لماذا الذكاء الاصطناعي غبي وأسباب أخطائه في الإجابات

تعتمد النماذج اللغوية الكبيرة (LLMs) على معمارية المحولات الرياضية (Transformer Architecture)، وهي منظومة مصممة لقراءة ومعالجة سلاسل البيانات النصية وتحويل الكلمات إلى متجهات رقمية معقدة. خلال مرحلة التدريب، تتعلم هذه النماذج حساب احتمالية ظهور الكلمة التالية (Next-Token Prediction) بناءً على الكلمات السابقة لها. هذا يعني أن الذكاء الاصطناعي لا يقرأ النص بهدف استيعاب فكرته الأساسية، بل يقوم بعملية إكمال تلقائي فائقة التطور تهدف إلى توليد نص يبدو مقنعاً ومتناسقاً نحوياً ولغوياً مع المدخلات التي قدمها المستخدم.

الخلل الجوهري يكمن في غياب حلقة الفهم الفعلي؛ فالنموذج لا يفرق بين الحقيقة المثبتة والخرافة المنتشرة إذا كانت الاثنتان تتشابهان في البناء اللغوي ومعدلات التكرار داخل بيانات التدريب. ولهذا السبب، قد ينجح النظام في كتابة مقال أدبي رائع ومعقد الأسلوب، لكنه يتعثر في تحديد من هو الأكبر سناً بين شخصين إذا تم التلاعب بصياغة السؤال قليلاً. الذكاء الظاهر هنا ليس ذكاءً إدراكياً بالمعنى البيولوجي، بل هو انعكاس لقدرة خوارزمية هائلة على محاكاة أسلوب الكتابة البشرية فقط دون أي إدراك لما تعنيه تلك الكلمات.

تُعد الهلوسة (Hallucination) واحدة من أبرز العيوب التي تدفع المستخدمين للتساؤل عن سبب غباء الذكاء الاصطناعي، وتتمثل في قيام النموذج بتوليد معلومات مغلوطة أو اختلاق وقائع وأرقام غير موجودة في الواقع وتقديمها بنبرة توحي باليقين التام. تحدث الهلوسة عندما يعجز النموذج عن إيجاد نمط إحصائي مباشر يربط بين عناصر الاستفسار، وبدلاً من الاعتراف بعدم المعرفة، تقوم الخوارزمية بردم الفجوات المعرفية عبر تجميع كلمات متوافقة قواعدياً لتبدو كإجابة منطقية ومكتملة تفي بطلب المستخدم.

تتجلى هذه المشكلة بوضوح في الأبحاث الأكاديمية والمهنية، حيث يقوم الذكاء الاصطناعي باختراع عناوين كتب وأبحاث علمية وهمية، ونسبها إلى باحثين حقيقيين، بل ويقوم أحياناً بابتكار أرقام تسلسلية وروابط إلكترونية وهمية غير مسجلة في أي قاعدة بيانات. يعود السبب في ذلك إلى أن وظيفة النموذج الأساسية مبرمجة على تدفق النص واستمراريته وليس على التحقق من صحة المحتوى ومطابقته للواقع الخارجي، مما يجعل مخرجاته غير صالحة للاعتماد المباشر دون مراجعة وتدقيق بشري صارم.

يواجه الذكاء الاصطناعي التوليدي صعوبة بالغة في حل الألغاز البسيطة، والمسائل الحسابية المباشرة، وحساب عدد الحروف داخل كلمة محددة. يرجع هذا الضعف إلى طريقة تقطيع النصوص إلى وحدات رقمية تُعرف باسم Tokens؛ فالنموذج لا يرى الكلمات كحروف منفصلة كما يراها الإنسان، بل يتعامل مع الكلمة أو أجزاء منها ككتلة رقمية موحدة. ولهذا السبب الشهير، يعجز النموذج عن تحديد عدد حروف معينة داخل كلمة بسيطة، لأن بنيته البرمجية لا تحتوي على آلية فحص بصري أو هجائي للحروف الفردية بشكل افتراضي.

إضافة إلى ذلك، تفتقر النماذج اللغوية بطبيعتها إلى محرك منطقي رمزي (Symbolic Logic Engine) قادر على إجراء العمليات الحسابية خطوة بخطوة بالاعتماد على قواعد رياضية صارمة. فعندما تطلب منه جمع رقمين كبيرين، يحاول التنبؤ بالنتيجة بناءً على تشابه الأرقام مع نماذج حسابية رآها سابقاً، بدلاً من تطبيق قواعد الجمع الحسابي المعتادة. ورغم إمكانية تزويد هذه النماذج ببيئات برمجية مدمجة مثل مفسر بايثون (Python Interpreter) لإجراء الحسابات، إلا أن النواة اللغوية المجردة تظل عاجزة عن التفكير الرياضي الذاتي.

تعتمد قدرات الذكاء الاصطناعي بشكل مطلق على المادة المعرفية التي دُرّب عليها، والتي تشمل مليارات الصفحات المأخوذة من الإنترنت، والكتب الرقمية، والمنتديات المفتوحة. تنص القاعدة التقنية المعروفة على أن جودة المخرجات ترتبط مباشرة بجودة المدخلات؛ وحيث إن شبكة الإنترنت مليئة بالمعلومات المغلوطة، والنظريات الزائفة، والمناقشات المشوهة، فإن النماذج تستوعب هذه التناقضات ضمن بنيتها المعرفية وتعيد إنتاجها في سياقات غير ملائمة للمستخدم.

علاوة على ذلك، تعاني بيانات التدريب من انحيازات لغوية وثقافية واضحة؛ فالمحتوى المنشور باللغة الإنجليزية يمثل النسبة الكبرى في تدريب النماذج العالمية، مما يجعل إدراك الذكاء الاصطناعي للفروق اللغوية الدقيقة، والاصطلاحات العامية، والمفاهيم الثقافية المحلية في اللغات الأخرى مثل العربية محدوداً ومتواضعاً. هذا التفاوت المعرفي يجعل النموذج يقدم استنتاجات سطحية ومجتزأة عند معالجة قضايا متخصصة أو غير شائعة في المراجع الرقمية التي اطلع عليها أثناء التدريب.

تحتوي النماذج اللغوية على مساحة ذاكرة تشغيلية محددة تُعرف باسم نافذة السياق (Context Window)، وهي الحجم الإجمالي للنصوص التي يمكن للنموذج الاحتفاظ بها واستحضارها في اللحظة الراهنة، شاملاً رسائل المستخدم وردود النظام السابقة. عندما تمتد جلسة العمل وتزداد أطراف الحديث، يضطر النظام إلى تجاهل أو ضغط الأجزاء الأولى من المحادثة، مما يؤدي إلى نسيان التعليمات الأساسية، وتكرار الأفكار السابقة، أو مناقضة القرارات المتفق عليها مسبقاً.

يؤثر هذا القيد التقني مباشرة على الإنتاجية عند استخدام الذكاء الاصطناعي في مشاريع ضخمة، مثل كتابة تقارير مطولة أو تحليل ملفات أكاديمية مكثفة. يلاحظ المستخدم حينها أن إجابات النموذج تبدأ في فقدان ترابطها المنطقي تدريجياً، ويبدأ النظام في إظهار سلوكيات تبدو للمستخدم غباءً مفاجئاً، بينما هي في الواقع نتيجة لاختناق ذاكرة السياق وعجز الخوارزمية عن موازنة الانتباه الرقمي بين التعليمات القديمة والتوجيهات الجديدة داخل نفس الجلسة.

يوضح الجدول التالي الفروق الجوهرية بين الآلية التي يتعامل بها الدماغ البشري مع المشكلات والمعلومات مقارنة بالآلية التي تعتمد عليها خوارزميات الذكاء الاصطناعي الحالية:

تثبت هذه المقارنة أن الخوارزميات ليست عقلاً بديلاً، بل هي أدوات تسريع وتحليل تعتمد على محاكاة السطح اللغوي؛ ولذلك فإن محاولة معاملتها كمفكر مستقل يدرك العالم المحيط تقود دائماً إلى الإحباط وملاحظة عيوبها السلوكية الفادحة.

للتغلب على أوجه القصور هذه وتحويل مخرجات الذكاء الاصطناعي إلى أداء مفيد في الدراسة والعمل، ينبغي تطبيق أساليب هندسة الأوامر (Prompt Engineering) المتقدمة. من أهم هذه الأساليب تقنية التفكير المتسلسل (Chain of Thought)، والتي تتطلب توجيه النموذج بأن يفكر خطوة بخطوة قبل إعطاء النتيجة النهائية؛ إذ إن إجبار الخوارزمية على تفكيك المشكلة إلى مراحل منطقية يقلل من احتمالية التنبؤ الخاطئ ويجبرها على توليد سياق تحليلي يخدم الاستنتاج الصحيح.

كما يجب دائماً تطبيق مبدأ التقييد المرجعي (Grounding)، وذلك عن طريق تزويد النموذج بالمادة المصدرية المطلوبة والطلب منه الالتزام الحصري بما ورد فيها، مع منعه صراحة من توليد أي معلومة خارجية لم تُذكر في النص. بالإضافة إلى ذلك، يُنصح بتحديد دور وظيفي محدد للنموذج، وتحديد صيغة الإخراج المرغوبة، واستخدام لغة دقيقة وموجزة بعيدة عن العموميات الفضفاضة، لضمان استجابة منضبطة وذات قيمة عملية خالية من التشتت والهلوسة.