لماذا نماذج اللغات الكبيرة المقيّسة (GPT-6) ليست ذكاءً اصطناعيًا عامًا (AGI):
وهم الحجم وحقيقة الذكاء العام
السردية السائدة في قطاع التكنولوجيا تشير إلى أن الذكاء الاصطناعي العام (AGI) هو في الأساس تحدي هندسي يتعلق بالحجم: المزيد من القوة الحاسوبية، مجموعات بيانات أكبر، نوافذ سياق أطول، ومجموعات ضخمة من التعلم المعزز. شخصيات بارزة مثل سام ألتمان (الرئيس التنفيذي لـ OpenAI) وجنسن هوانغ (الرئيس التنفيذي لـ NVIDIA) يصورون مرارًا المسارات الحدودية الحالية - وصولًا إلى "GPT-6" الافتراضي - على أنها تضع البشرية على أعتاب الوكالة البشرية الفورية. ومع ذلك، فإن معالجة نماذج المحولات الذاتية التراجعية المقيّسة على أنها AGI يخلط بين الاسترجاع الإحصائي عالي الأبعاد والذكاء العام الحقيقي. يكشف النقد المعماري والرياضي والاقتصادي عن سبب مواجهة متنبئات الرمز التالي لحدودًا هيكلية في التوسع، ولماذا المعايير السائدة معيبة، وما يتطلبه الذكاء العام الحقيقي فعليًا.
- تعريف AGI: الأساس التشغيلي
لتقييم سبب فشل التوسع في التراجع الذاتي في تحقيق AGI، يجب علينا أولاً وضع أساس صارم وغير تسويقي. في ورقته التأسيسية حول مقياس الذكاء، يُعرّف الباحث في الذكاء الاصطناعي فرانسوا شوليه الذكاء ليس كموسوعة من المهارات الثابتة، بل كـ قدرة تعلم فعالة بالعينات:
الذكاء الاصطناعي العام (AGI) هو نظام مستقل قادر على اكتساب كفاءات جديدة وتجميعها وتطبيقها لحل مشكلات غير مسبوقة في ظل عدم اليقين - مع مطابقة أو تجاوز الكفاءة البشرية في التعلم بالعينات، والتكيف المستمر، والاستدلال السببي، وصياغة الأهداف دون تدخل يدوي أو تدريب مسبق خاص بالمهمة.
AGI ليس مجموع كل المعرفة البشرية المضغوطة في مصفوفة أوزان؛ بل هو محرك التعلم الفوقي القادر على توليد نماذج جديدة تمامًا للعالم عندما تفشل المعرفة الحالية.
- الاختناقات المعمارية لنماذج المحولات الذاتية التراجعية
حتى إذا تم تدريب نموذج حدّي مستقبلي على $10^{27}$ عملية فاصلة عائمة (FLOPs) عبر مدخلات متعددة الوسائط، فإنه يظل مقيدًا بالميكانيكيات الأساسية لهندسة المحولات:
$$\text{الرموز المدخلة} \longrightarrow \text{ضرب المصفوفات الثابتة (أوزان مجمدة)} \longrightarrow \text{توزيع احتمالية الرمز التالي}$$
أ. غياب التعلم المستقل والمستمر
الاختناقات المعمارية لـ "GPT-6"
حتى إذا تم تدريب "GPT-6" مستقبليًا على $10^{27}$ عملية فاصلة عائمة (FLOPs) مع مدخلات متعددة الوسائط، فإنه يظل مقيدًا بالميكانيكيات الأساسية لهندسة المحولات:
\\`
[ الرموز المدخلة ] ──> [ ضرب المصفوفات الثابتة (أوزان مجمدة) ] ──> [ توزيع احتمالية الرمز التالي ]
│
└── (لا مرونة وقت التشغيل / لا نموذج عالمي ديناميكي)
أ. غياب التعلم المستقل والمستمر
\ \\الأوزان الثابتة:\* تخضع نماذج اللغات الكبيرة القياسية لمراحل تدريب واستدلال منفصلة. بمجرد انتهاء الانتشار العكسي، يتم تجميد أوزان النموذج. عندما يتفاعل نموذج لغوي كبير مع العالم، لا يمكنه تعديل معلماته الداخلية في الوقت الفعلي.
\ \\النسيان الكارثي:\* تعاني الشبكات العصبية من النسيان الكارثي - حيث يؤدي تحديث الأوزان على مهام جديدة إلى تدهور القدرات المكتسبة سابقًا.
