AI شرح قوانين التوسع: هل الذكاء الاصطناعي العام أقرب مما نعتقد حقاً؟

الزاوية. AI's يتبع الارتفاع قوانين منتظمة مثل أي قانون في الفيزياء: المزيد من الحوسبة، والخوارزميات الأفضل، والمزيد من البيانات تؤدي إلى مكاسب يمكن التنبؤ بها، وقد تضاعف طول المهمة التي يمكن أن ينجزها نموذج الحدود بمفرده تقريبًا كل أربعة أشهر منذ عام 2023.

الذكاء الاصطناعي العام ليس زرًا يُشغّل فجأةً، بل هو أشبه بسلم، ونحن نصعده بسرعة في الأعمال الرقمية المحددة المعالم. أما في الأعمال المبتكرة والمفتوحة والمادية، فلا يزال الصعود صعبًا.

الخدعة

اطلب من روبوت محادثة أن يكتب قصيدة سونيتية، أو يُصلح برنامجك، أو يشرح لك نتائج فحص دمك، وستشعر وكأنك في عالم سحري. يكمن سرّ هذا السحر في أنك لا ترى سوى واجهة العرض. أما خلف الكواليس، فلا وجود للساحر. هناك ثلاثة أزرار وفاتورة كهرباء.

1. المؤشر الأول هو الحساب: كم عدد العمليات الحسابية التي تدخل في تدريب النموذج.
2. أما الأمر الثاني فهو الخوارزميات: مدى براعة استخدام كل عملية حسابية.
3. أما الثالث فهو البيانات: كمية النصوص والرموز والفيديوهات التي يتعلم منها النموذج.

منذ عام 2024، انضم إليها مؤشر رابع: وقت التفكير، وهو الوقت الذي يقضيه النموذج في التفكير قبل الإجابة. بزيادة أي مؤشر، يرتفع الأداء بطريقة يمكن التنبؤ بها بشكل ملحوظ.

إنّ القدرة على التنبؤ هي الكشف الحقيقي. لقد وضع لنا إسحاق نيوتن قوانين تصف كيفية حركة الأشياء. AI توصل الباحثون إلى قوانين تصف كيف يتحسن الذكاء، على الأقل ذكاء الآلات، مع توفر الموارد. مثل نيوتن's القوانين، تعمل بشكل رائع ضمن نطاقها وتنهار عند حدودها. هذه القطعة تتناول كلا الأمرين: القوانين، والحدود.

موجو's القانون: قانون التوسع العصبي

في يناير 2020، قام فريق في OpenAI مدفوع من جاريد كابلان أظهر نموذج اللغة's يتناقص الخطأ، أو "الخسارة"، وفقًا لقانون القوة السلس للحسابات المستخدمة في تدريبه. وعند كتابته، يبدو بسيطًا بشكل مخيب للآمال تقريبًا:

L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050

L هي الخسارة، وC هي حسابات التدريب، وC_c ثابت. الأس هو العامل الحاسم. عندما تكون قيمة α حوالي 0.05، فإن ضرب الحسابات في 10 يقلل الخسارة بنسبة 11% فقط، لأن 10 مرفوعة للأس سالب 0.05 تساوي تقريبًا 0.89. كل زيادة عشرة أضعاف تُحقق تحسنًا طفيفًا مماثلًا، إلى أن ينفد عامل آخر. كابلان's وجد الفريق قوانين قوة متطابقة لحجم النموذج والبيانات.

بعد عامين، صحّحت ورقة بحثية من شركة ديب مايند بعنوان "تشينشيلا" (هوفمان وزملاؤه، مارس 2022) هذه المعادلة. ففي ظل ميزانية ثابتة، ينبغي أن ينمو كل من المعلمات ورموز التدريب معًا، وهو ما يعادل تقريبًا 20 رمزًا من بيانات التدريب لكل معلمة . وقد تفوّق نموذج "تشينشيلا"، الذي يضم 70 مليار معلمة تم تدريبها على 1.4 تريليون رمز، على نموذج أكبر منه بأربعة أضعاف تم تدريبه على نفس الحاسوب.

