثل ظهور نماذج لغوية كبيرة قوية مثل DeepSeek بلا شك علامة فارقة تكنولوجية مهمة. إن قدرتها على توليد نصوص شبيهة بالبشر، وترجمة اللغات، وحتى كتابة محتوى إبداعي مثل الشعر أمر رائع. تحمل هذه الأدوات وعداً هائلاً كمساعدين شخصيين، وأدوات بحث، وشركاء مبدعين. تخيل الاستفادة من مثل هذا النموذج لصياغة رسائل البريد الإلكتروني، أو تلخيص المستندات الطويلة، أو تبادل الأفكار – إن إمكانية تعزيز الإنتاجية الفردية واضحة.
ومع ذلك، تأتي هذه القوة مع محاذير كبيرة، متجذرة في طبيعة كيفية عمل هذه النماذج. تُبنى النماذج اللغوية الكبيرة على طرق إحصائية معقدة وشبكات عصبية واسعة مدربة على مجموعات بيانات ضخمة. إنها تتفوق في تحديد الأنماط والتنبؤ بالتسلسل الأكثر احتمالاً للكلمات، لكنها لا تمتلك فهماً حقيقياً أو وعياً. يؤدي هذا الأساس الإحصائي إلى نقطة ضعف حرجة: الهلوسة (hallucinations). عند مواجهة مواضيع خارج بيانات تدريبها أو استفسارات تتطلب حكماً دقيقاً، يمكن للنماذج اللغوية الكبيرة أن تولد بثقة معلومات تبدو معقولة ولكنها غير صحيحة أو مضللة تماماً.
فكر في النموذج اللغوي الكبير ليس ككاهن معصوم من الخطأ، ولكن ربما كخبير واسع الاطلاع بشكل لا يصدق، وبليغ، ولكنه في بعض الأحيان يختلق الأمور. بينما قد يؤلف DeepSeek سونيتة مؤثرة، فإن الاعتماد عليه في تفسير قانوني حاسم، أو تشخيصات طبية دقيقة، أو نصائح مالية عالية المخاطر سيكون أمراً غير حكيم للغاية. إن محرك الاحتمالات الإحصائية الذي يسمح له بتوليد نص بطلاقة يجعله أيضاً عرضة لاختلاق ‘حقائق’ عندما يفتقر إلى المعرفة الحاسمة. بينما تهدف البنى الأحدث ونماذج الاستدلال (مثل R1 من DeepSeek أو o1/o3 المشاع من OpenAI) إلى التخفيف من هذه المشكلة، إلا أنها لم تقضِ عليها. لا يزال النموذج اللغوي الكبير المضمون، الذي يضمن دقته في كل حالة، بعيد المنال. لذلك، في حين أن النماذج اللغوية الكبيرة يمكن أن تكون أدوات قوية للأفراد، يجب أن يقترن استخدامها بتقييم نقدي، خاصة عندما تحمل القرارات المستندة إلى مخرجاتها وزناً كبيراً. إنها تعزز القدرة البشرية؛ ولا تحل محل الحكم البشري في المجالات الحرجة.
التنقل في تطبيقات الذكاء الاصطناعي للشركات والحكومات
على الرغم من قيودها المتأصلة للاستعلامات عالية المخاطر والمفتوحة، تقدم النماذج اللغوية الكبيرة عروض قيمة كبيرة للمؤسسات والهيئات الحكومية، لا سيما في البيئات الخاضعة للرقابة. تكمن نقاط قوتها ليس في استبدال عملية صنع القرار النهائية، ولكن في تبسيط العمليات واستخلاص الرؤى. تشمل التطبيقات الرئيسية ما يلي:
- أتمتة العمليات (Process Automation): التعامل مع المهام الروتينية مثل إدخال البيانات، والفرز المسبق لخدمة العملاء، وتلخيص المستندات، وإنشاء التقارير.
- تحسين سير العمل (Workflow Optimisation): تحديد الاختناقات، واقتراح تحسينات الكفاءة، وإدارة الجداول الزمنية المعقدة للمشاريع بناءً على تحليل البيانات.
- تحليلات البيانات (Data Analytics): معالجة مجموعات البيانات الضخمة للكشف عن الاتجاهات والارتباطات والشذوذات التي قد تفلت من الكشف البشري، مما يساعد في التخطيط الاستراتيجي وتخصيص الموارد.
