المشروع التجريبي لتقييمات الذكاء الاصطناعي مزدوجة التعمية من Google DeepMind
خبير أنظمة الذكاء الاصطناعي
المشروع التجريبي لتقييمات الذكاء الاصطناعي مزدوجة التعمية من Google DeepMind
نشرت Google DeepMind مشروعاً تجريبياً بعنوان «تجربة أول تقييمات للذكاء الاصطناعي مزدوجة التعمية في العالم». الإشارة المؤكدة مهمة، لكن المواد العامة التي تمت مراجعتها لا تكشف عن بروتوكول أو الأنظمة المشاركة أو الدرجات أو النتائج.
أبرز النقاط
- يتضمن الموقع الرسمي لـ Google DeepMind منشوراً بعنوان «تجربة أول تقييمات للذكاء الاصطناعي مزدوجة التعمية في العالم».
- يؤكد السياق العام الموثق وصف المبادرة بأنها مشروع تجريبي؛ لكنه لا يكشف عن الأنظمة المُقيّمة أو المشاركين أو المهام أو آلية التقييم أو حجم العينة أو الجدول الزمني أو نموذج الوصول أو النتائج.
- لا ينبغي اعتبار مصطلح «مزدوجة التعمية» دليلاً على تفوق أي نموذج ذكاء اصطناعي في الأداء قبل نشر المنهجية والنتائج.
- ينسجم الإعلان مع نهج المسؤولية والسلامة الأوسع والموثق لدى Google DeepMind، والذي تقول الشركة إنه يسترشد بمبادئ الذكاء الاصطناعي من Google ويركز على الحوكمة والبحث والأثر.
- بالنسبة للمؤسسات في دول مجلس التعاون الخليجي، تتمثل الاستجابة العملية في تعزيز التقييم الداخلي قبل نشر الذكاء الاصطناعي، خصوصاً في مسارات العمل العربية وثنائية اللغة والمنظمة ومرتفعة الأثر.
ما أكدته Google DeepMind
نشرت Google DeepMind منشوراً رسمياً بعنوان «تجربة أول تقييمات للذكاء الاصطناعي مزدوجة التعمية في العالم». والعنوان نفسه هو الحقيقة المركزية الموثقة: تعرض Google DeepMind علناً مشروعاً تجريبياً يتعلق بتقييمات الذكاء الاصطناعي مزدوجة التعمية.
لهذه الصياغة دلالة مهمة. فالمشروع التجريبي ليس معياراً مكتملاً، ولا خدمة إنتاجية، ولا لوحة تصنيف عامة، ولا دراسة منشورة تتضمن نتائج. واستناداً إلى السياق العام الموثق الذي تمت مراجعته في ١ سبتمبر ٢٠٢٦ عند الساعة ٠٩:٠٧ UTC، لم تقدم Google DeepMind المعلومات اللازمة لتحديد أنظمة الذكاء الاصطناعي المشمولة، أو المهام التي يجري تقييمها، أو الجهة التي تنفذ التقييمات، أو كيفية الإبلاغ عن المخرجات.
كما لا توضح المواد المصدرية المتاحة ما إذا كان المشروع التجريبي يقارن أنظمة Google بأنظمة خارجية، أو يقارن إصدارات من نظام واحد، أو يستخدم خطوط أساس بشرية، أو يركز على نمط محدد من الذكاء الاصطناعي. ولا تحدد عائلة نماذج أو بنية أو عدد معاملات أو معيار قياس أو نطاقاً جغرافياً للإطلاق أو مجموعة مشاركين أو التزاماً مالياً أو تاريخاً للتوافر. وينبغي للقراء تجنب ملء هذه الفجوات بافتراضات.
وهذا تمييز مهم لصناع القرار. فقد تشير مبادرة تقييم تحمل اسماً محدداً إلى أن المختبر يرى في تصميم التقييم أولوية استراتيجية. لكنها لا تثبت بمفردها أن نموذجاً حقق أفضل أداء، أو أن منهجية ما خضعت للتحقق المستقل، أو أن عملاء المؤسسات يمكنهم استخدام المشروع التجريبي اليوم.