وتتضاعف هذه الأرقام. فإذا كان حجم الحوسبة اللازمة لتدريب النماذج المتقدمة ينمو حوالي 5 مرات سنويًا (Epoch AI)، وإذا كانت الخوارزميات الأفضل تُقلل حجم الحوسبة المطلوبة للحصول على النتيجة نفسها إلى النصف كل 8 أشهر تقريبًا (Ho وزملاؤه، 2024)، فإن حجم الحوسبة الفعلي اللازم لأفضل نموذج ينمو بنحو 14 مرة سنويًا، لأن 2 مرفوعًا للأس 12/8 يساوي تقريبًا 2.8، و5 مضروبًا في 2.8 يساوي 14. هذه حسابات Mojo، وليست رقمًا مُقاسًا، لكنها تُفسر سبب شعورنا بأن نماذج كل عام تُمثل نوعًا مختلفًا.

ماذا تشير إليه المؤشرات فعلياً؟

لا تزال جميع الأقراص الأربعة تدور، لكن قرص البيانات يقترب من نقطة توقفه.

إحصاء - عد. عصر AI تشير التقديرات إلى أن حجم الحوسبة اللازمة لتدريب نماذج التعلم الآلي المتقدمة قد نما بنحو خمسة أضعاف سنويًا منذ عام 2020، بينما نمت تكاليف التدريب بنحو 3.5 أضعاف سنويًا. وقد تم تدريب نموذج GPT-3 بحوالي 3 × 10^23 عملية في عام 2020، بينما تم تدريب نموذج GPT-4 بحوالي 2 × 10^25 عملية في عام 2023.

عصر's أكبر تقدير لانطلاقة عام 2026، OpenAI's يبلغ حجم GPT-6 Astra حوالي 9 × 10^26، ولم يتم تأكيد أي تشغيل عند 10^27 حتى الآن. وقدّرت شركة Epoch أن تدريب Grok 4 في عام 2025 استهلك حوالي 310 جيجاوات ساعة من الكهرباء وكلف حوالي 490 مليون دولار.

الخوارزميات. وجدت دراسة أجراها أنسون هو وزملاؤه عام 2024 أن الحوسبة اللازمة للوصول إلى مستوى ثابت من أداء نموذج اللغة تنخفض إلى النصف تقريبًا كل 8 أشهر، على الرغم من أن الحوسبة الأكبر لا تزال تقوم بجزء أكبر من العمل.

البيانات. هذا هو القرص المزود بمؤشر توقف. حقبة AI تقديرات مخزون الجمهور نص كتبه الإنسان يبلغ عدد الرموز حوالي 300 تريليون رمز، ويتوقع أن يتم استخدامها بالكامل للتدريب في الفترة ما بين عامي 2026 و2032. ونحن الآن ضمن هذه الفترة. تتجه المختبرات إلى البيانات الاصطناعية، والبيانات المرخصة، والفيديو، وآثار الاستدلال الخاصة بالنماذج.

وقت التفكير. أحدث التقنيات. في سبتمبر 2024، أظهر نموذج o1 من OpenAI أن إتاحة وقت أطول للتفكير للنموذج عند وقت الإجابة يرفع الدقة بسلاسة: ففي مسابقة رياضيات عام 2024، حقق 74% من محاولة واحدة، و93% عندما تمكن من أخذ عينات وإعادة ترتيب 1,000 محاولة، مقابل 12% لنموذج GPT-4o. ووجدت دراسة أجريت عام 2024 أن الاستخدام الأمثل لحوسبة الاستدلال مكّن نموذجًا صغيرًا من التفوق على نموذج أكبر منه بـ 14 مرة.

