العالم الاصطناعي: مقاربات الذكاء العام الاصطناعي المنطقية، والناشئة، والعالمية

1. المقدمة

يتناول هذا البحث الهدف الطموح لخلق "عالم اصطناعي"، وهو ذكاء اصطناعي قادر على إجراء أبحاث جديرة بجائزة نوبل بشكل مستقل، كما اقترحه استطلاع جورتزل عام 2014. ويوضح البحث القدرات الضرورية لمثل هذا الكيان، ويضع هذا الهدف ضمن المشهد الأوسع لأبحاث الذكاء العام الاصطناعي. السؤال المركزي ليس مجرد أتمتة المهام العلمية، بل منح الذكاء الاصطناعي الفضائل المعرفية الأساسية للعالم: الشك، والتحقق التجريبي، وتكوين النظريات.

2. ما المطلوب من عالم اصطناعي؟

مستلهمين شعار الجمعية الملكية "nullius in verba" (لا تأخذ كلمة أحد على علاتها)، يستخلص المؤلفون القدرات الأساسية التي يجب أن يمتلكها العالم الاصطناعي.

3. مقاربات الذكاء العام الاصطناعي لعالم اصطناعي

يقيّم البحث ثلاثة نماذج رئيسية للذكاء العام الاصطناعي مقابل المتطلبات المذكورة أعلاه.

4. نحو إطار عمل موحد

يخلص البحث إلى أنه لا يوجد نموذج قائم بمفرده يحقق جميع متطلبات العالم الاصطناعي. من الضروري اتباع مقاربة هجينة أو موحدة. يستكشف بإيجاز النظريات التي تجمع بين العناصر، مثل الذكاء الاصطناعي العصبي الرمزي، الذي يدمج التعلم القوي للشبكات العصبية مع التفكير المنظم للأنظمة الرمزية، كاتجاه واعد لتلبية المطالب متعددة الأوجه للاكتشاف العلمي.

5. الفكرة الأساسية ومنظور المحلل

الفكرة الأساسية: "العالم الاصطناعي" ليس مجرد أداة أتمتة، بل هو الاختبار القصوى للذكاء العام الاصطناعي. فهو يتطلب اندماجًا للقدرات — التعلم القائم على البيانات، والدقة المنطقية، والفهم السببي، والوضوح التواصلي — وهي قدرات تفشل أنظمة الذكاء الاصطناعي الحالية بشكل كبير في توفيرها بشكل فردي. يحدد البحث بشكل صحيح أن الهوة بين ذكاء اصطناعي يطابق الأنماط (الناشئ) وآخر يتبع القواعد (المنطقي) هي العقبة الرئيسية.

التسلسل المنطقي: الحجة بسيطة بأناقة: تعريف الأفعال المعرفية الأساسية للعالم، وربطها بالقدرات المعرفية، ثم التدقيق بصرامة في نماذج الذكاء العام الاصطناعي الحالية مقابل هذه القائمة. فشل كل نموذج في نقاط رئيسية يدفع منطقيًا نحو الاستنتاج بضرورة التكامل. الإشارة إلى "مقصلة هيوم" فيما يتعلق بتقييم الفرضيات هي لمسة فلسفية حادة تبرز الحاجة الملحة لقيم أو استدلالات استكشافية مدمجة في أي عالم مستقل.

نقاط القوة والضعف: تكمن قوة البحث في تفكيكه الواضح القائم على المتطلبات لتحدٍ كبير. فهو يتجنب الوعود الغامضة ويركز على فجوات القدرات الملموسة. ومع ذلك، عيبه الرئيسي هو المعالجة الخفيفة للحل المقترح. ذكر "المقاربات الهجينة" هو فكرة مبتذلة في مجال الذكاء الاصطناعي. الفكرة الحقيقية ستكون اقتراح مخطط معماري محدد أو تكامل أدنى قابل للتطبيق، على غرار كيف قدمت ورقة CycleGAN إطار عمل ملموسًا لترجمة الصورة إلى صورة غير مقترنة. بدون هذا، يبدو الاستنتاج خطوة ضرورية ولكنها غير كافية.