\ \\نوافذ السياق $
eq$ الذاكرة:\* توسيع نوافذ السياق (أو استخدام RAG) يوفر مساحات عمل مؤقتة، وليس ذاكرة عرضية أو دلالية موحدة. النظام الذي لا يستطيع بشكل مستقل تقليم المعتقدات الخاطئة واستيعاب البديهيات الجديدة أثناء وقت التشغيل هو محرك استرجاع معلومات، وليس متعلمًا ديناميكيًا.
ب. الارتباط الإحصائي مقابل الاستدلال السببي
\ \\أفق الرمز التالي:\\ تعمل نماذج المحولات على تحسين [$P](https://x.com/search?q=%24P&src=cashtag_click)(\text{Token}_n \mid \text{Tokens}_{1 \dots n-1})$. كما يوضح الحائز على جائزة تورينج، جوديا بيرل، في الأدوات السبعة للاستدلال السببي، تحتل النماذج الترابطية أدنى درجة في التسلسل الهرمي السببي* (الارتباط / "الرؤية").
\ \\عنق الزجاجة التدخلي:\\ يتطلب الذكاء العام الحقيقي الاستدلال على مستويات التدخل ("ماذا لو فعلنا X؟") والافتراضات المضادة* ("ماذا لو تصرفنا بشكل مختلف؟"). تقترب نماذج اللغات الكبيرة من هذه من خلال أنماط الرموز، ولكن بدون محرك سببي صريح، تظل هشة عند الاستدلال خارج توزيع تدريبها.
الأوزان الثابتة أثناء الاستدلال: تحافظ نماذج اللغات الكبيرة القياسية على حدود هيكلية صارمة بين التدريب والاستدلال. بمجرد انتهاء الانتشار العكسي، تظل أوزان النموذج مجمدة. أثناء التنفيذ، لا يمكن لنموذج لغوي كبير تعديل معلماته الداخلية في الوقت الفعلي.
النسيان الكارثي: يؤدي تحديث أوزان الشبكة العصبية على مهام جديدة إلى تدهور القدرات المكتسبة سابقًا.
نوافذ السياق $
eq$ الذاكرة: توسيع نوافذ السياق (أو إلحاق التوليد المعزز بالاسترجاع) يوفر مساحة عمل مؤقتة، وليس ذاكرة عرضية أو دلالية موحدة. النظام الذي لا يستطيع بشكل مستقل تقليم المعتقدات الخاطئة واستيعاب البديهيات الجديدة أثناء وقت التشغيل يعمل كنظام استرجاع معلومات، وليس متعلمًا ديناميكيًا.
ب. الارتباط الإحصائي مقابل الاستدلال السببي
أفق الرمز التالي: تعمل نماذج المحولات على تحسين $P(\text{Token}_n \mid \text{Tokens}_{1 \dots n-1})$. كما يوضح الحائز على جائزة تورينج، جوديا بيرل، في الأدوات السبعة للاستدلال السببي، تحتل النماذج الترابطية أدنى درجة في التسلسل الهرمي السببي (الارتباط / "الرؤية").
عنق الزجاجة التدخلي: يتطلب الذكاء العام الحقيقي الاستدلال على مستويات التدخل ("ماذا يحدث إذا فعلنا $X$؟") والافتراضات المضادة ("ماذا كان سيحدث لو تصرفنا بشكل مختلف؟"). تقترب نماذج اللغات الكبيرة من هذه الآليات من خلال أنماط الرموز، ولكن بدون نموذج عالمي سببي صريح، تظل هشة عندما تُجبر على العمل خارج توزيع تدريبها.
- تحليل نقدي: السردية القيادية مقابل الواقع المعماري
التصريحات العامة حول الجداول الزمنية للـ AGI تستحق تحليلًا موضوعيًا إلى جانب الحوافز الهيكلية للشركات التي تصدرها.
جنسن هوانغ (NVIDIA): حافز توسعة الأجهزة
الإطار: صرح هوانغ مرارًا أن AGI سيصل في غضون خمس سنوات، معرّفًا إياه تحديدًا على أنه النقطة التي يستطيع فيها الذكاء الاصطناعي تحقيق أعلى نسبة مئوية في الاختبارات المهنية البشرية في المجالات القانونية والطبية والتقنية.