ريتشارد ساتون's توقعت مقالة "الدرس المرير" المنشورة عام 2019 هذا الأمر: ففي الشطرنج، والجو، والكلام، والرؤية، تفوقت الأساليب العامة التي تعتمد على الحسابات بشكل أكبر على المعرفة اليدوية الذكية في كل مرة. وبعد ست سنوات، لا يزال الدرس مؤلماً.

ماذا يقول علم الفيزياء عن الحدود؟

تُطبَّق قوانين البرمجيات المذكورة أعلاه على الأجهزة، والأجهزة بدورها تخضع لقوانين الفيزياء. ثلاثة أرقام تُحدِّد جوهر النقاش.

لا تزال الرقائق الإلكترونية تزداد سرعة، ولكن ليس بالطريقة القديمة. فقد تباطأ قانون مور، الذي ينص على مضاعفة عدد الترانزستورات كل عامين تقريبًا؛ حتى أن جنسن هوانغ من شركة إنفيديا أعلن توقفه في عام 2022.

لكن شركة إنفيديا's رفعت رقائق مراكز البيانات أداء المعالجات ذات الكثافة العالية (16 بت) من حوالي 125 تريليون عملية في الثانية على معالج V100 (2017) إلى حوالي 4,000 تريليون عملية على معالج Rubin (2026)، أي ما يقارب 32 ضعفًا خلال تسع سنوات، وفقًا لمواصفاتها الخاصة. وجاء معظم هذا التحسن من التصميم المتخصص والحسابات الرياضية الأقل دقة، وليس من تصغير حجم الترانزستورات.

عصر AI الإجراءات أجهزة التعلم الآلي يصبح أكثر فعالية من حيث التكلفة بمقدار الضعف تقريبًا كل 2.1 سنة.

دماغك يتمتع بكفاءة مذهلة. يستهلك الدماغ البشري حوالي 20 واط فقط، وفقًا للمعهد الوطني الأمريكي للمعايير والتكنولوجيا. بينما يستهلك معالج الرسوميات Nvidia H100 حوالي 700 واط. وتشير تقديرات منظمة Open Philanthropy إلى أن قدرة الدماغ الحاسوبية الخام تبلغ حوالي 10^15 عملية في الثانية، وهو ما يعادل تقريبًا ما يقدمه معالج H100. قد يبدو هذا التشبيه غير دقيق، لكن الفارق في الكفاءة حقيقي، ويشير إلى الإمكانيات الهائلة التي لا تزال متاحة في مجال الأجهزة.

هناك حد أدنى. يحدد مبدأ لانداور، الذي طُرح عام ١٩٦١ وأُكِّد تجريبياً عام ٢٠١٢، الحد الأدنى من الطاقة اللازمة لمحو بت واحد من المعلومات عند درجة حرارة الغرفة: حوالي ٣ × ١٠^-٢١ جول. تستخدم رقائق اليوم طاقةً أكبر بكثير من ذلك. لم تصل الفيزياء بعد إلى الحد الأقصى، بل محطات توليد الطاقة.

وكالة الطاقة الدولية's الطاقة و 2025 AI تشير التقديرات إلى أن مراكز البيانات استهلكت حوالي 415 تيراواط ساعة من الكهرباء في عام 2024، أي ما يعادل 1.5% من إجمالي استهلاك العالم.'s إجمالي، ومن المتوقع أن يصل إلى حوالي 945 تيراواط ساعة بحلول عام 2030.

بحسب كل سؤال، الأرقام ضئيلة وتتناقص: فقد قاس جوجل متوسط ​​استهلاك الطاقة الناتج عن الرسائل النصية الموجهة إلى جيميني بـ 0.24 واط/ساعة في مايو 2025، وهو أقل بقليل من استهلاك إيبوك إيه آي.'s تشير التقديرات إلى حوالي 0.3 واط ساعة لاستعلام ChatGPT نموذجي في وقت سابق من ذلك العام، وأفادت جوجل بانخفاض الطاقة بمقدار 33 ضعفًا لكل مطالبة على مدار 12 شهرًا.

