الملخّص
تقترح هذه الورقة الفكرية نموذجًا تصوّريًا موجزًا للعمل المشترك بين الإنسان والذكاء الاصطناعي، تعبّر عنه المعادلة SI = −DK. ويُمثَّل الذكاء البيولوجي (BI) بمفتاح له حالتان: إمّا أن يكون العقل البشري منخرطًا بفاعلية في سير العمل، وإمّا أن يكون غائبًا عنه. أمّا حدّ دانينغ–كروغر (DK) فيمثّل اتجاهًا أو «قطبية»: فالفجوة بين الثقة بالنفس والكفاءة الفعلية إمّا أن تتّسع وإمّا أن تضيق.
عندما تكون BI = 0، يدفع الاعتماد على الذكاء الاصطناعي وحده قطبية DK في الاتجاه الموجب: إجابات سلسة وواثقة، لا يملك المستخدم الوسائل اللازمة لتقييم صحتها. وعندما تكون BI = 1، ينتج عن تفاعل BI + AI ما يسمّيه هذا المقال «الذكاء الفائق» (SI)، وتنعكس القطبية.
لا يدّعي النموذج أنّ الإنسان أذكى من الآلة، ولا أنّ الآلة أذكى منه. بل يقول إنّ الإنسان هو الذي يحدّد إشارة النتيجة. وهو نموذج تصوّري مستمدّ من تجارب ميدانية، لا قانون تجريبي مثبت؛ ولذلك يبيّن المقال أيضًا ما قد يدعمه من أدلة وما قد يدحضه.
من ثلاثة مقالات إلى سطر واحد
في أغسطس، نشرتُ سلسلة من ثلاثة مقالات عن كيفية العمل بفاعلية مع الذكاء الاصطناعي.
دافع المقال الأول عن مبدأ التكرار الاحتياطي في المراجعة: نموذج يبني، ونموذج آخر يفحص. وناقش الثاني ضرورة اختيار النموذج الملائم لكل مهمة. أمّا الثالث فأكّد أنّ المستخدم نفسه جزء من المنظومة، وأنّ الحكم البشري يمثّل طبقة التحقّق الاحتياطية الأخيرة.
ومنذ ذلك الحين، واصلت العمل. نماذج أكثر، ومنصّات أكثر، ومشروعات هندسية حقيقية أكثر، وأخطاء أكثر أيضًا؛ بعضها منّي وبعضها من الآلات.
ومع مرور الأشهر، أخذت الدروس المختلفة تتجمّع حول ملاحظة واحدة: لم تكن جودة العمل بمساعدة الذكاء الاصطناعي تتحدّد، في المقام الأول، بالنموذج الذي أستخدمه، بل بمدى انخراط العقل البشري فعلًا أثناء عمل ذلك النموذج.
ليس مجرّد حضور. بل مشاركة عقلية فاعلة.
وفي النهاية، اختُزلت تلك الملاحظة في سطر واحد من دفتر ملاحظاتي:
SI = −DK
الذكاء الفائق هو عكس تأثير دانينغ–كروغر من حيث الاتجاه.
وما تبقّى من هذا المقال يشرح معنى ذلك السطر، وكيف بُني، وبالقدر نفسه من الأهمية، ما الذي لا يدّعي إثباته.
تعريف المصطلحات
لا تكون المعادلة أدقّ من تعريف مصطلحاتها. لذلك أُعرّف هنا أربعة رموز بدقة؛ لأنّ افتراض معانٍ مختلفة لها قد يخلق تناقضات لا وجود لها في النموذج نفسه.
BI — الذكاء البيولوجي
مفتاح ثنائي: صفر أو واحد.
هل ينخرط العقل البشري فعليًا في حلقة العمل، فيحدّد الهدف ويسائل المخرجات ويتحقّق منها، ويستطيع تمييز الإجابة الخاطئة حتى إن بدت مقنعة؟
AI — الذكاء الاصطناعي
مساهمة النموذج: النصوص والشيفرات والتحليلات والتصاميم وغيرها من الأعمال المولَّدة.
SI — الذكاء الفائق
النتيجة المشتركة للذكاء البيولوجي والذكاء الاصطناعي عندما يكون الإنسان منخرطًا: عملٌ لا يستطيع أيّ منهما إنجازه بمفرده.
DK — قطبية دانينغ–كروغر
اتجاه قد يكون موجبًا أو سالبًا.
هل تتّسع الفجوة بين الثقة بالنفس والكفاءة الفعلية، أم تضيق؟
هناك خياران جوهريان في هذه التعريفات.