المنظور: تعريف AGI بشكل أساسي من خلال أداء الامتحانات الموحدة يقيم استرجاع المعرفة الثابتة ومطابقة الأنماط - وهي مهام تتفوق فيها نماذج التراجع الذاتي بسبب الحفظ على نطاق الإنترنت. من وجهة نظر معمارية، اجتياز امتحانات المحاماة أو مجالس الطب لا يشير إلى الاستدلال خارج التوزيع أو القدرة على التكيف الذاتي. تأطير النجاح في الامتحانات على أنه AGI يشجع الإنفاق الرأسمالي المستمر على مجموعات وحدات معالجة الرسوميات (GPU) للمؤسسات، مما يتماشى مباشرة مع أهداف مبيعات الأجهزة.
سام ألتمان (OpenAI): حافز رأس المال والتقييم
الإطار: يشير ألتمان بشكل متكرر إلى جدول زمني طموح نحو AGI، متوقعًا انتقالات سريعة من الأنظمة الوكيلة إلى الاستقلال المعرفي الكامل لتبرير استثمارات ضخمة في البنية التحتية، مثل مبادرات الرقاقات ومراكز البيانات التي تبلغ قيمتها تريليونات الدولارات.
مشكلة الحافز: الخطاب الصناعي المضلل
فهم التصريحات العامة للمديرين التنفيذيين في مجال التكنولوجيا يتطلب تحليل حوافزهم الهيكلية:
\\`
┌───────────────────────────────┐ ┌───────────────────────────────┐
│ جنسن هوانغ (NVIDIA) │ │ سام ألتمان (OpenAI) │
├───────────────────────────────┤ ├───────────────────────────────┤
│ الحافز: بيع H100s/B200s │ │ الحافز: جولات تمويل بمليارات │
│ الاستراتيجية: إعادة تعريف AGI │ │ الدولارات و Stargate │
│ على أنه اجتياز الامتحانات │ │ الاستراتيجية: التذبذب بين │
│ الموحدة خلال 5 سنوات. │ │ "AGI وشيك يشبه الإله" و │
│ │ │ "مجرد أداة مفيدة." │
└───────────────────────────────┘ └───────────────────────────────┘
المنظور: يركز التشغيل الأساسي لـ OpenAI على تأمين احتياطيات ضخمة من رأس المال لتمويل عمليات الحوسبة. الترويج لسردية AGI الوشيكة يحافظ على تقييمات عالية لرأس المال الاستثماري ويؤمن دعمًا سياديًا استراتيجيًا. ومع ذلك، فإن التعريفات المتغيرة - بالتناوب بين تأطير الإصدارات الجديدة كقفزات تكنولوجية والتراجع عن ادعاءات AGI أثناء المناقشات التنظيمية - يسلط الضوء على توتر بين الرسائل التسويقية والقدرة التقنية. تقنيات مثل توسيع نطاق الحوسبة أثناء الاستدلال تحسن البحث عبر مساحات المشكلات المنظمة، لكنها لا تحل مشكلة تجميد الأوزان، أو التكيف في الوقت الفعلي، أو الاستقلال المعرفي الحقيقي.
- مغالطة المعايير: لماذا المقاييس الحالية مضللة
التصور بأن النماذج الحدودية تقترب من AGI ينبع إلى حد كبير من تشبع المعايير. تعاني منهجيات التقييم الحالية من ثلاثة عيوب هيكلية أساسية:
تلوث البيانات وتشبع المعايير: مجموعات التقييم الشائعة مثل MMLU و GSM8K تتسرب بشكل روتيني إلى مجموعات بيانات ما قبل التدريب على نطاق الويب. الدرجات العالية تعكس غالبًا استدعاء أنماط عالي الأبعاد وليس استدلالًا خارج التوزيع.
قانون جودهارد في تحسين الذكاء الاصطناعي: كما يظهر البحث في تقييم نماذج الذكاء الاصطناعي الحدودية، "عندما يصبح المقياس هدفًا، يتوقف عن كونه مقياسًا جيدًا." تقنيات ما بعد التدريب (RLHF، DPO، توليد البيانات الاصطناعية) تعمل على تحسين النماذج بقوة لاجتياز التقييمات العامة القياسية.