يكمن الإشكال في مفارقة جيفونز: فكلما انخفضت تكلفة كل استعلام، زاد عدد الاستعلامات التي نطرحها بمليارات.

ساعة موجو هورايزون: إلى متى يمكن AI هل يعمل بمفرده؟

في عام 2019، أنجز GPT-2 مهامًا استغرقت حوالي 3 ثوانٍ. في أبريل 2026، METR's تقدير مبكر للأنثروبيك's استغرقت معاينة كلود ميثوس أكثر من 16 ساعة.

يمثل هذا زيادة تقارب 21 ألف ضعف خلال سبع سنوات. عند رسم خط اتجاه لكل رقم قياسي جديد، تضاعف الأفق الزمني كل ستة أشهر تقريبًا بين عامي 2019 و2026، وكل 4.1 أشهر تقريبًا منذ عام 2023. وقد أشار تحديث METR الصادر في يناير 2026 إلى أن فترة التضاعف بعد عام 2023 تبلغ حوالي 4.3 أشهر، وهو ما يتوافق مع نتائجنا المستقلة.

قم بتمديد الخط لما بعد عام 2023، على سبيل التوضيح فقط، وسيتقاطع مع أسبوع عمل مدته 40 ساعة في نهاية عام 2026 وشهر عمل مدته 167 ساعة في النصف الثاني من عام 2027.

والآن، إليكم بعض التحفظات، لأنها مهمة.

1. أولاً، نسبة النجاح 50% لا تعني الموثوقية؛ أما عند نسبة نجاح 80%، فإن الآفاق تكون أقصر بكثير.
2. ثانيًا، هذه برامج مستقلة بذاتها و مهام البحث، وليس أعمالاً فوضوية مع الزملاء والعملاء والأشياء المادية.
3. ثالثًا، إن معيار القياس نفسه يتعطل: تقول METR إن تقديراتها التي تزيد عن 16 ساعة غير موثوقة، وقد توقفت عن تحديث لوحة الصدارة الخاصة بها بشكل فعال في سبتمبر 2026.

عندما تنتهي المسطرة قبل الشيء المراد قياسه، فهذه إشارة في حد ذاتها.

لماذا تستمر المؤشرات القياسية في الانخفاض؟

لأن النماذج تتحسن، ولأن المعايير هي أهداف. كلا الأمرين صحيح، وهذا هو السبب في أنني أتعامل مع كل لوحة متصدرين بعناية.

أبرز مثال على ذلك هو ARC-AGI-3، الذي أطلقته مؤسسة جائزة ARC في 25 مارس 2026 كمجموعة من الألغاز التفاعلية بدون تعليمات، والتي يحلها البشر بسهولة. عند الإطلاق، كان الأفضل AI حصلت على نسبة 0.51%. في 3 سبتمبر 2026، تحققت جائزة ARC من اعتماد OpenAI's حقق GPT-6 Astra نسبة 62.7% في اختباره القياسي. (أما الادعاءات المنتشرة بنسبة 98% إلى 99% فقد جاءت من اختبار مختلف لا تعتمده جائزة ARC كمعيار). وقد فقد هذا المعيار، المصمم ليدوم لسنوات، معظم إمكانياته في غضون ستة أشهر تقريبًا.

وفي أماكن أخرى، يتكرر النمط. ارتفعت نسبة التحقق من صحة البرمجة على منصة SWE-bench من 4.4% في عام 2023 إلى حوالي 96% في نتائج عام 2026 التي أبلغ عنها مقدمو الخدمات، مما يعني أنها لم تعد تميز أفضل النماذج. في يوليو 2025، جوجل ديب مايند's حل برنامج Gemini Deep Think خمسة من أصل ستة مسائل في أولمبياد الرياضيات الدولي، وحصل على 35 نقطة من أصل 42 نقطة وفقًا للتقييم الرسمي، وهو معيار الميدالية الذهبية.

