نشر معهد أبحاث Google DeepMind مقالًا شاملاً يجادل فيه بأن عصر ما بعد الذكاء الاصطناعي العام يستحق الآن نفس الدقة التحليلية التي كان المجال مخصصًا للذكاء الاصطناعي العام نفسه. تم نشر المقال، "ماذا يأتي بعد الذكاء الاصطناعي العام؟ من الذكاء الاصطناعي العام إلى الذكاء الفائق،" في 19 نوفمبر 2026 بواسطة تيم جينيوين، عالم الأبحاث في Google DeepMind، على بوابة مقالات معهد DeepMind. وزعمها الأساسي هو أنه مع تبلور طرق تكنولوجية متعددة نحو الذكاء العام الفائق الاصطناعي، فإن النظام الذي يتجاوز الذكاء الاصطناعي العام "يتحول من التكهنات الفلسفية إلى البحث التجريبي ومسائل الحوكمة".

تم نشر المقال خلال واحدة من أكثر فترات أخبار أبحاث الذكاء الاصطناعي ازدحامًا منذ أشهر، ويُنظر إليه على أنه محاولة متعمدة لإعطاء نقاش ما بعد الذكاء الاصطناعي العام مفردات تقنية ملموسة. بالنسبة لأي شخص يتابع أحدث تطورات الذكاء الاصطناعي، فإنه يقدم أوضح صورة حتى الآن لكيفية قيام أحد المختبرات الرائدة في العالم برسم الطريق إلى ما هو أبعد من الذكاء الاصطناعي على المستوى البشري - بما في ذلك توقعات التكلفة التي، إذا كانت صحيحة، من شأنها أن تحول اقتصاديات العمل المعرفي.

ما يمكن اعتباره ذكاءً فائقًا

يبدأ جينيوين بوضع الذكاء العام على سلسلة متصلة، مع الذكاء الاصطناعي العام على المستوى البشري كنقطة واحدة فقط على طوله. ASI، حسب تعريف المقال، هو نظام متقدم يتفوق باستمرار على مجموعات كبيرة من الخبراء البشريين في المهام التي قد يستغرق هؤلاء الخبراء سنوات لإكمالها، باستخدام موارد أقل ووقت أقل - على سبيل المثال، مطابقة الإنتاج العلمي لمجال بحث كامل في جزء صغير من الوقت، أو تحقيق تقدم في تصميم الرقائق على قدم المساواة مع ما تنتجه شركة كبيرة في عام واحد. ومن الأهمية بمكان أن يتم استيفاء هذا الشرط في جميع المهام التي تهم الإنسان تقريبًا، وليس في شريحة ضيقة.

يشير المقال إلى أن الهيمنة الضيقة موجودة بالفعل: فأنظمة الذكاء الاصطناعي اليوم تتفوق على أي إنسان في لعبة الشطرنج ولعبة Go، وتتنبأ بهياكل البروتين من تسلسل الأحماض الأمينية، وقد أثبتت نظريات قاومت علماء الرياضيات لعقود من الزمن. ما يبقى مجهولاً حقًا هو الأرضية الوسطى الشاسعة بين الذكاء الاصطناعي على المستوى البشري والحدود النظرية للذكاء. نقطة جينيوين التوضيحية: حل لعبة الشطرنج بشكل مثالي سيتطلب قوة حاسوبية أكبر مما هو موجود على الأرض، ومع ذلك فإن شريحة بحجم ظفر الإبهام تلعب بالفعل بشكل جيد بما يكفي لهزيمة أي إنسان.

التصنيع المعرفي وانهيار التكاليف

جوهر المقال الكمي هو تحليل "التصنيع المعرفي". يضاعف جينوين ثلاثة اتجاهات مركبة من العقد الماضي. أولاً، الأجهزة: لقد تحسنت الحوسبة لكل دولار بنحو 1.5 مرة سنويًا لمدة ستة عقود بموجب قانون مور والاتجاهات ذات الصلة. ثانيًا، الكفاءة الخوارزمية: انخفضت حوسبة التدريب اللازمة للوصول إلى مستوى أداء ثابت بنحو 3 إلى 6 أضعاف سنويًا على مدار العقد الماضي، مع تحسن كفاءة الاستدلال بنحو 3 أضعاف سنويًا. ثالثًا، الاستثمار: زاد الإنفاق على أجهزة الذكاء الاصطناعي بنحو 2.5 مرة سنويًا، كما زادت حوسبة التدريب لأكبر الرحلات الحدودية بأكثر من 4 أضعاف سنويًا.