رؤى قابلة للتنفيذ: بالنسبة للباحثين، الاستنتاج الفوري هو التوقف عن النظر إلى الذكاء الاصطناعي العصبي الرمزي على أنه اهتمام هامشي. يجب أن يكون هو جدول الأعمال البحثي المركزي للذكاء الاصطناعي من أجل العلم. يجب على هيئات التمويل مثل برنامج ASDF التابع لداربا أن تعطي الأولوية للهياكل التي تربط صراحة الإدراك العصبي بمحركات التفكير الرمزية. بالنسبة للصناعة، يجب أن يركز الاهتمام على تطوير "أدوات اكتشاف سببية" يمكن دمجها مع نماذج اللغة الكبيرة، والانتقال من الارتباط إلى توليد فرضيات قابلة للتنفيذ. يبدأ طريق العالم الاصطناعي ببناء ذكاء اصطناعي لا يستطيع فقط قراءة 100,000 ورقة بحثية، بل يمكنه أيضًا تحديد الافتراض الخاطئ الوحيد الذي تشترك فيه جميعها — وهي مهمة تتطلب العقل الهجين الذي يتصوره المؤلفون.

6. التفاصيل التقنية والإطار الرياضي

تشير المتطلبات إلى إطار عمل رسمي. يمكن صياغة تقييم الفرضيات كمشكلة تحسين، موازنة بين المصداقية والمنفعة. صياغة مبسطة لاختيار فرضية $h$ من فضاء $H$ بوجود بيانات $D$ ودالة منفعة $U$ يمكن أن تكون:

$$h^* = \arg\max_{h \in H} \left[ \alpha \cdot \log P(h|D) + \beta \cdot U(h) \right]$$

حيث:

• $P(h|D)$ هي المصداقية اللاحقة للفرضية بوجود البيانات (تتطلب استدلالًا بيانيًا أو تقريبات).
• $U(h)$ هي دالة منفعة تقدر "الربحية" من التحقيق في $h$ (مثل إمكانية الاكتشاف الرائد، التطبيق العملي).
• $\alpha$ و $\beta$ هما معاملان يوازنان بين الهدفين، ويمثلان "القيم" الجوهرية للوكيل.

يمكن النظر إلى الاسترداد على أنه عملية توليد مرشح $h$ من $H$ له $P(h|D)$ غير مهملة. قد تعرّف المقاربات العالمية $P(h|D)$ باستخدام الاحتمال الخوارزمي، بينما تتعلمها المقاربات الناشئة من البيانات، وقد تستنتجها المقاربات المنطقية من قاعدة معرفة.

7. إطار التحليل: دراسة حالة

السيناريو: يحلل ذكاء اصطناعي بيانات الصحة العامة ويلاحظ ارتباطًا بين المنطقة (أ) وارتفاع معدل الإصابة بالمرض (س).

النموذج الناشئ الخالص (التعلم العميق): يحدد النمط بدقة عالية. عند سؤاله "لماذا؟"، يمكنه فقط تسليط الضوء على الميزات المساهمة (مثل مؤشر جودة الهواء في المنطقة أ هو مؤشر تنبؤي رئيسي). لا يمكنه اقتراح فرضية ميكانيكية قابلة للاختبار مثل "الملوث (ص)، المنتشر في المنطقة (أ)، يثبط العملية الخلوية (ز)، مما يؤدي إلى المرض (س)".

النموذج المنطقي الخالص (الرمزي): لديه قاعدة معرفة في علم الأحياء. يمكنه الاستدلال بأن "تثبيط العملية (ز) يمكن أن يسبب المرض (س)" وأن "الملوث (ص) هو مثبط للعملية (ز)". ومع ذلك، قد يفتقر إلى القدرة على اكتشاف الرابط الإحصائي الجديد بين المنطقة (أ) والمرض من مجموعات البيانات الأولية الفوضوية.