العدسة هنا هي عدسة جودهارت's القانون: عندما يصبح مقياس ما هدفًا، يفقد صلاحيته كمقياس. تتدرب المختبرات وفقًا لمعايير مرجعية شهيرة؛ وتتسرب أسئلة الاختبار إلى بيانات التدريب. هذا لا يجعل التقدم زائفًا. بل يعني أن المقاييس النزيهة هي تلك التي تبدو وكأنها عمل حقيقي، مثل مقياس METR.'s الآفاق الزمنية، وتلك التي لا تزال صعبة على الآلات وسهلة على البشر، مثل ARC-AGI-3 والبشرية's آخر امتحان بدون أدوات، حيث كانت أفضل نتيجة رسمية 38.3%.

إذن، ما مدى قرب الذكاء الاصطناعي العام؟

أقرب على الشاشات منها في الواقع، وأقرب مما يتصوره معظم الناس خارج هذا المجال. لكن مصطلح "الذكاء الاصطناعي العام" يحمل معاني مختلفة لدى مختلف الناس، وهذا نصف سبب دوران النقاش في حلقة مفرغة.

التعريفات. يُصنّف إطار عمل "مستويات الذكاء الاصطناعي العام" التابع لشركة جوجل ديب مايند (موريس وزملاؤه، 2023) الأنظمة على محورين: مدى كفاءتها ومدى عموميتها، وقد صنّف روبوتات المحادثة في ذلك الوقت ضمن فئة "الذكاء الاصطناعي العام الناشئ". يتحدث قادة المختبرات عن أنظمة قادرة على إنجاز أكثر الأعمال قيمةً من الناحية الاقتصادية؛ ويصف داريو أمودي من شركة أنثروبيك الذكاء الاصطناعي العام بأنه "دولة من العباقرة في مركز بيانات". أما المتشككون فيُعرّفونه بأنه تعلّم شبيه بالتعلّم البشري من التجربة، وهو ما لا تُحقّقه النماذج الحالية.

التوقعات.

قادة المختبرات أكثر جرأة: في يناير 2026، أنثروبيك's كتب داريو أمودي ذلك المؤثر AI قد يستغرق الأمر من سنة إلى سنتين. قال ديميس هاسابيس في عام 2023 إنه قد يتحقق في غضون عقد من الزمن. ويصف يان ليكان، الذي ترك شركة ميتا وجمع 1.03 مليار دولار لمختبر جديد، نماذج اللغة الضخمة بأنها طريق مسدود، ويجادل ريتشارد ساتون بأنها تحاكي بدلاً من أن تتعلم.

بوابات موجو الثلاث. بدلاً من خط نهاية واحد، أتتبع ثلاثة، كل منها باختبار قابل للقياس.

بوابة	اختبار	الحالة، نوفمبر 2026	موجو's اقرأ
1. الاستقلالية الرقمية	AI ينجز أسبوعاً من العمل البرمجي أو البحثي الحقيقي بموثوقية عالية	أفق بنسبة 50% خلال الـ 16 ساعة الماضية؛ آفاق موثوقة أقصر بكثير؛ انقطاع في القياس	من الممكن حدوث ذلك في غضون سنة إلى ثلاث سنوات
2. الجدة	مستوى بشري في حل الألغاز السهلة على البشر والآلات الجديدة (ARC-AGI-3)	تم التحقق من أفضل النتائج بنسبة 62.7%؛ البشر بنسبة 100%	يُغلق بسرعة؛ من الممكن إتمام الصفقة في غضون سنة إلى سنتين
3. العالم المادي	روبوتات تقوم بأعمال بدنية عامة بتكلفة تنافسية	تنافسية من حيث التكلفة لحوالي 0.3% من المهام البدنية (أنثروبيك، سبتمبر 2026)	عقد أو أكثر

خلاصة رأيي: الجزء الرقمي من الذكاء الاصطناعي العام ممكنٌ قبل عام ٢٠٣٠. أما الجزء المادي، الذي يقوم بطي الملابس وإصلاح الغلايات ورعاية المرضى، فهو أبعد من ذلك بكثير. مورافيك's لا تزال المفارقة قائمة: ما يصعب علينا سهل على الآلات، وما يسهل علينا صعب عليها. من يقول إن الذكاء الاصطناعي العام سيظهر في موعد محدد إنما يروج لشيء ما.