الحقائق الموثقة وحدود الإفصاح
| المجال | ما يدعمه السياق الموثق |
|---|---|
| المؤسسة | Google DeepMind. |
| الإعلان | منشور رسمي بعنوان «تجربة أول تقييمات للذكاء الاصطناعي مزدوجة التعمية في العالم». |
| الحالة | يوصف العمل بأنه مشروع تجريبي. |
| بروتوكول التقييم | غير موصوف في المواد العامة الموثقة التي تمت مراجعتها. |
| الأنظمة وإصدارات النماذج | غير محددة في المواد العامة الموثقة التي تمت مراجعتها. |
| المهام والمقيّمون وحجم العينة والمقاييس | غير محددة في المواد العامة الموثقة التي تمت مراجعتها. |
| النتائج أو التصنيفات | لا تتوفر نتائج أو تصنيفات في المواد العامة الموثقة التي تمت مراجعتها. |
| الوصول الخارجي أو الأهلية | غير مذكور في المواد العامة الموثقة التي تمت مراجعتها. |
تكتسب منهجية توثيق ما هو معلوم وما هو غير معلوم أهمية خاصة في الذكاء الاصطناعي. فقد يثير إعلان موجز نقاشاً واسعاً، لكن قابلية تفسير أي ادعاء متعلق بالتقييم تعتمد على الأدلة المحيطة به. ومن دون تعريفات للمهام وهويات النماذج وإعداداتها وتعليمات المقيّمين وممارسات الإبلاغ، لا يستطيع القارئ الخارجي تحديد دلالة النتيجة، حتى لو لُخّصت لاحقاً في عنوان رئيسي.
ماذا تعني «مزدوجة التعمية»؟ وما الذي لا تخبرنا به بعد؟
في مصطلحات التقييم والبحث عموماً، تشير التعمية إلى حجب معلومات قد تؤثر في الحكم. وفي مقارنة بين أنظمة الذكاء الاصطناعي، قد يهدف الإعداد المعمّى إلى منع الشخص الذي يراجع المخرجات من معرفة النظام الذي أنتج كل استجابة. ويمكن أن يشمل نهج التعمية المزدوجة أكثر من دور واحد لا يكون على علم بالهويات خلال مرحلة ذات صلة من العملية. والهدف هو الحد من أثر توقعات العلامة التجارية أو التفضيلات السابقة أو الافتراضات عن النظام في التقييم.
لكن المصطلح وحده لا يصف تطبيق Google DeepMind المحدد. فالسياق الموثق لا يبين من يخضع للتعمية، إن وُجد؛ أو في أي مرحلة تُخفى الهويات؛ أو كيف تُجهز المخرجات؛ أو كيف تُضبط أنظمة الذكاء الاصطناعي؛ أو ما إذا كانت جميع الأنظمة تتلقى Prompts وأدوات وقيوداً متكافئة. كما لا يوضح ما إذا كانت التقييمات تعتمد على أحكام بشرية أو اختبارات آلية أو مراجعات خبراء أو مزيج من هذه الأساليب.
تؤثر هذه التفاصيل في معنى التقييم. فعلى سبيل المثال، يحتاج برنامج التقييم المفيد إلى مهمة محددة بوضوح، ومقياس مناسب للنجاح، ونهج للإبلاغ يجعل القيود واضحة. وفي المهام الذاتية، يمكن لإرشادات المراجعين ومدى اتفاقهم أن يؤثرا بشكل جوهري في التفسير. وفي المهام ذات النتائج القابلة للتحقق الموضوعي، تكتسب تعريفات الإجابة الصحيحة ومعالجة النجاح الجزئي أهمية كبيرة. أما في المهام التشغيلية، فقد تعتمد النتيجة على ظروف لا تظهر في عرض توضيحي قصير.
لا يمثل أي من ذلك انتقاداً للمشروع التجريبي لعدم الإفصاح عن كل التفاصيل في عنوان أو مقتطف من المصدر. بل هو حد للتفسير المسؤول. وإلى أن تنشر Google DeepMind مواد إضافية، سيكون من غير الدقيق وصف المشروع بأنه شامل، أو خضع لتدقيق مستقل، أو يمثل جميع حالات الاستخدام الواقعية، أو يشكل دليلاً على جودة نموذج متفوقة.
كيف ينسجم المشروع التجريبي مع إطار السلامة لدى Google DeepMind
تذكر صفحة المسؤولية والسلامة لدى Google DeepMind أن المؤسسة تسعى إلى بناء الذكاء الاصطناعي بمسؤولية، وأنها تسترشد بمبادئ الذكاء الاصطناعي من Google. كما تصف نهجاً يتمحور حول الحوكمة المسؤولة والبحث والأثر. ويوفر ذلك سياقاً تنظيمياً موثقاً لإعلان يركز على التقييم.
وتحدد الصفحة نفسها مجلس المسؤولية والسلامة بوصفه مجموعة المراجعة الداخلية الراسخة لدى Google DeepMind. وتقول إن المجلس يرأسه بشكل مشترك COO ليلى إبراهيم وVP للمسؤولية هيلين كينغ، وإنه يقيّم الأبحاث والمشاريع والتعاونات وفق مبادئ الذكاء الاصطناعي من Google، مع تقديم المشورة والشراكة مع فرق البحث والمنتجات في الأعمال مرتفعة الأثر.