اضرب الثلاثة، ويقدر المقال أن الحوسبة الفعالة العالمية تنمو بما لا يقل عن 10 أضعاف سنويًا - "بعامل 10 مليارات على مدى عشر سنوات". ومن ناحية الطلب، فإن تحسينات كفاءة الأجهزة والبرامج وحدها من شأنها أن تقلل من الحوسبة اللازمة لتشغيل عبء عمل ثابت للذكاء الاصطناعي بحوالي 4 مرات سنويًا. والنتيجة، على حد تعبير جينيوين: إن عبء العمل المعرفي الذي يكلف مليار دولار من الرموز الحسابية لأداء أنظمة الذكاء الاصطناعي الحالية سيكلف ما يقرب من 1000 دولار في عشر سنوات.

هذا ليس استقراء وحيدا. يستشهد المقال بدراسة حديثة توصلت إلى أن سعر المستهلك لتحقيق درجة ثابتة على مجموعة من المعايير قد انخفض بأكثر من 13 مرة سنويًا منذ عام 2023. ويتوقع أيضًا أن يتضاعف عدد وكلاء الذكاء الاصطناعي الفعالين إلى أكثر من ألف ضعف بحلول عام 2030، وأكثر من مليار ضعف في غضون عشر سنوات - مع الإشارة بعناية إلى أن هذا "ليس أمرًا مسلمًا به بالتأكيد"، نظرًا لأن السقوف العملية للتراكم الحسابي والمزيد من السقوف التخمينية على كفاءة الخوارزميات يمكن أن التدخل.

المسارات الأربعة من AGI إلى ASI

جوهر المقال هو تصنيف لأربعة مسارات تكنولوجية يمكن أن تطلق العنان لقدرات لا يستطيع النطاق المطلق تحقيقها - لأنه، كما لاحظ جينيوين بجفاف، "بينما اكتشف أينشتاين النسبية العامة، ربما لم يكن من الممكن عقد مؤتمر يضم مائة ألف من علماء الفلك البطلميين".