التحقق من المطالبة

يطالب	من يصنعها؟	MES	موجو's اقرأ
لا تزال قوانين التوسيع سارية	AI مختبرات، إيبوك إيه آي	شنومكس قوية	يستمر انخفاض الخسائر مع زيادة القدرة الحاسوبية؛ ويُعد قرص البيانات هو الخطر المُلزم.
AI هو "الاصطدام بجدار"	المتشككون، بشكل دوري	0 لم يصمد	استمرت الآفاق والمعايير الصارمة في الارتفاع حتى عام 2026
تتضاعف آفاق المهام كل 4 إلى 7 أشهر	متر	شنومكس قوية	تم التأكد من ذلك من خلال تجربتنا الشخصية؛ فترات القياس تتجاوز 16 ساعة
AI تفوق على البشر في مستوى أولمبياد الرياضيات	جوجل DeepMind	شنومكس قوية	تم تصنيفها رسمياً وفقاً للمعيار الذهبي، يوليو 2025
سيصل الذكاء الاصطناعي العام بحلول عام 2027	بعض قادة المختبر	1 مطالبة	يعتمد الأمر على التعريف؛ فالنصف الرقمي واردٌ قريباً
شهادات الماجستير في القانون طريق مسدود	يان لوكون	1 مطالبة	رأي أقلية خطير؛ لم تُظهر أي نتيجة حتى الآن سقفًا ثابتًا.
AI استهلاك الطاقة لكل استعلام ضئيل للغاية	جوجل، أوبن إيه آي	3 واعدة	تم الإبلاغ عنها ذاتيًا، ولكنها تتوافق مع بيانات Epoch AI's تقدير مستقل
سينفد لدينا بيانات التدريب	عصر الذكاء الاصطناعي	3 واعدة	لقد فُتحت نافذة الفترة من 2026 إلى 2032؛ أما البيانات الاصطناعية فهي السؤال المفتوح

الزاوية المقابلة

أقوى حجة ضد قراءتي هي أنني أخلط بين أداة القياس والشيء نفسه. فالآفاق الزمنية والمعايير هي اختبارات يصممها الباحثون، ويتم تدريب النماذج بشكل متزايد لاجتياز هذه الاختبارات.

أنا آخذ هذا الأمر على محمل الجد، ولهذا السبب تتطلب بواباتي عملاً موثوقاً به على مدار أسبوع، ولهذا السبب تبقى البوابة المادية بعيدة. لكن هذا الاتجاه ظل قائماً رغم تغييرات عديدة في معايير القياس على مدى سبع سنوات. عندما ينخفض ​​أداء كل اختبار جديد بوتيرة أسرع من سابقه، فإن التفسير الأرجح هو أن الشيء الذي يتم قياسه يتحسن بالفعل.

موجو's توقعات

1. يُقدّم تقدير منشور من وزارة النقل أو جهة تقييم مستقلة مماثلة نموذجًا's أفق زمني بنسبة 50% فوق 40 ساعة بحلول 31 ديسمبر 2027. الاحتمالية: 60%.
2. الحصول على درجة 85% أو أكثر في اختبار ARC-AGI-3's يتم التحقق من إعداد الاختبار القياسي بواسطة جائزة ARC بحلول 31 ديسمبر 2027. الاحتمالية: 55%.
3. عصر AI تشير التقديرات إلى إجراء تدريبات تتجاوز 10^27 عملية بحلول 31 ديسمبر 2027. الاحتمالية: 85%.

ستدخل النتائج الثلاث جميعها في سجل توقعات موجو وسيتم تسجيلها علنًا.

أين ستُناقش هذه المسألة لاحقًا؟

الأسئلة الشائعة