ستة إنجازات في الذكاء الاصطناعي غيرت مجرى 2025: ما الذي أصابه أندريه كارباتي بشكل صحيح

وأندريه كارباتي، أحد أكثر الباحثين تأثيرًا في مجال الذكاء الاصطناعي في العالم، قدم رأيه الشخصي حول التغييرات التحولية التي تعيد تشكيل الذكاء الاصطناعي في عام 2025. تسلط ملاحظاته الضوء ليس فقط على ما حدث العام الماضي، بل على الاتجاه الذي يتجه إليه القطاع بأكمله. بين اختراقات التعلم المعزز، ونماذج التطبيق الجديدة، والتحولات الأساسية في كيفية تفاعل البشر مع الذكاء الاصطناعي، تحرك المشهد بسرعة تفوق توقعات معظم الناس.

RLVR: الأساس الجديد الذي يحل محل التعلم المراقب

دخل كتاب قواعد تدريب الذكاء الاصطناعي فصلًا جديدًا عندما انتقل التعلم المعزز المبني على المكافآت القابلة للتحقق (RLVR) من المرحلة التجريبية إلى السائدة. وفقًا لتحليل أندريه كارباتي، غير هذا التحول بشكل أساسي شكل نماذج اللغة ذات الإنتاجية العالية.

لسنوات، كانت خط أنابيب النموذج القياسي على النحو التالي: التدريب المسبق → التخصيص المراقب → التعلم المعزز من ملاحظات الإنسان (RLHF). كان مستقرًا، ومثبتًا، وأصبح العمود الفقري لمختبرات الذكاء الاصطناعي الكبرى. لكن شيئًا ما تغير في عام 2025.

يغير RLVR اللعبة من خلال تدريب النماذج في بيئات تحتوي على إشارات مكافأة يمكن التحقق منها تلقائيًا—فكر في مسائل رياضية ذات إجابات نهائية صحيحة أو تحديات برمجة حيث إما أن يعمل الكود أو لا. بدلاً من الاعتماد على حكم الإنسان، تتيح هذه الآليات الموضوعية للتغذية الراجعة للنماذج تطوير شيء يشبه التفكير الحقيقي. يتعلمون تفكيك المشكلات إلى خطوات وسيطة واكتشاف مسارات حل متعددة من خلال التحسين التكراري.

أظهرت DeepSeek-R1 هذا المبدأ أولاً، لكن OpenAI’s o1 (نهاية 2024) و o3 (بداية 2025) أثبتت أنه قابل للتوسع. كما أشار أندريه كارباتي، لم يفاجئه الأداء المفاجئ فحسب—بل التحول الهائل في الحوسبة. يستهلك RLVR قدرًا أكبر بكثير من الحوسبة مقارنة بالتخصيص التقليدي، مما يعيد توجيه الموارد التي كانت مخصصة أساسًا للتدريب المسبق. هذا يعني أن المكاسب في القدرات في عام 2025 لم تكن من تدريب نماذج أكبر، بل من تدريب نماذج أذكى، مع فترات تحسين موسعة بشكل كبير.

اختراق إضافي آخر: فتح هذا النهج الجديد بعدًا جديدًا تمامًا للتوسع—القدرة على تعديل قدرة النموذج أثناء الاختبار عن طريق تمديد مسارات الاستنتاج والسماح بمزيد من “وقت التفكير”. هذا يفصل بين توسع القدرة وحجم النموذج بطرق كانت مستحيلة سابقًا.

الذكاء الشبح مقابل الأداء المتعرج

قدم أندريه كارباتي مفهومًا أعاد صياغة طريقة تفكير الصناعة حول الإدراك الاصطناعي: نحن لا نطور حيوانات، نحن نستدعي أشباحًا.

يختلف نظام التدريب بأكمله بشكل جذري—الهيكل العصبي، البيانات، الخوارزميات، والأهم من ذلك، أهداف التحسين. لذلك، ليس من المستغرب أن تظهر نماذج اللغة الكبيرة ذكاءً يختلف جذريًا عن أدمغة الكائنات الحية. مقارنة هذه النماذج بالحيوانات أو الذكاء البيولوجي تفوت النقطة تمامًا.

تم تشكيل الشبكات العصبية البشرية من خلال البقاء على قيد الحياة في أنظمة قبلية. تم تشكيل نماذج الذكاء الاصطناعي لمحاكاة النص، وحل الألغاز الرياضية، وكسب رضا الإنسان في معايير التقييم التنافسية. عندما يتم تحسينها لأهداف مختلفة تمامًا، تحصل على مخرجات مختلفة تمامًا.