يعد أمن البيانات وسريتها جانباً حاسماً للاستخدام الحكومي والشركاتي. يمثل توفر النماذج مفتوحة المصدر مثل DeepSeek ميزة هنا. يمكن استضافة هذه النماذج داخل بنية تحتية رقمية حكومية أو مؤسسية مخصصة وآمنة. يتيح هذا النهج ‘المحلي’ (on-premises) أو ‘السحابة الخاصة’ (private cloud) معالجة المعلومات الحساسة أو السرية دون تعريضها لخوادم خارجية أو لمقدمي خدمات من جهات خارجية، مما يقلل من مخاطر الخصوصية والأمن الكبيرة.
ومع ذلك، تتغير الحسابات بشكل كبير عند النظر في التطبيقات الحكومية الموجهة للجمهور (public-facing government applications) حيث يجب أن تكون المعلومات المقدمة موثوقة ودقيقة بشكل لا لبس فيه. تخيل مواطناً يستعلم من بوابة حكومية مدعومة بنموذج لغوي كبير حول الأهلية للحصول على المزايا الاجتماعية، أو لوائح الضرائب، أو إجراءات الطوارئ. حتى لو قام الذكاء الاصطناعي بتوليد استجابات صحيحة تماماً بنسبة 99٪ من الوقت، فإن النسبة المتبقية البالغة 1٪ من الإجابات المضللة أو غير الدقيقة يمكن أن يكون لها عواقب وخيمة، مما يؤدي إلى تآكل ثقة الجمهور، أو التسبب في صعوبات مالية، أو حتى تعريض السلامة للخطر.
وهذا يستلزم تنفيذ ضمانات (safeguards) قوية. تشمل الحلول المحتملة ما يلي:
- تصفية الاستعلامات (Query Filtering): تصميم أنظمة لتحديد الاستفسارات التي تقع خارج نطاق محدد مسبقاً من الإجابات الآمنة والقابلة للتحقق.
- الإشراف البشري (Human Oversight): وضع علامات على الاستعلامات المعقدة أو الغامضة أو عالية المخاطر لمراجعتها والرد عليها من قبل خبير بشري.
- تسجيل الثقة (Confidence Scoring): برمجة الذكاء الاصطناعي للإشارة إلى مستوى يقينه بشأن الإجابة، مما يدفع المستخدمين إلى البحث عن التحقق من الاستجابات منخفضة الثقة.
- التحقق من الإجابات (Answer Validation): التحقق المتقاطع من الاستجابات التي يولدها الذكاء الاصطناعي مقابل قواعد بيانات منسقة للمعلومات المعروفة والدقيقة قبل تقديمها للجمهور.
تسلط هذه الإجراءات الضوء على التوتر الأساسي الكامن في تقنية النماذج اللغوية الكبيرة الحالية: المقايضة بين قوتها التوليدية الرائعة والمتطلب المطلق للدقة والموثوقية في السياقات الحرجة. تعد إدارة هذا التوتر أمراً أساسياً للنشر المسؤول للذكاء الاصطناعي في القطاع العام.
نحو ذكاء اصطناعي جدير بالثقة: نهج الرسم البياني المعرفي
يبدو أن نهج الصين يركز بشكل متزايد على التعامل مع هذا التوتر من خلال دمج الذكاء الاصطناعي في تطبيقات محددة وخاضعة للرقابة مع السعي بنشاط لإيجاد طرق لتعزيز الموثوقية. مثال مقنع هو مبادرة المدينة الذكية التي تتكشف في Zhuhai، وهي مدينة في منطقة الخليج الكبرى. قامت الحكومة البلدية مؤخراً باستثمار استراتيجي كبير (حوالي 500 مليون يوان أو 69 مليون دولار أمريكي) في Zhipu AI، مما يشير إلى الالتزام بدمج الذكاء الاصطناعي المتقدم في البنية التحتية الحضرية.