أولًا: BI متغيّر ثنائي. فهو لا يقيس مقدار ذكاء الإنسان. قد ينسخ شخص شديد الذكاء إجابةً من دون أن يقرأها، فتكون قيمة BI = 0 في تلك المهمة. وقد يفحص شخص عادي النتيجة على ضوء الواقع، فتكون BI = 1. فالانخراط حالةٌ في سير العمل، لا صفةٌ ثابتة في الشخص.
ثانيًا: DK قطبية وليست مقدارًا. فهي لا تقيس حجم الثقة المفرطة، بل تشير إلى الاتجاه الذي تتحرّك فيه. لهذا يمكن عكس إشارتها، ولهذا أيضًا لا تُضاف إلى الحدود الأخرى كما لو كانت كمية قابلة للجمع.
ويربط بين المفتاح والقطبية التعبير التالي:
DK = 1 − 2 × BI
حالتان وآلة واحدة
للنموذج حالتان لا غير. الذكاء الاصطناعي هو نفسه في كلتيهما؛ وما يتغيّر هو وضع المفتاح البشري وحده.
الحالة الأولى: BI = 0 — غياب الإنسان عن حلقة التحقّق
0 + AI = AI, DK = +1
يسأل المستخدم، فيجيب الذكاء الاصطناعي، وتُقبل الإجابة كما هي.
تبدو المخرجات سلسة، منظّمة، وذات نبرة واثقة. أصبح لدى المستخدم عملٌ يبدو احترافيًا، فيشعر أنّه صار أكثر كفاءة لمجرّد امتلاكه. لكنّه لا يستطيع أن يميّز مدى صحته، لأنه لم يشارك فعلًا في تقييمه.
ارتفعت الثقة، ولم ترتفع الكفاءة. هذا هو الاتجاه الذي يعبّر عنه دانينغ–كروغر هنا: تتّسع الفجوة بين ما يظنّ المرء أنّه يعرفه وما يعرفه فعلًا. في هذه الحالة، لا يبدّد الذكاء الاصطناعي الجهل، بل يكسوه بمظهر المعرفة.
الحالة الثانية: BI = 1 — مشاركة الإنسان بفاعلية
1 + AI = SI, DK = −1
يحدّد الإنسان الهدف، ويقدّم السياق، ويسائل المخرجات، ويقارنها بالأدلة، ويرفض ما لا يصمد أمام الفحص.
الآن، تواجه كلّ عبارة واثقة يصدرها الذكاء الاصطناعي عقلًا يسأل: «كيف عرفت ذلك؟» فتظهر الأخطاء، وتُختبر الافتراضات. ويتعلّم الإنسان أين تكمن قوة النموذج وأين يوهم بالمعرفة؛ وفي المقابل، توسّع سرعة النموذج وسعة نطاقه ما يستطيع الإنسان الوصول إليه.
تتقدّم الثقة والكفاءة معًا، وتضيق الفجوة بينهما، وتنعكس القطبية.
هذه الحالة المشتركة هي ما يسمّيه المقال «الذكاء الفائق». وليس المقصود آلةً تجاوزت الإنسان، بل منظومةً تجمع الإنسان والآلة وتحقّق ما يتجاوز قدرة أيّ منهما منفردًا.
المعادلة في معناها الكامل
في الحالة الثانية، تكون DK = −1، وتكون النتيجة SI. وهذا هو السطر الذي دوّنته:
SI = −DK
الذكاء الفائق ليس مجرّد غياب تأثير دانينغ–كروغر؛ بل يمثّل، في هذا النموذج، الاتجاه المضاد له تمامًا.
لماذا يعكس الإنسان الإشارة؟
ليست الفكرة المثيرة للاهتمام هنا أنّ الإنسان يضيف قيمة؛ فهذا أمر بديهي. بل إنّ غيابه لا يكتفي بإنقاص القيمة، وإنما يعكس اتجاه النتيجة.
كيف يمكن للذكاء الاصطناعي نفسه أن يجعل شخصًا أقدر على الفهم، وآخر أشدّ إفراطًا في الثقة؟
لأنّ مخرجات الذكاء الاصطناعي تحمل المظاهر الخارجية للكفاءة. فالطلاقة والتنظيم والثقة في التعبير إشارات نعتمد عليها عادةً في تقدير الخبرة. وينتج الذكاء الاصطناعي هذه الإشارات سواء أكان المحتوى صحيحًا أم لا. ومن لا يفحص المخرجات بعقله يكتفي بتلك المظاهر.