المقاربة الهجينة العصبية الرمزية:

1. الإدراك/الاستقراء (شبكة عصبية): تكتشف الارتباط بين المنطقة (أ) والمرض (س) من البيانات.
2. التأسيس الرمزي: يربط "المنطقة (أ)" بحقائق معروفة في قاعدة معرفته: "المنطقة (أ) لديها مستويات عالية من الملوث (ص)".
3. الاسترداد (المفكر الرمزي): يستعلم في رسمه البياني المعرفي البيولوجي: "ما هي الأسباب المعروفة للمرض (س)؟ هل يمكن ربط الملوث (ص) بأي من هذه الأسباب؟" يجد الرابط بالعملية الخلوية (ز).
4. تكوين الفرضية: يولد الفرضية السببية القابلة للاختبار: "يسبب الملوث (ص) المرض (س) عن طريق تثبيط العملية (ز)".
5. تصميم التجربة: يستخدم التفكير السببي لاقتراح تجربة معملية تعرض الخلايا للملوث (ص) وقياس نشاط العملية (ز).

8. التطبيقات المستقبلية والاتجاهات

القريب المدى (5-10 سنوات): تطوير "مساعدي بحث بالذكاء الاصطناعي" يعجلون بشكل كبير مراجعة الأدبيات، وتوليد الفرضيات، وتصميم التجارب في مجالات مثل علم المواد (اكتشاف محفزات جديدة) واكتشاف الأدوية (تحديد مسارات أهداف دوائية جديدة). ستكون هذه أنظمة هجينة محدودة النطاق بدقة.

المتوسط المدى (10-20 سنة): أنظمة اكتشاف مستقلة تعمل في مجالات غنية بالبيئات وفقيرة بالنظريات. أمثلة على ذلك تحليل مجموعات البيانات الفلكية من التلسكوبات مثل JWST لاقتراح نماذج فيزيائية فلكية جديدة، أو غربلة البيانات الجينومية والبروتيومية للكشف عن أسباب أمراض معقدة تتجاوز قدرة التعرف على الأنماط البشرية.

بعيد المدى وتخميني: علماء اصطناعيون حقيقيون قادرون على اكتشافات تحول النماذج في الفيزياء الأساسية (مثل اقتراح واختبار نظريات الجاذبية الكمية) أو الرياضيات (توليد وإثبات تخمينات عميقة). سيتطلب هذا تقدمًا ليس فقط في بنية الذكاء الاصطناعي، بل في التجريب الفيزيائي الآلي (المختبرات الروبوتية) وربما أشكالًا جديدة من الرياضيات الموجهة للآلة. الاتجاه النهائي هو نحو ذكاء اصطناعي يمكنه إعادة تعريف المنهج العلمي نفسه، واستكشاف استراتيجيات استدلالية غير قابلة للفهم للعقل البشري.

9. المراجع

1. Goertzel, B. (2014). Artificial General Intelligence: Concept, State of the Art, and Future Prospects. Journal of Artificial General Intelligence, 5(1), 1-48.
2. Bringsjord, S., & Licato, J. (2012). Psychometric Artificial General Intelligence: The Piaget-MacGuyver Room. In Theoretical Foundations of Artificial General Intelligence (pp. 25-48). Atlantis Press.
3. Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
4. Marcus, G. (2020). The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence. arXiv preprint arXiv:2002.06177.
5. Garcez, A. d., & Lamb, L. C. (2020). Neurosymbolic AI: The 3rd Wave. arXiv preprint arXiv:2012.05876.
6. King, R. D., et al. (2009). The Automation of Science. Science, 324(5923), 85-89.
7. Hutter, M. (2005). Universal Artificial Intelligence: Sequential Decisions Based on Algorithmic Probability. Springer.
8. DARPA. Automated Scientific Discovery Framework (ASDF) Program. Retrieved from https://www.darpa.mil.