تمتد طموحات Zhuhai إلى ما هو أبعد من الأتمتة البسيطة. الهدف هو تنفيذ شامل ومتعدد الطبقات للذكاء الاصطناعي يهدف إلى تحسينات ملموسة في الخدمات العامة. ويشمل ذلك تحسين تدفق حركة المرور من خلال تحليل البيانات في الوقت الفعلي، ودمج تدفقات البيانات المتباينة عبر مختلف الإدارات الحكومية لاتخاذ قرارات أكثر شمولية، وفي نهاية المطاف، إنشاء بيئة حضرية أكثر كفاءة واستجابة للمواطنين.
محور هذا الجهد هو نموذج اللغة العام GLM-4 من Zhipu AI. في حين أنه بارع في التعامل مع المهام باللغتين الصينية والإنجليزية ويمتلك قدرات متعددة الوسائط (معالجة المعلومات بخلاف النص فقط)، فإن ما يميزه بشكل أساسي يكمن في بنيته. تدمج Zhipu AI، وهي شركة منبثقة عن مجموعة هندسة المعرفة (Knowledge Engineering Group) الشهيرة بجامعة Tsinghua University، مجموعات البيانات المنظمة والرسوم البيانية المعرفية (knowledge graphs) في عملية التعلم الخاصة بها. على عكس النماذج اللغوية الكبيرة التقليدية التي تتعلم بشكل أساسي من كميات هائلة من النصوص غير المهيكلة (مثل مواقع الويب والكتب)، تستفيد Zhipu AI بشكل صريح من الرسوم البيانية المعرفية المنسقة وعالية الدقة – وهي تمثيلات منظمة للحقائق والكيانات وعلاقاتها.
تدعي الشركة أن هذا النهج يقلل بشكل كبير من معدل هلوسة النموذج، ويقال إنه حقق أدنى معدل في مقارنة عالمية حديثة. من خلال ترسيخ الاستدلالات الإحصائية للذكاء الاصطناعي في إطار من المعرفة المنظمة والمتحقق منها (كما يوحي به أصل ‘هندسة المعرفة’)، تهدف Zhipu AI إلى بناء محرك معرفي أكثر موثوقية. يمثل هذا خطوة عملية بعيداً عن النماذج الإحصائية البحتة نحو الأنظمة التي تدمج التأصيل الواقعي، مما يعزز الجدارة بالثقة لتطبيقات محددة مثل تلك المتوخاة في مشروع المدينة الذكية في Zhuhai.
السعي نحو التكامل العصبي الرمزي
يلمح مثال Zhipu AI إلى تحول أوسع وأكثر جوهرية متوقع في تطور الذكاء الاصطناعي: دمج الشبكات العصبية الإحصائية مع التفكير المنطقي الرمزي. في حين أن النماذج اللغوية الكبيرة الحالية تمثل في المقام الأول انتصار الشبكات العصبية – الممتازة في التعرف على الأنماط، ومعالجة البيانات الحسية، وتوليد المخرجات المحتملة إحصائياً – فإن المرحلة التالية من المرجح أن تتضمن الجمع بين هذه القدرة ‘البديهية’ والتفكير المنظم القائم على القواعد المميز للذكاء الاصطناعي الرمزي التقليدي.
غالباً ما يوصف هذا التكامل العصبي الرمزي (neuro-symbolic integration) بأنه ‘الكأس المقدسة’ في أبحاث الذكاء الاصطناعي على وجه التحديد لأنه يعد بأفضل ما في العالمين: قدرات التعلم والتكيف للشبكات العصبية مقترنة بالشفافية والقابلية للتحقق والاستدلال الصريح للأنظمة الرمزية. تخيل ذكاءً اصطناعياً لا يتعرف فقط على الأنماط في البيانات ولكنه يستطيع أيضاً شرح منطقه بناءً على قواعد أو قوانين أو مبادئ منطقية راسخة.
يمثل تحقيق التكامل السلس العديد من التحديات المعقدة، التي تمتد عبر الأطر النظرية والكفاءة الحسابية والتنفيذ العملي. ومع ذلك، فإن بناء رسوم بيانية معرفية (knowledge graphs) قوية يمثل نقطة انطلاق ملموسة. توفر قواعد البيانات المنظمة هذه للحقائق والعلاقات الأساس الرمزي اللازم لترسيخ استدلالات الشبكة العصبية.