يؤدي هذا إلى خاصية أداء غريبة: منحنيات القدرة المتعرجة، ذات شكل المنشار. قد تظهر النماذج معرفة موسوعية في لحظة وتكون مرتبكة في التفكير الابتدائي في اللحظة التالية. تتفوق في المجالات القابلة للتحقق وتتعثّر في السياقات المفتوحة. هذا المشهد غير المتساوي للقدرات ليس خطأ—إنه نتيجة مباشرة لنظام التدريب نفسه.

وهنا يصبح تشكك أندريه كارباتي مهمًا: لقد طور ما يسميه “اللامبالاة العامة” تجاه المعايير في عام 2025. السبب بسيط—المعايير هي بيئات يمكن التحقق منها، مما يجعلها أهدافًا رئيسية لفرط التكيف مع RLVR. تبني الفرق حتمًا مساحات تدريب بالقرب من تمثيلات المعايير وتغمرها بقدرات ضيقة. أصبح “التدريب على مجموعة الاختبار” هو المعيار الصناعي. عدم تجاوز جميع المعايير لم يعد مؤشرًا على تقدم حقيقي في الذكاء الاصطناعي العام.

المؤشر: ظهور طبقة التطبيق

كشف النمو الهائل لمؤشر في عام 2025 عن شيء حاسم: هناك طبقة جديدة تمامًا في مجموعة تطبيقات الذكاء الاصطناعي.

وفقًا لأندريه كارباتي، يعمل مؤشر لأنه يحل مشكلة عمودية محددة—توليد الشفرات في سير العمل التطويري الحقيقي، وليس لأنه روبوت دردشة عام أفضل. يتضمن الهيكل الذي يدعم أدوات مثل مؤشر ثلاثة مكونات متكاملة: هندسة السياق (سحب المعلومات ذات الصلة)، تنسيق استدعاءات نماذج اللغة الكبيرة المتعددة إلى رسومات موجهة غير خطية معقدة بشكل متزايد (موازنة الأداء مقابل التكلفة)، وواجهات مستخدم خاصة بالتطبيق مع تحكم يدوي من الإنسان.

أثار هذا نقاشًا أوسع: هل ستسيطر منصات نماذج اللغة الكبيرة (مثل واجهة برمجة التطبيقات الخاصة بـ OpenAI) على كامل طبقة التطبيق، أم ستزدهر الأدوات المتخصصة؟ توقعات أندريه كارباتي: ستتحول المنصات تدريجيًا إلى “جامعات عامة”، تنتج مخرجات ذات قدرات ولكن غير متخصصة. ستتدفق القيمة الحقيقية إلى شركات طبقة التطبيق التي تأخذ تلك النماذج القادرة، وتخصّصها ببيانات ملكية، وتدمج الحساسات والمحركات، وتحولها إلى فرق “مهنية” متخصصة قابلة للنشر في مجالات عمودية محددة.

الاستنتاج: مؤشر ليس هو النهاية—إنه النموذج. توقع وجود العديد من الأدوات المتخصصة عموديًا تتبع نفس النهج.

كود كلود: وكلاء يعيشون محليًا

أظهر ظهور كود كلود شيئًا لفت انتباه أندريه كارباتي: الوكلاء الفعالون للذكاء الاصطناعي لا يحتاجون بالضرورة إلى العيش في السحابة.

تدور التكنولوجيا عبر استخدام الأدوات والتفكير في حلقة، مما يتيح حل المشكلات بشكل أكثر استمرارية وتعقيدًا مما تسمح به واجهات الدردشة البسيطة. لكن ما أثار إعجاب أندريه كارباتي حقًا هو الاختيار المعماري: يعمل كود كلود مباشرة على حاسوب المستخدم، مدمجًا بعمق في الملفات المحلية، والبيئات الشخصية، وسير العمل الفردي.

يمثل هذا انحرافًا متعمدًا عن الاتجاه الاستراتيجي لشركة OpenAI. استثمرت OpenAI بشكل كبير في وكلاء قائمين على السحابة منسقين ضمن بيئات ChatGPT الحاوية. بينما يعد هذا النهج بـ"أقصى أشكال الذكاء الاصطناعي العام"، نحن حاليًا في مرحلة تطوير غير متساوية مع فوائد غير مثبتة.

نشر الوكلاء محليًا—قريبين من المطورين، ومتكاملين بشكل وثيق مع سياق عملهم المحدد—ثبت أنه أسرع وأكثر عملية في الوقت الحالي. نجح كود كلود في تحقيق هذه الأولوية، من خلال حزمة أداة سطر أوامر أنيقة تعيد تشكيل واجهة الذكاء الاصطناعي بشكل جذري. لم يعد مجرد موقع إلكتروني مثل Google. إنه sprite صغير يعيش في حاسوبك، يتعاون مباشرة مع سير عملك. هذا نموذج مختلف تمامًا لتفاعل الإنسان مع الذكاء الاصطناعي.