مجموعة الاستدلال والتجريد (ARC-AGI): تقييم النماذج على ألغاز منطقية بصرية-تجريدية جديدة مصممة خصيصًا لمقاومة الحفظ - مثل معيار ARC-AGI - يكشف أنه بينما يمكن للبحث المقيّس والحوسبة في وقت الاختبار دفع الدرجات إلى الأعلى، فإن البحث الإحصائي بالقوة الغاشمة يتطلب أوامر من حيث الحجم أكثر من كفاءة العينات البشرية لحل مشكلات التجريد المتطابقة.
- المتطلبات المعمارية للـ AGI الحقيقي
سد الفجوة بين مطابقة الأنماط الإحصائية والـ AGI الحقيقي يتطلب تحولات معمارية أساسية بعيدًا عن التراجع الذاتي الخالص:
المتطلب الأساسي | القيود في نماذج المحولات | المتطلب المعماري للـ AGI |
|---|---|---|
اللدونة التشابكية المستمرة | أوزان مجمدة أثناء الاستدلال؛ نسيان كارثي عند التحديثات. | تكيف مستمر للمعلمات والذاكرة في الوقت الفعلي أثناء التنفيذ. |
نماذج العالم السببية | رسم خرائط احتمالية ترابطية على مستوى الرمز أحادي البعد. | محركات سببية متعددة الأبعاد قائمة على المنطق التشغيلي وتتبع الحالة الديناميكي. |
كفاءة العينات | يتطلب تريليونات من الرموز / بيانات على نطاق الويب لإتقان مهام ضيقة. | القدرة على تجريد القواعد المعقدة من عروض توضيحية فردية (التعلم الفوقي). |
المعايرة المعرفية الذاتية | هلوسات واثقة؛ عدم القدرة على التحقق من حدود المعرفة الداخلية. | تحقق ذاتي جوهري مع تتبع صريح لليقين والجهل. |
الذاكرة المعرفية الدائمة | نوافذ سياق مؤقتة وبحث متجه خارجي (RAG). | تمثيلات معرفية موحدة تقوم بتقطير الحقائق والتحقق منها وتقليمها باستمرار. |
الخلاصة
ما يتطلبه الـ AGI الحقيقي فعليًا
سد الفجوة بين مطابقة الأنماط الإحصائية عالية الأبعاد والـ AGI الحقيقي يتطلب تحولات معمارية أساسية:
المتطلب الأساسي | القيد في نماذج المحولات (GPT-4/6) | المتطلب المعماري للـ AGI الحقيقي |
|---|---|---|
اللدونة التشابكية المستمرة | أوزان النموذج مجمدة؛ نسيان كارثي عند تحديثات التدرج. | تكيف مستمر للمعلمات والذاكرة في الوقت الفعلي أثناء وقت التشغيل. |
نماذج العالم السببية | رسم خرائط احتمالية ترابطية على مستوى الرمز أحادي البعد. | محركات سببية متعددة الأبعاد قائمة على الميكانيكيات التشغيلية والمنطق. |
كفاءة العينات | يتطلب تريليونات من الرموز / بيانات على نطاق الإنترنت لتعلم مهام بدائية. | تجريد البديهيات المعقدة من عروض توضيحية فردية (التعلم الفوقي). |
المعايرة المعرفية الذاتية | هلوسات واثقة؛ غير قادر على التحقق من حدود الحقيقة بشكل مستقل. | تحقق ذاتي جوهري وتتبع صريح لليقين/الجهل. |
تكامل الرسم البياني المعرفي الدائم | نوافذ سياق مؤقتة وبحث متجه خارجي (RAG). | رسوم بيانية معرفية موحدة تقوم بتقطير حقائق الحالة والتحقق منها وتذكرها وتقليمها باستمرار. |
توسيع نطاق الحوسبة وعدد المعلمات وبيانات ما قبل التدريب ينتج أدوات استثنائية، ومساعدين أكفاء في البرمجة، وواجهات لغة طبيعية بطلاقة. ومع ذلك، توسيع نطاق التنبؤ الإحصائي لا يولد تلقائيًا الاستدلال المستقل أو التعلم الديناميكي أو الوكالة الحقيقية.
قد يكون GPT-6 المستقبلي أسرع وأكبر وأكثر بلاغة عبر النص البشري، ولكن بدون اللدونة المستمرة، والأساس السببي، والتحقق الذاتي الديناميكي، يظل محرك ارتباط متقدمًا - وليس AGI.
ملخص بواسطة Seedthink