ولأنّ تأثير دانينغ–كروغر يرتبط بقصور التقييم الذاتي. فقد يفتقر من لا يتقن مهمةً ما إلى المعرفة اللازمة للحكم على جودة إنجازها أيضًا. ولا يصلح الذكاء الاصطناعي هذا القصور تلقائيًا؛ بل يقدّم جوابًا يبدو مكتملًا، فلا يواجه المستخدم أحيانًا الصعوبة التي كانت ستكشف له حدود معرفته.
ولأنّ الانخراط يخلق تغذية راجعة. حين يسأل الإنسان ويتحقّق، يصبح كل خطأ يرتكبه الذكاء الاصطناعي درسًا بدل أن يبقى خطرًا مستترًا. وتتّضح صورة الواقع لدى المستخدم وتُصحَّح باستمرار؛ فتصبح ثقته أكثر اتزانًا لأنها تُبنى على الأدلة.
وبلغة الهندسة، يمثّل BI مسار التغذية الراجعة. من دونه، تعمل المنظومة في حلقة مفتوحة: تبدو المخرجات مستقرة فيما تتراكم الأخطاء بصمت. ومع وجوده، تُغلق الحلقة؛ فتتحوّل قدرة التضخيم نفسها، التي كانت تضخّم الخطأ، إلى وسيلة لتضخيم التصحيح.
الذكاء الاصطناعي مُضخِّم. والإنسان هو من يختار ما الذي سيُضخِّمه.
ما شاهدته في الميدان
لم يولد هذا النموذج من تنظير مجرّد، بل من مشاهدة الأدوات نفسها وهي تنتج نتائج متعاكسة.
الحالة الميدانية الأولى — الموقع الإلكتروني الذي «كان يعمل»
في الجزء الأول من سلسلتي عن الذكاء الاصطناعي، تحدّثتُ عن موقع إلكتروني يعمل في بيئة الإنتاج؛ كان يُحمَّل بصورة صحيحة ويبدو سليمًا. وكانت كلّ إضافة بمساعدة الذكاء الاصطناعي تلبّي الطلب الظاهر. لكن في البنية الداخلية، كانت مسارات التوجيه المكرّرة، والإعدادات القديمة، والملفات المتقادمة تتراكم.
ما دام الناتج المرئي مقبولًا، بدا المشروع مكتملًا وتحت السيطرة. تلك كانت حالة BI = 0: ثقة متزايدة، في مقابل منظومة تتدهور بصمت.
وما إن فُحصت الملفات الفعلية حتى انعكست القطبية. ظهرت العيوب، ونُظِّفت البنية الهندسية، وتحسّن فهمنا لمنظومتنا نفسها.
الحالة الميدانية الثانية — الإجابة المقنعة ليست إعدادًا متحقَّقًا منه
ظهرت حالة أكثر تقنية أثناء التحقيق في سلوك الذاكرة لدى خوارزمية RandomX على جهاز Mac بمعالج Intel. وكان استخدام Huge Pages، أي الصفحات الكبيرة للذاكرة، جزءًا محدّدًا من التجربة. لم يكن الأمر تحسينًا نظريًا أو خانةً نضع عندها علامة. كان السؤال: هل يستخدم نظام التشغيل وبرنامج التعدين إعداد الذاكرة المقصود فعلًا؟ وهل يصمد أيّ تحسّن مزعوم أمام اختبار حقيقي؟
كان بوسع الذكاء الاصطناعي اقتراح سلسلة خطوات معقولة، وشرح تخصيص الذاكرة، واقتراح تعديل، ووصف الشكل المتوقع لنتيجة ناجحة. وكلّ ذلك مفيد. لكن تماسك الاقتراح ليس دليلًا على أنّ الجهاز يعمل بالفعل في الحالة المقترحة. وفي هندسة الأداء خصوصًا، يكون الفرق بين تفسير يبدو معقولًا وحالة جرى رصدها أهمّ من الثقة التي يُصاغ بها التفسير.
اعترضتُ أثناء هذا التحقيق على النهج الذي اقترحه الذكاء الاصطناعي. وجاء التصحيح هذه المرة من الطرف البشري: كان لا بدّ للإجابة أن تتوافق مع الجهاز، وسلوك نظام تشغيله، والأدلة الناتجة عن الاختبار؛ لا أن يُلائم الواقعُ نفسه الإجابةَ. فلم يكن كافيًا قبول الخطة لأنّ صياغتها تبدو مكتملة من الناحية التقنية.