كما تذكر Google DeepMind أن مجلس سلامة AGI لديها يقوده المؤسس المشارك وكبير علماء AGI شين ليغ، ويعمل بشكل وثيق مع مجلس المسؤولية والسلامة في العمليات والأنظمة والأبحاث المرتبطة بالمخاطر القصوى. ولا ينبغي قراءة تفاصيل الحوكمة هذه على أنها تأكيد بأن أيّاً من المجلسين صمم أو راجع أو اعتمد هذا المشروع التجريبي المحدد؛ فالسياق الموثق لا يثبت هذه الصلة. لكنها تظهر أن المختبر يؤطر المسؤولية والسلامة علناً باعتبارهما مسألة حوكمة وبحث، لا إضافة لاحقة للمنتج.
لهذا التأطير أثر مهم على قطاع الذكاء الاصطناعي. فالتقييم هو النقطة التي تلتقي فيها الادعاءات العامة عن الجودة والفائدة والسلامة مع أسئلة قابلة للاختبار. ويجب على أي برنامج موثوق أن يوضح نطاقه في نهاية المطاف: ما الذي اختُبر، وفي أي ظروف، ومن الذي اختبره، وبأي معايير، وما القيود؟ يضع عنوان المشروع التجريبي لدى Google DeepMind هذه القضية في المشهد العام. أما الخطوة المهمة التالية فستكون تقديم أدلة تتيح التدقيق الخارجي.
لماذا يهم تصميم التقييم أكثر من درجة في عنوان رئيسي
غالباً ما تُعرض على مشتري الذكاء الاصطناعي ادعاءات موجزة: أن نظاماً ما أقوى أو أسرع أو أكثر أماناً أو أفضل لمهمة معينة. وقد تكون هذه الادعاءات نقاط انطلاق مفيدة، لكنها لا تكفي لقرارات الشراء أو النشر. فالرقم من دون تعريف للمهمة وإصدار للنموذج وظروف التشغيل ووصف لعملية القياس، لا يمكنه الإجابة عما إذا كان نظام الذكاء الاصطناعي سينجح في مؤسسة بعينها.
لذلك من الأفضل فهم المشروع التجريبي مزدوج التعمية باعتباره إشارة إلى التقييم، لا إعلاناً عن أداء نموذج. وتكمن أهميته المؤكدة في أن Google DeepMind اختارت تسمية هذا النوع من التقييم ونشره علناً. أما عناصره غير المؤكدة فلا تزال جوهرية: إذ لا توجد أدلة معلنة بعد حول نطاق المشروع التجريبي أو أساليبه أو نتائجه أو توافره العملي.
وهذا التمييز مهم للفرق التقنية. فقد يكون النظام الذي يحقق أداءً جيداً في مهمة ضيقة مناسباً بشكل سيئ لمهمة أخرى تختلف من حيث المدخلات أو اللغات أو مستوى تقبل المخاطر أو متطلبات التكامل أو عمليات المراجعة. وينبغي للمؤسسة اختبار مسار العمل الذي تعتزم تشغيله فعلياً، بدلاً من الاعتماد حصراً على السرديات العامة الواسعة.
وبالنسبة لقادة الأعمال، فالدرس عملي بالقدر نفسه. اسألوا إن كان التقييم يشبه حالة الاستخدام المستهدفة. واسألوا إن كانت أنماط الفشل المهمة قد اختُبرت. واسألوا إن كانت النتيجة قابلة للمقارنة بين الأنظمة. واسألوا عن معدل إعادة الاختبار عند تغير النماذج أو Prompts أو البيانات أو مكونات مسار العمل المحيطة. تنطبق هذه الأسئلة بصرف النظر عن المورّد، وتبقى ضرورية حتى عندما يستخدم التقييم وصفاً منهجياً قوياً.
ما الذي يعنيه ذلك لفرق الذكاء الاصطناعي في الخليج والشرق الأوسط؟
يتضمن تبني الذكاء الاصطناعي في السعودية والإمارات ودول مجلس التعاون الخليجي الأوسع، على نحو متزايد، مسارات عمل حيوية للأعمال وخدمات موجهة للجمهور وأعمال المعرفة وعمليات العملاء والإنتاجية الداخلية. وفي هذا السياق، ينبغي التعامل مع التقييم باعتباره قدرة أساسية للنشر. قد يكون المشروع التجريبي العام الصادر عن مختبر عالمي للذكاء الاصطناعي مفيداً، لكنه لا يغني عن الاختبار وفق متطلبات المؤسسة الخاصة.