الترميز بالجو: البرمجة بدون كود

بحلول عام 2025، عبر الذكاء الاصطناعي عتبة حاسمة: يمكنك وصف ما تريده باللغة الإنجليزية وظهور برمجيات تعمل، دون الحاجة إلى فهم التنفيذ الأساسي.

صاغ أندريه كارباتي مصطلح “الترميز بالجو” بشكل عفوي في فكرة أثناء تصفح تويتر، ولم يتوقع أن يصبح اتجاهًا صناعيًا. ومع ذلك، فهو يعبر تمامًا عما حدث—أصبحت البرمجة متاحة للجميع، وليس فقط للمحترفين المدربين.

يرتبط هذا بنمط أوسع حدده أندريه كارباتي: يستفيد الأشخاص العاديون أكثر من نماذج اللغة الكبيرة من الخبراء. كان لدى المحترفين أدوات ومعرفة عميقة بالفعل. لم يكن بإمكان الأشخاص العاديين بناء شيء. الآن يمكنهم.

لكن الترميز بالجو يفيد المحترفين أيضًا—بطريقة مختلفة. يتيح للمطورين تنفيذ ميزات “لم تكن ستكتب أبدًا بطريقة أخرى”، لأن الكود أصبح فجأة مجانيًا، زائلًا، وقابلًا للتخلص منه. أثناء بناء نانوشات، استخدم أندريه كارباتي الترميز بالجو لكتابة محولات BPE مخصصة وفعالة بلغة Rust دون دراسة اللغة أو الاعتماد على مكتبات موجودة. قام بنمذجة أنظمة كاملة فقط لاختبار الجدوى. كتب تطبيقات لمرة واحدة فقط لتصحيح ثغرات معينة.

هذا التحول الاقتصادي—حيث لا توجد تكلفة تحويل للكود—سيعيد تشكيل منظومة تطوير البرمجيات ويعيد رسم حدود المهن في مجالات البرمجة بشكل دائم.

نانو بانانا: واجهات المستخدم أخيرًا مع نماذج اللغة الكبيرة

اختراق جوجل Gemini Nano—الذي يسميه أندريه كارباتي “نانو بانانا”—يمثل أحد أكثر التحولات النموذجية disruptive في 2025.

يُعبر أندريه كارباتي عنها ببساطة: نماذج اللغة الكبيرة تمثل النموذج الحاسوبي الرئيسي التالي بعد عصر الحواسيب الشخصية في السبعينيات والثمانينيات. لذلك، يجب أن نتوقع ابتكارات مماثلة لأسباب مماثلة—موازية لتطور الحوسبة الشخصية، والمتحكمات الدقيقة، والإنترنت نفسه.

لا تزال طريقة التفاعل بين الإنسان والحاسوب تشبه أجهزة الأوامر في الثمانينيات. النص يهيمن، رغم أنه بدائي بالنسبة للحواسيب وخاطئ بالنسبة للبشر. يجد البشر القراءة ببطء ومرهقة. يفضلون القنوات البصرية والمكانية—وهذا هو السبب بالضبط في أن واجهات المستخدم الرسومية غيرت الحوسبة الشخصية قبل عقود.

ينطبق نفس المبدأ على الذكاء الاصطناعي: يجب أن تتواصل النماذج عبر الصور، والرسوم البيانية، والعروض التقديمية، والسبورات البيضاء، ومقاطع الفيديو، وتطبيقات الويب—بأي صيغة يفضلها البشر فعليًا. ظهرت خطوات مبكرة من خلال “تزيين النصوص البصرية” مثل الرموز التعبيرية وتنسيق Markdown. لكن من سيبني في النهاية طبقة الواجهة الرسومية الكاملة للذكاء الاصطناعي؟

نانو بانانا هو نموذج مبكر لذلك المستقبل. يتجاوز اختراقه توليد الصور. ما يجعله مهمًا هو القدرة المدمجة—توليد النصوص، وتوليد الصور، والمعرفة المكانية المضمنة كلها منسوجة عبر أوزان النموذج. يخلق هذا الاندماج نموذج واجهة مختلف تمامًا عن النماذج التي تعتمد على النص فقط.

التقارب: رؤية أندريه كارباتي لما هو قادم

هذه التحولات الست لا توجد بمعزل عن بعضها. تكشف ملاحظات أندريه كارباتي عن صناعة في مرحلة انتقالية: من التوسع في النماذج فقط، إلى طرق تدريب أذكى وتطبيقات متخصصة. من السحابة إلى الوكلاء المحليين المدمجين مع سير العمل البشري. من الواجهات النصية إلى التواصل البصري والمكاني.

ثبت أن عام 2025 لم يُحسن الذكاء الاصطناعي بشكل تدريجي فحسب، بل أعاد تنظيم كيفية تدريبه، ونشره، وتواصله بشكل جذري. ستنتمي المرحلة القادمة إلى من يتقن هذه النماذج الجديدة أولاً.