وتضمّن التحقيق في النهاية تخصيص ذاكرة مؤقتة بحجم 256 MB، ثم إعادة تشغيل كاملة من حالة إيقاف (cold reboot)، وبعدها أظهر اختبار أنّ نسبة Huge Pages بلغت 100%. وكانت لهذه الملاحظة أهميتها. لكن كان من الضروري أيضًا التعامل معها بوصفها ملاحظةً عن حالة الإعداد، لا تصريحًا بنسبة كل تحسّن لاحق في الأداء إلى تغيير واحد. فالقياسات المختلفة تجيب عن أسئلة مختلفة.
من السهل تصوّر النتيجة السيئة في حالة كهذه، لكن لا يجوز الخلط بينها وبين ما قيس فعلًا: لو قُبل التفسير الأول للذكاء الاصطناعي، لتحوّل إعدادٌ مقترح إلى حقيقة مفترضة. أمّا النتيجة المفيدة فجاءت من رفض إنهاء التحقيق قبل ظهور الأدلة. لم تكن قيمة BI في مطالبة الذكاء الاصطناعي بمزيد من العمل، بل في عدم منحه الكلمة الأخيرة بشأن منظومة مادية لا يستطيع فحصها بنفسه.
الحالة الميدانية الثالثة — حين جاء التصحيح من الاتجاه الآخر
أظهر التحقيق نفسه على جهاز Mac ذي معالج Intel لماذا لا يمكن اختزال العلاقة في عبارة «الإنسان على حق والذكاء الاصطناعي على خطأ». فبعد أن صحّحتُ نهج الذكاء الاصطناعي، اكتشف هو خللًا في الطريقة التي كنت أختبر بها. وهنا انعكس اتجاه التصحيح: شكّك الإنسان في اقتراح الآلة، وشكّكت الآلة في أدلة الإنسان.
وكان هذا التدخّل الثاني هو الجزء الأهمّ من الحالة. فلو انتهت القصة عند إثبات أنّ المستخدم اكتشف خطأ المساعد، لما أثبتت سوى قدرة الإنسان على رصد أخطاء الآلة. وذلك ضروري، لكنه ليس الذكاء المشترك الذي يصفه النموذج. تظهر النتيجة الأقوى عندما يستطيع كلّ طرف كشف مواطن الضعف في استدلال الطرف الآخر، ويكون سير العمل قادرًا على استيعاب هذا التصحيح المتبادل.
اختبار الأداء (benchmark) ليس جدالًا يجب أن يفوز فيه أحد الطرفين. إنّه قياس ينبغي تفسيره بقدر من الانضباط يضمن أن الجهاز وإعداداته وظروف الاختبار والنتيجة المعلنة تشير كلّها إلى الواقع نفسه. واكتشاف خلل في الاختبار يغيّر ما يمكن استنتاجه بصورة مسؤولة، حتى حين تبدو النتيجة في البداية مؤيّدةً للتفسير الذي نفضّله.
لاحقًا، سجّل جهاز Mac ذي معالج Intel معدّلات تجزئة مستدامة لخوارزمية RandomX تجاوزت 3.0 kH/s، مع استخدام للمعالج يقارب 50%، خلال تشغيل استمر 24 ساعة. وهذه ملاحظة تشغيلية، وليست في ذاتها دليلًا على أنّ Huge Pages هي سبب التحسّن. وهنا يكمن الفرق: لا تكتسب الأرقام قيمةً هندسية إلا عندما نفهم الظروف التي أُنتجت فيها. ويجب أن يظلّ الرقم المقنع قابلًا للمساءلة، تمامًا كما تظلّ الفقرة المقنعة قابلةً للنقد.
ذلك التصحيح المتبادل هو ما جعل العمل أفضل. لم تكن قاعدة «ثق بالذكاء الاصطناعي» كافية، ولا قاعدة «ثق بالمهندس» كافية. كانت القاعدة هي اختبار الاقتراح، وفحص الملاحظة، والسماح لكل طرف بكشف خطأ لدى الآخر. أفادت الآلة عندما راجعت افتراضًا بشريًا. وأفاد الإنسان عندما رفض اعتبار تفسير الآلة الواثق دليلًا بحدّ ذاته. هكذا تبدو حلقة التغذية الراجعة الفاعلة في الواقع.
النمط واحد في هذه الحالات جميعًا: لم يتغيّر النموذج بين النتيجة السيئة والنتيجة الجيدة. الذي تغيّر هو الإنسان.
ما الذي لا يدّعيه هذا النموذج؟
لا ينبغي لمقال ينتقد الثقة المفرطة أن يقع هو نفسه فيها. لذلك أحدّد هنا حدوده قبل أن يضطرّ ناقد إلى تذكيري بها.