ينبغي للفرق الإقليمية بناء مجموعات التقييم حول الظروف اللغوية والسياسات والتشغيل التي تهمها. وبالنسبة إلى كثير من مؤسسات الخليج، قد يشمل ذلك المحتوى العربي والتفاعلات الثنائية بين الإنجليزية والعربية والمصطلحات الإقليمية والوثائق المحلية وأساليب التواصل مع العملاء ومسارات التصعيد المطلوبة عندما تكون استجابة الذكاء الاصطناعي غير مؤكدة أو غير مناسبة. وستختلف حالات الاختبار المناسبة بين مسار عمل لمركز اتصال، ومساعد للبحث القانوني، وأداة معرفة داخلية، وواجهة لخدمة عامة.
يمكن أن تبدأ العملية الداخلية العملية بمجموعة صغيرة من المهام عالية القيمة. حدّدوا شكل المخرجات الجيدة قبل مقارنة الأنظمة. وأخفوا هوية النظام عن المراجعين عندما يكون ذلك ممكناً. وسجلوا إصدار النموذج وPrompt والوصول إلى الأدوات والإعدادات والتاريخ وظروف الإدخال ذات الصلة. وراجعوا المخرجات الناجحة، وكذلك حالات الفشل الضارة أو غير القابلة للاستخدام. وحيث تكون لمسار العمل عواقب جوهرية، حافظوا على المراجعة البشرية وأنشئوا مسار تصعيد واضحاً.
لا يشكل ذلك بديلاً عن أبحاث التقييم الخارجية، بل مكملاً لها. وتكون قيمة المنهجية العامة في ذروتها عندما تساعد المؤسسات على طرح أسئلة أفضل حول أنظمتها الخاصة. وبالنسبة لفرق الخليج، فإن التقييم المحلي هو ما يحول ادعاءً عاماً عن الذكاء الاصطناعي إلى دليل ذي صلة بنشر فعلي.
ما الذي ينبغي متابعته لاحقاً؟
ستتعلق الإفصاحات المستقبلية الأكثر فائدة من Google DeepMind بنطاق المشروع التجريبي وقابليته لإعادة الإنتاج. وينبغي للقراء متابعة أي توضيح بشأن الأنظمة الجاري تقييمها وفئات المهام والأدوار التي تخضع للتعمية ومعايير التقييم وآلية التعامل مع إصدارات النماذج وإعداداتها، والشكل الذي ستُعلن به النتائج.
وسيكون من المفيد أيضاً معرفة ما إذا كان العمل يميز بين تقييمات التفضيل الذاتية والمهام ذات النتائج القابلة للتحقق الموضوعي. فهذه مشكلات تقييم مختلفة. وقد يخفي وصف عام واحد أو تصنيف واحد تبايناً مهماً بين أنواع المهام واللغات والمجالات وفئات الفشل.
وإلى أن تُنشر هذه المعلومات، فالخلاصة الصحيحة يجب أن تكون متزنة. فقد عرّفت Google DeepMind علناً مشروعاً تجريبياً يتضمن تقييمات للذكاء الاصطناعي مزدوجة التعمية. لكن السياق المتاح لا يثبت كيفية عمل المشروع أو ما الذي توصل إليه. ومن المبرر التعامل مع الإعلان كدعوة لتحسين انضباط التقييم؛ أما اعتباره دليلاً على فوز نموذج معين فليس مبرراً.
رأينا
يمثل قرار Google DeepMind الإعلان عن مشروع تجريبي لتقييمات الذكاء الاصطناعي مزدوجة التعمية إشارة مهمة إلى أن منهجية التقييم تستحق الاهتمام إلى جانب ادعاءات قدرات الذكاء الاصطناعي. وهذا ذو قيمة لأن مصداقية المقارنة بين أنظمة الذكاء الاصطناعي لا تعتمد على النتيجة وحدها، بل على كيفية إنتاجها وكيفية توضيح حدودها أيضاً.
في الوقت نفسه، يظل السجل العام الموثق الحالي محدوداً عن قصد. فعنوان المشروع التجريبي مؤكد، أما تصميمه الأساسي ونتائجه فليسا كذلك. والاستجابة الأقوى ليست التهويل ولا الرفض، بل المطالبة بوضوح منهجي وتجنب استنتاج نتائج لم تُنشر وتحسين ممارسات التقييم الداخلي من الآن.
بالنسبة للمؤسسات التي تنشر الذكاء الاصطناعي في الخليج والشرق الأوسط، فهذه هي الخلاصة القابلة للتنفيذ: استخدموا الإعلانات الخارجية كمدخلات، لكن اتخذوا قرارات النشر استناداً إلى أدلة من اختباركم الخاص المحكوم والمحدد بالمجال. أفضل تقييم ليس الأكثر قابلية للتسويق، بل الذي يجعل القرار التشغيلي الحقيقي أكثر قابلية للدفاع عنه.