يمكن للمرء أن يتصور جهداً واسع النطاق ترعاه الدولة في الصين، ربما يعكس المشروع الضخم لتجميع موسوعة Yongle Dadian خلال عهد أسرة Ming. من خلال التدوين الرقمي لكميات هائلة من المعلومات التي تم التحقق منها في المجالات الحيوية حيث تكون الدقة غير قابلة للتفاوض – مثل الطب والقانون والهندسة وعلوم المواد – يمكن للصين إنشاء هياكل معرفية أساسية. إن ترسيخ نماذج الذكاء الاصطناعي المستقبلية في قواعد المعرفة المدونة والمنظمة هذه سيكون خطوة مهمة نحو جعلها أكثر موثوقية وأقل عرضة للهلوسة، وفي نهاية المطاف، أكثر جدارة بالثقة للتطبيقات الحرجة، مما قد يدفع حدود هذه المجالات في هذه العملية.
القيادة الذاتية: ميزة النظام البيئي في الصين
ربما تكون الساحة الأكثر إقناعاً حيث يبدو أن الصين مستعدة للاستفادة من تركيزها على الذكاء الاصطناعي المتكامل والموثوق به هي القيادة الذاتية (autonomous driving). يتميز هذا التطبيق عن نماذج اللغة للأغراض العامة لأن السلامة ليست مجرد أمر مرغوب فيه؛ بل هي أمر بالغ الأهمية. يتطلب تشغيل مركبة في بيئات العالم الحقيقي المعقدة وغير المتوقعة أكثر من مجرد التعرف على الأنماط؛ فهو يتطلب قرارات في أجزاء من الثانية بناءً على قوانين المرور، والقيود المادية، والاعتبارات الأخلاقية، والتفكير التنبئي حول سلوك مستخدمي الطريق الآخرين.
لذلك، تتطلب أنظمة القيادة الذاتية بنية عصبية رمزية (neuro-symbolic architecture) حقيقية.
- الشبكات العصبية (Neural networks) ضرورية لمعالجة سيل البيانات الحسية من الكاميرات و lidar والرادار، وتحديد الأشياء مثل المشاة وراكبي الدراجات والمركبات الأخرى، وفهم البيئة المباشرة.
- المنطق الرمزي (Symbolic logic) حاسم لتطبيق قواعد المرور (التوقف عند الإشارات الحمراء، وإعطاء حق الأولوية)، والالتزام بالقيود المادية (مسافات الكبح، وأنصاف أقطار الدوران)، واتخاذ قرارات شفافة وقابلة للتحقق في السيناريوهات المعقدة، وربما حتى التعامل مع المعضلات الأخلاقية (مثل خيارات الحوادث التي لا مفر منها، على الرغم من أن هذا لا يزال مجالاً معقداً للغاية).
يجب أن تمزج المركبة ذاتية القيادة بشكل فعال بين ‘الحدس’ القائم على البيانات والتفكير القائم على القواعد، وأن تتصرف باستمرار وبشكل متوقع لضمان السلامة التكيفية في المواقف الديناميكية. لا يمكنها تحمل نوع ‘الهلوسة’ أو الأخطاء الاحتمالية المقبولة في تطبيقات الذكاء الاصطناعي الأقل أهمية.
هنا، تمتلك الصين تضافراً فريداً من العوامل التي تخلق نظاماً بيئياً خصباً لتطوير ونشر القيادة الذاتية، ويمكن القول إنها تتفوق على القوى العالمية الأخرى:
- سلسلة توريد المركبات الكهربائية (EV) الرائدة عالمياً: تهيمن الصين على إنتاج السيارات الكهربائية ومكوناتها، وخاصة البطاريات، مما يوفر قاعدة صناعية قوية.
- بنية تحتية واسعة للشحن: شبكة سريعة التوسع من محطات الشحن تخفف من قلق المدى وتدعم التبني الواسع للمركبات الكهربائية.
- شبكات 5G المتقدمة: الاتصالات ذات النطاق الترددي العالي والكمون المنخفض ضرورية لاتصالات المركبة بكل شيء (V2X)، مما يتيح التنسيق بين المركبات والبنية التحتية.
- تكامل المدن الذكية: تظهر مبادرات مثل مبادرة Zhuhai استعداداً لدمج أنظمة النقل مع شبكات بيانات حضرية أوسع، وتحسين تدفق حركة المرور وتمكين ميزات المركبات ذاتية القيادة المتقدمة.
- انتشار واسع لخدمات طلب الركوب: يؤدي تبني المستهلكين العالي لتطبيقات طلب الركوب إلى خلق سوق جاهز لخدمات سيارات الأجرة الآلية (robotaxi)، مما يوفر مساراً واضحاً لتسويق المركبات ذاتية القيادة.
- معدل تبني مرتفع للمركبات الكهربائية: احتضن المستهلكون الصينيون السيارات الكهربائية بسهولة أكبر مما هو عليه في العديد من الدول الغربية، مما أدى إلى خلق سوق محلي كبير.
- بيئة تنظيمية داعمة: بينما تظل السلامة هي المفتاح، يبدو أن هناك دعماً حكومياً لاختبار ونشر التقنيات المستقلة، ويتضح ذلك من خلال عمليات سيارات الأجرة الآلية الجارية بالفعل في مدن مثل Wuhan.
قارن هذا بالمناطق الأخرى. الولايات المتحدة، على الرغم من جهود Tesla الرائدة، تتخلف بشكل كبير في التبني العام للمركبات الكهربائية بين الدول المتقدمة، وهو اتجاه قد يتفاقم بسبب التحولات في السياسة. تفتخر أوروبا بتبني قوي للمركبات الكهربائية ولكنها تفتقر إلى نفس التركيز من الشركات المصنعة المحلية المهيمنة للمركبات الكهربائية أو عمالقة الذكاء الاصطناعي العالميين الذين يركزون على هذا التكامل.
لذلك، تبدو الميزة الاستراتيجية للصين أقل ارتباطاً بامتلاك أقوى نموذج لغوي كبير واحد وأكثر ارتباطاً بتنظيم هذا النظام البيئي المعقد. تتجمع القطع في مكانها – من البراعة التصنيعية إلى البنية التحتية الرقمية وقبول المستهلك – للسماح للمركبات ذاتية القيادة بالانتقال من الاختبار المتخصص إلى التبني السائد في غضون العقد، وربما حتى رؤية انطلاقة كبيرة هذا العام. سيتم إطلاق العنان للقوة التحويلية الكاملة عندما تتكامل هذه المركبات بسلاسة مع البنى التحتية للمدن الذكية المتطورة.
تحويل التركيز: من القوة الحاسوبية إلى الأنظمة البيئية المتكاملة
بينما تبدو الولايات المتحدة واللاعبون الآخرون غالباً محصورين في ‘سباق حاسوبي’، يركزون على تفوق الرقائق، والبنية التحتية الضخمة للخوادم، وتحقيق الريادة في المعايير القياسية باستخدام نماذج لغوية كبيرة أكبر حجماً، يبدو أن الصين تتبع استراتيجية تكميلية، وربما تكون في نهاية المطاف أكثر تأثيراً. تؤكد هذه الاستراتيجية على دمج الذكاء الاصطناعي في تطبيقات ملموسة وتحويلية اجتماعياً، مع إعطاء الأولوية للموثوقية وتآزر النظام البيئي، لا سيما في مجالات مثل القيادة الذاتية والمدن الذكية.
يتضمن ذلك تحركاً متعمداً نحو النهج العصبية الرمزية، واستهداف مجالات محددة عالية القيمة وحرجة للسلامة حيث تفشل النماذج الإحصائية البحتة. قد لا تكمن الميزة التنافسية الحقيقية في أي خوارزمية أو نموذج واحد، بغض النظر عن قوته أو فعاليته من حيث التكلفة، ولكن في القدرة على نسج الذكاء الاصطناعي في المشهد المادي والاقتصادي من خلال أنظمة بيئية شاملة ومتكاملة. تخطو الصين بهدوء خطوات نحو تكامل عصبي رمزي عملي ومخصص للمجال، وتنظر إلى ما هو أبعد من الافتتان الحالي بالنماذج اللغوية الكبيرة نحو التطبيقات التي يمكن أن تعيد تشكيل الحياة الحضرية والنقل بشكل أساسي. قد يكمن مستقبل التأثير الحقيقي للذكاء الاصطناعي في العالم الواقعي بشكل أقل في بلاغة روبوتات الدردشة وأكثر في الأداء الموثوق لهذه الأنظمة المعقدة المدمجة بالذكاء الاصطناعي.