ليس قانونًا فيزيائيًا. تعبّر معادلة E = mc² عن كميات قابلة للقياس ووحدات محدّدة، وتستند إلى عقود من التحقّق التجريبي. أمّا SI = −DK فهو نموذج تصوّري، وتمثّل رموزه حالات واتجاهات، لا مقادير مقاسة.
ولا ينبغي فهمه بوصفه جبرًا اعتياديًا. فرمز DK يمثّل قطبية. وإذا عومل باعتباره عددًا نضيفه إلى AI، أمكن الوصول إلى نتائج عبثية. لا يدّعي هذا النموذج سوى عمليتين: تغيير حالة المفتاح (BI = 0 أو 1) وعكس الإشارة.
وهو تبسيط مقصود. فالانخراط في الواقع ليس ثنائيًا تمامًا؛ قد يكون الشخص حاضر الذهن في جزء من المهمة وغائبًا في جزء آخر. ومع ذلك، يظلّ المفتاح الثنائي مفيدًا لأنه يفرض سؤالًا صريحًا على كل جزء من العمل: هل كان العقل البشري داخل حلقة التحقّق فعلًا، أم لم يكن؟
ولا يقول إنّ الذكاء الاصطناعي سيّئ. ففي الحالة الثانية، يمثّل الذكاء الاصطناعي تحديدًا العامل الذي يجعل النتيجة تتجاوز ما يستطيع الإنسان إنجازه وحده. هذا تحذير من طريقة استخدام الذكاء الاصطناعي، لا من الذكاء الاصطناعي نفسه.
كيف يمكن اختبار الفرضية؟
تزداد قيمة النموذج عندما يكون قابلًا للدحض. ويقدّم هذا النموذج توقّعًا يمكن اختباره:
- نُعطي مجموعتين أداة الذكاء الاصطناعي نفسها والمهمة نفسها في مجال لا تتقنانه.
- تقبل المجموعة «أ» مخرجات الذكاء الاصطناعي كما هي، بينما تُلزم المجموعة «ب» بمساءلتها والتحقّق من أهم الادعاءات قبل تقديم الإجابة.
- نقيس ثقة كل مشارك في نتيجته، ثم نقيس دقة النتيجة الفعلية.
يتوقّع النموذج أن تتجاوز ثقة المجموعة «أ» دقتها الفعلية (DK = +1)، بينما تتقارب الثقة والدقة لدى المجموعة «ب» (DK = −1)، رغم استخدام المجموعتين أداة الذكاء الاصطناعي نفسها.
إذا أظهرت المجموعتان الفجوة نفسها، فالنموذج خاطئ. وأنا أريد أن أعرف ذلك.
الإنسان هو من يحدّد الإشارة
غالبًا ما يدور النقاش العام حول الذكاء الاصطناعي بشأن مدى ذكاء الآلات الذي باتت تبلغه.
هذا سؤال مهم. لكن بالنسبة إلى من يستخدم الأداة اليوم، هناك سؤال عملي أكثر حسمًا: هل ما زال عقلي حاضرًا في حلقة العمل، أم أنّني سلّمت زمام الحكم للآلة؟
يمكن للنموذج نفسه، في اليوم نفسه، أن يجعل شخصًا أكثر حكمةً، وأن يجعل آخر أكثر ثقةً بأخطائه. ولا يكمن الفرق في أوزان النموذج، بل في انخراط الإنسان.
عندما يغيب الإنسان، يضخّم الذكاء الاصطناعي وهم الكفاءة.
وعندما ينخرط الإنسان، يضخّم الذكاء الاصطناعي الكفاءة ذاتها.
SI = −DK
لن يصل الذكاء الفائق فقط في اليوم الذي تتجاوز فيه الآلات قدراتنا. بالنسبة إلى كلّ واحد منّا، يبدأ حين نبقى منخرطين بما يكفي لنعكس الإشارة.
نبذة عن الكاتب
أ. رماني
أ. رماني هو المؤسس والرئيس التنفيذي ورئيس قسم الهندسة لدى I2PS Engineering. يجمع عمله بين الهندسة، وتطوير المنتجات، والبرمجيات، والعمليات الميدانية، والنمذجة الأولية، والإدماج العملي للذكاء الاصطناعي في فرق العمل الصغيرة. وتركّز كتاباته على الهندسة المسؤولة، والتحقّق، والحكم البشري، والمنظومات التي تظلّ مفهومةً حتى بعد التغييرات المتكرّرة.
تأمّل أخير
الذكاء الاصطناعي لا يقرّر إن كان سيجعلك أذكى أم أشدّ ثقةً بأخطائك.
أنت من يقرّر ذلك، كلّما اخترت أن تفكّر وتتحقّق بدل أن تقبل الجواب دون تمحيص.
