لاحظت أنه خلال العام الماضي أصبحت التصريحات حول أننا قد وصلنا بالفعل إلى الذكاء الاصطناعي العام تتزايد بشكل أكثر صوتًا. آخر صيحات في مجلة Nature، بالطبع، زادت من حدة الأمر. لكن هناك مشكلة أساسية يغفل عنها الكثيرون.

إليك الأمر: الناس يخلطون بين شيئين مختلفين تمامًا. من جهة، لدينا نماذج لغوية تظهر نتائج مذهلة في الاختبارات وتتعامل مع مهام متنوعة. ومن جهة أخرى — هذا لا يعني أننا أنشأنا ذكاءً عامًا حقيقيًا. هذا مجرد خلط بين التعرف على الأنماط بشكل متزايد مع الذكاء نفسه.

إذا نظرنا إلى التعريفات التاريخية للذكاء الاصطناعي العام، فهي دائمًا تركز على أشياء أخرى: الاعتمادية في سياقات مختلفة، القدرة على التعميم عند مواجهة الجديد، والمرونة. وليس مجرد درجات عالية في الاختبارات في ظروف اصطناعية.

وما هو مثير للاهتمام هنا. الأبحاث الحديثة تظهر أن الأنظمة التي تتفوق بشكل رائع في حل المهام الاختبارية غالبًا ما تنهار عند أدنى تغيير في الظروف. على سبيل المثال، النماذج الطبية تعطي إجابات صحيحة حتى عندما تفتقر إلى بيانات رئيسية، لكنها تصبح غير مستقرة عند تغييرات صغيرة في التوزيع. هذا ليس ذكاءً، بل تدريبًا على سيناريوهات محددة.

على المستوى الاقتصادي، الصورة أكثر وضوحًا. حتى أنظمة الذكاء الأكثر تقدمًا يمكنها أداء جزء صغير فقط من المهام العملية الحقيقية بشكل موثوق، على الرغم من نتائجها العالية في ظروف الاختبار. البيانات الحديثة تشير إلى أن معظم الشركات لم ترَ بعد فائدة ملموسة من تطبيق الذكاء الاصطناعي. وهذا لا يبدو كذكاء عام.

هناك نقطة أخرى غالبًا ما يتجاهلونها. عندما تعطي النماذج اللغوية والبشر إجابات متشابهة، هذا لا يعني أنهم يفكرون بنفس الطريقة. لقد رأيت أمثلة حيث كانت النموذج تعطي استنتاجًا واثقًا في حالة عدم اليقين، بينما كان الخبير البشري يمتنع عن الحكم بسبب نقص المعلومات. التطابق السطحي يخفي اختلافات عميقة في العملية.

الأنظمة الحالية لا تزال هشة. تعتمد على صياغة الطلب، لا تملك أهدافًا ثابتة، ولا يمكنها التفكير بشكل موثوق على المدى الطويل. حتى القصص عن حلول النماذج لمشاكل رياضية مفتوحة — هي في الغالب تجميع وتكرار لطرق موجودة، وليس ابتكار استراتيجيات جديدة.

المشكلة ليست فقط في المصطلحات. عندما تبدأ هذه الأنظمة في الاعتماد عليها في عمليات اتخاذ القرار في العلم والهيئات الحكومية، فإن المبالغة في تقدير قدراتها قد تؤدي إلى أخطاء خطيرة في توزيع الثقة والمسؤولية. لذلك، فإن خلط التقدير المتقدم للإحصاء مع الذكاء الاصطناعي العام هو خطأ مفاهيمي فقط، بل هو أيضًا خطر عملي.

النماذج التي لدينا — أدوات قوية، نعم. لكنها تظل أدوات، وليست وكلاءً يمتلكون كفاءة مرنة حقيقية. والفارق مهم جدًا.