قياس النماذج والبيانات. لقد تحسنت القدرة بشكل ملحوظ باستمرار مع النموذج والبيانات ومقياس حوسبة وقت الاختبار، لكن المقال يحدد ثلاث اختناقات: استنفاد البيانات، حيث أن الطلب على بيانات التدريب عالية الجودة يفوق قدرة البشرية على إنتاجها؛ تناقص العوائد على نطاق النموذج، حيث تتطلب كل خطوة خطية في القدرة حسابًا مضاعفًا بينما تعمل النماذج الأكبر على إبطاء أساليب وقت التفكير؛ والقيود المادية والاقتصادية على محطات توليد الطاقة، والشبكات الكهربائية، ومصانع الرقائق، والوصلات البينية ذات زمن الاستجابة المنخفض. تحولات النموذج التكنولوجي. نموذج اليوم - تدريب المحولات على التنبؤ بالرمز المميز التالي، ثم تحسين وإضافة حساب وقت الاختبار - قد ظهر مؤخرًا من حيث المبدأ قادر على تشغيل خوارزميات معقدة من خلال المطالبات. ومع ذلك، لا تزال النماذج أقل من البشر فيما يتعلق بالتعلم المستمر، وبعض أشكال النمذجة العالمية، وصنع القرار، وكفاءة العينة، واختراع مفاهيم جديدة حقًا بدلاً من إعادة تجميع المفاهيم الموجودة. ينقسم الباحثون حول ما إذا كانت امتدادات النموذج الحالي يمكنها سد تلك الفجوات أو ما إذا كانت ASI تتطلب شيئًا أعمق. تحسين التنسيق بين الوكلاء. تقوم الشركات البشرية والأسواق والمجتمعات البحثية بحل المشكلات التي لا يستطيع أي فرد حلها. وبالمثل، فإن تنسيق الآلاف أو الملايين من مثيلات الذكاء الاصطناعي العام في "وكلاء المجموعة" أو اقتصاديات الوكيل الافتراضي يمكن أن ينتج ذكاءً فائقًا جماعيًا. ويجادل المقال بأن هذا المجال يحتاج إلى "قوانين توسيع متعددة الوكلاء" - حيث وجدت الأبحاث المبكرة مكاسب واضحة في بعض المهام، ولكن عدم كفاءة التنسيق يؤدي إلى عوائد متناقصة مع نمو السكان. وسوف تتطلب توجيه التجمعات الكبيرة أيضا تصميما مؤسسيا، بما في ذلك الدفاعات ضد المعلومات المضللة، والتلاعب، والتواطؤ؛ تُظهر تجارب السرب بالفعل عملاء يتعلمون الغش وآخرون يعملون كمبلغين عن المخالفات. التحسين الذاتي العودي. تمت مناقشته لأول مرة بواسطة I. J. Good وRay Solomonoff، ويصف RSI أنظمة الذكاء الاصطناعي التي تعمل على أتمتة التحسينات للأجيال القادمة من الذكاء الاصطناعي. على عكس التقنيات النموذجية، يمكن للتحسينات في الذكاء الاصطناعي تسريع المكاسب اللاحقة بشكل مباشر - ولكن يميل أيضًا إلى صعوبة العثور على التقدم البحثي بمرور الوقت. يقول المقال إن ما إذا كان مؤشر القوة النسبية (RSI) ينتج تسارعًا جامحًا هو "سؤال تجريبي إلى حد كبير"، ويمكن أن يعمل من خلال التعليمات البرمجية والتصميمات - البنيات، وخوارزميات التدريب، وتخطيطات الرقائق - وكذلك من خلال البيانات.

لماذا يعتبر التأطير مهمًا

تعتبر المقالة بوضوح حجة تحضيرية: إن رسم خريطة للطرق الممكنة من الذكاء الاصطناعي العام إلى الذكاء الاصطناعي العام وبناء "طرق صارمة وموثوقة لتتبع التقدم" هو، في إطار جينيوين، الشرط الأساسي لإدارة عملية الانتقال. وهو مرفق بتقرير أطول من معهد DeepMind بعنوان "من AGI إلى ASI."

كان الاستقبال فوريا. حصل المقال على 85 نقطة وأكثر من 160 تعليقًا على Hacker News خلال يوم واحد من نشره، في حين سلطت الصحافة التجارية بما في ذلك Unite.AI وBigGo Finance الضوء على تصنيف المسارات الأربعة وتوقعات تصادم التكاليف بملايين المرات. كما أنها تقع وسط شكوك واسعة النطاق حول كيفية عمل تنبؤات الذكاء الفائق، حيث نشرت IEEE Spectrum مقالاً هذا الأسبوع بعنوان "النقاش حول الذكاء الاصطناعي الفائق به عيوب خطيرة".

هذا التوتر هو النقطة. DeepMind لا تتنبأ بـ ASI في موعد محدد؛ إنها تجادل بأن مساحة السيناريو يمكن الآن رسمها وقياسها ومناقشتها بالأدلة بدلاً من المشاعر. وسواء كانت الاستقراءات المليارية تصمد أو تنكسر ضد السقوف المادية، فإن المقال يمثل تحولا: السؤال "ماذا يأتي بعد الذكاء الاصطناعي العام؟" انتقل من ندوة الفلسفة إلى جدول الأعمال البحثي لأحد مختبرات الذكاء الاصطناعي الأكثر تأثيرًا على وجه الأرض.

---

ابقَ في طليعة الذكاء الاصطناعي

احصل على آخر الأخبار والتحليلات والإنجازات في مجال الذكاء الاصطناعي — كل ذلك في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →