دراسة سيدني: عدم التكرار في تدريب الذكاء الاصطناعي سمة بنيوية

كشفت دراسة علمية حديثة نشرتها مجلة Nature Machine Intelligence في الخامس من نوفمبر 2026 عن حقيقة جوهرية في مجال الذكاء الاصطناعي، مفادها أن عدم القدرة على التنبؤ بنتائج تدريب الشبكات العصبية العميقة قد لا يكون قصوراً هندسياً يمكن معالجته بمزيد من الضبط التقني، بل هو سمة بنيوية متأصلة في رياضيات التعلم نفسها. قاد هذه الدراسة كل من أندرو لي وبولين غونغ من كلية الفيزياء بجامعة سيدني، حيث طرحت النتائج تساؤلات عميقة حول حدود الدقة التي يمكن بلوغها في أنظمة الذكاء الاصطناعي، مؤكدة أن هناك حداً معيناً لا تتجاوزه الدقة مهما اشتدت محاولات المهندسين للتحكم في المتغيرات.

طبيعة الفوضى الرياضية في التعلم العميق

استعار الباحثون أدوات من نظرية الأنظمة الديناميكية لتفسير هذه الظاهرة، حيث وجدوا أن المناطق التي تؤدي إلى نتائج متشابهة في فضاء التدريب ليست متجاورة بحدود واضحة، بل هي متشابكة في ما يسميه الرياضيون "أحواض جذب مليئة بالثقوب". في هذه البنية، تقع كل نقطة بداية تؤدي إلى مصير معين على مسافة متناهية الصغر من نقاط تؤدي إلى مصير مختلف تماماً. وعند رسم خريطة مصائر التدريب على شبكة تضم أكثر من 4 ملايين نقطة بداية، ظهرت الصورة على هيئة فراشة بجناحين متداخلين، مما يعكس حساسية النظام الشديدة لأدق التغيرات في الظروف الأولية.

أجرى الفريق البحثي تجارب موثقة على نحو 500,000 شبكة عصبية عبر معماريات ومهمات متنوعة، مستخدماً معالجات مركزية لاستبعاد أي عشوائية خارجية قد تنشأ من الأجهزة. أظهرت النتائج أن تغييراً بسيطاً بمقدار 1 بت، وهو أصغر فارق تستطيع الآلة تسجيله، دفع التدريب إلى مصير مختلف في نحو 48% من الحالات. كما وجد الباحثون في مثال تفصيلي لشبكة التعرف على الصور وجود 1,772 مصيراً مختلفاً للتدريب على خريطة واحدة، مع استقرار متوسط الاختلاف بين تنبؤات الشبكات المتدربة عند نحو 2.9% مهما دقت نقاط البداية، مما يثبت أن رفع دقة نقطة البداية لا يحسن قابلية التكرار تحسناً يذكر.

التوازن بين الكفاءة والتكرار

قدمت الدراسة مقياساً جديداً أسموه "عدم اليقين الوظيفي" لقياس عدم التكرار في سلوك الشبكة المكتسب وطريقة استجابتها للمدخلات، وليس في المعاملات وحدها. وكشفت النتائج عن مفاضلة حرجة مفادها أن الإعدادات التي تجعل الشبكة تتعلم بكفاءة أعلى هي نفسها التي تجعل نتائجها أصعب على التكرار. فعندما أبطأ الباحثون خطوة التعلم لتحسين قابلية الإعادة، تراجعت كفاءة التعلم بشكل ملحوظ، مما يشير إلى أن للتعلم العميق ثمناً يدفع من يقيننا وثباتنا. ولم يقف الباحثون عند الوصف، بل أثبتوا في نموذج نظري مبسط كيف تنشأ هذه البنية من تناظرات داخلية وديناميكيات فوضوية، وطرحوا أدوات لقياس هذه الحساسية وإعادة هندسة المعماريات لتقليل شروط عدم الاستقرار.

تؤكد هذه النتائج أن الشفافية والمساءلة لم تعد مجرد شعارات تنظيمية، بل أصبحت ضرورة عملية تفرضها طبيعة الأنظمة الرياضية. فبما أن نظامين دُربا بالبيانات نفسها قد يختلفان في جزء من تنبؤاتهما، فإن الثقة التي لا تمر باختبار التكرار والتحقق تبقى ناقصة. ويوصي الباحثون بتصميم الأنظمة بتواضع، من خلال قياس الحساسية قبل النشر والإفصاح عنها بعده، مع الحفاظ على الدور البشري في التدقيق والمساءلة، لأن الآلة التي تفتقر إلى الضمير تحمل أيضاً بذرة عدم ثبات في تكوينها الرياضي، مما يجعل التدخل البشري المدقق أكثر ضرورة لضمان الاستخدام المسؤول للذكاء الاصطناعي.